Caffeine

很多高并发服务会在 Redis 前再加一层 Caffeine，但多一层缓存就多一份需要收敛的状态。本文从一次读请求的链路出发，拆解缓存穿透、击穿、雪崩在多级结构下的变形，比较只用 Redis、读穿透型多级缓存、本地缓存为主三种做法的代价，并给出失效广播、兜底 TTL、互斥回源与观测指标的可执行清单。

这三个词常被当成同一类故障，方案被混在一起使用：所有 key 加随机 TTL、所有查询加互斥锁、所有接口套布隆过滤器，结果是延迟和复杂度都上升，故障却照旧出现。本文拆解三者的触发条件与责任层差异，讨论随机 TTL、互斥重建、多级缓存各自的适用边界，并给出一份按优先级落地的检查清单。

接口 P99 从 90ms 降到 6ms，往往只需要在 Redis 前面挂一层 Caffeine。但同一笔改动，也可能让运营改完价格后十几分钟仍有人看到旧价，或让弹性扩容瞬间打满 Redis。本文讨论多级缓存真正在交换什么：一致性窗口如何叠加、广播失效为何不可靠、冷启动为何是雪崩的主要形态，并给出按数据类型分层的落地判断清单。

缓存不是提速插件，而是一份冗余副本，副本数量直接决定一致性问题的难度。本文拆开一次读请求经过的三级链路，解释穿透、击穿、雪崩为何机制不同，对比先删/先更、删除/更新、广播失效等策略的取舍，并给出可量化的收敛窗口与分阶段落地清单。

在高并发系统设计中，单一依赖 Redis 虽然解决了数据一致性问题，但网络开销和延迟限制了极高性能场景下的吞吐量。本文深入分析多级缓存（L1 本地缓存 + L2 分布式缓存）的架构原理与取舍，结合 Spring Boot 生态对比纯 Redis、纯本地缓存及多级缓存的优缺点，并提供具体的实现策略与一致性保障方案。