场景 7：缓存命中率低

欢迎回到第 13 章的学习。在上一节，我们学习了内存泄漏的排查方法。现在我们要学习场景 7：缓存命中率低。

本节将学习：缓存 Metrics 分析、查询模式分析、以及缓存策略优化。

缓存 Metrics 分析

缓存 Metrics 分析的作用是什么？ 通过 Metrics 分析缓存的使用情况，识别缓存问题。

如何分析缓存 Metrics？ 查看以下指标：

• 缓存命中率
• 缓存未命中率
• 缓存大小
• 缓存淘汰次数

异常指标示例：

• 缓存命中率从 80% 下降到 40%
• 缓存未命中率持续增加
• 缓存淘汰频率增加

缓存 Metrics 查询：

# 缓存命中率
sum(rate(cache_hits_total[5m])) / (sum(rate(cache_hits_total[5m])) + sum(rate(cache_misses_total[5m]))) * 100

# 缓存未命中率
sum(rate(cache_misses_total[5m])) / (sum(rate(cache_hits_total[5m])) + sum(rate(cache_misses_total[5m]))) * 100

# 缓存大小
cache_size_bytes

# 缓存淘汰次数
sum(rate(cache_evictions_total[5m]))

查询模式分析

查询模式分析的作用是什么？ 分析数据库查询模式，了解缓存未命中的原因。

如何分析查询模式？ 分析以下模式：

• 查询频率
• 查询类型
• 查询参数分布
• 查询时间分布

查询模式分析查询：

# 查询频率分布
sum(rate(db_queries_total[5m])) by (query_type)

# 查询参数分布
sum(rate(db_queries_total[5m])) by (query_params)

# 查询时间分布
histogram_quantile(0.95, db_query_duration_seconds_bucket)

缓存策略优化

缓存策略优化的作用是什么？ 根据分析结果，优化缓存策略，提高缓存命中率。

优化方案包括哪些呢？

第一个：调整缓存键设计。 优化缓存键的设计，提高缓存命中率。

第二个：调整缓存过期时间。 根据数据更新频率调整缓存过期时间。

第三个：增加缓存容量。 增加缓存容量，减少缓存淘汰。

第四个：优化缓存预热。 实施缓存预热策略，提前加载热点数据。

缓存优化示例：

// Optimized cache key design
// Before optimization：cache.get("user:" + userId + ":" + timestamp)
// After optimization：cache.get("user:" + userId)

// Adjust the cache expiration time
@Cacheable(value = "products", key = "#productId", expireAfterWrite = 30, timeUnit = TimeUnit.MINUTES)

// Cache warm-up
@PostConstruct
public void warmupCache() {
    List<Product> hotProducts = productService.getHotProducts();
    hotProducts.forEach(product -> cache.put("product:" + product.getId(), product));
}

本节小结

在本节中，我们学习了场景 7：缓存命中率低：

第一个是缓存 Metrics 分析。 通过 Metrics 分析缓存的使用情况，识别缓存问题。

第二个是查询模式分析。 分析数据库查询模式，了解缓存未命中的原因。

第三个是缓存策略优化。 根据分析结果，优化缓存策略，提高缓存命中率。

故障排查流程： 缓存 Metrics 分析 → 查询模式分析 → 缓存策略优化 → 验证改进效果。

这就是场景 7：缓存命中率低。通过场景 7 的学习，我们掌握了缓存命中率低的排查方法。

在下一节，我们将学习使用 TraceQL 进行复杂查询。学习如何使用 TraceQL 进行高级查询。