最直接有效的防雪崩手段是给key设置随机TTL,即在基础TTL上加±10%~30%偏移,避免集中过期;同时配置volatile-lru淘汰策略、开启lazyfree异步删除、显式设置maxmemory,并监控evicted_keys和expired_keys速率指标。

给 key 设置随机 TTL 是最直接有效的防雪崩手段
缓存雪崩本质是大量 key 在同一秒集中过期,导致请求穿透到数据库。硬编码固定 TTL(比如统一设为 3600 秒)等于主动制造雪崩条件。
实操建议:
- 在业务代码中对
SET命令的EX参数加 ±10%~30% 的随机偏移,例如基础 TTL 是 3600 秒,实际设为3600 + random.randint(-360, 1080) - 避免用
EXPIREAT手动计算绝对时间戳——容易因服务器时钟漂移或批量脚本误操作导致集体过期 - 如果用 Spring Cache,改用
@Cacheable(cacheNames = "xxx", unless = "#result == null")配合自定义RedisCacheConfiguration,在entryTtl构造时注入随机逻辑
volatile-lru 和 volatile-ttl 是生产环境更稳妥的淘汰策略组合
默认的 noeviction 策略在内存满时直接拒绝写入,会引发上游服务报错;而 allkeys-lru 可能误删你精心保留的长期配置 key(比如没设 TTL 的 system:config)。
推荐配置逻辑:
- 只对缓存类 key 设 TTL(如
user:123、product:456),关键配置类 key 不设 TTL(如feature:flag、dict:status) - Redis 配置项设为
maxmemory-policy volatile-lru:仅在带 TTL 的 key 中按最近访问时间淘汰,既保命又不越界 - 若业务有明显“短命 key”倾向(比如 session token 平均存活 5 分钟),可改用
volatile-ttl,优先淘汰马上要自然过期的 key,减少无效淘汰
必须开启 lazyfree + 合理设置 maxmemory 防止主线程卡死
当触发内存淘汰时,Redis 默认同步删除旧 key。如果被选中的恰好是个大 hash(含 10 万字段),主线程会卡住几百毫秒,所有请求延迟飙升——这本身就会诱发雪崩连锁反应。
关键配置项:
-
lazyfree-lazy-eviction yes:淘汰时异步释放内存 -
lazyfree-lazy-expire yes:过期 key 也走异步删除(配合前面的随机 TTL 更有效) -
maxmemory 6gb:务必显式设置,不能依赖默认值;建议设为物理内存的 70%,留足空间给 OS 和后台进程 - 搭配
activedefrag yes减少内存碎片,避免因碎片导致提前触发淘汰
监控 evicted_keys 和 expired_keys 指标比看命中率更早发现问题
缓存命中率掉到 80% 才报警?太晚了。真正危险信号是 evicted_keys 每分钟突增上千次,或 expired_keys 曲线出现尖峰——说明淘汰/过期已成规模,雪崩可能已在路上。
落地建议:
- 用
INFO stats定期采集这两个指标,接入 Prometheus + Grafana 做趋势图 - 设置告警规则:
rate(redis_evicted_keys_total[5m]) > 100或rate(redis_expired_keys_total[1m]) > 500 - 注意:这两个计数器是累加值,重启后归零,所以告警必须基于速率(rate)而非绝对值
真正难的不是配几个参数,而是让所有写入 Redis 的业务方都遵守「缓存 key 必须带 TTL」这条铁律——没有统一治理,再好的淘汰策略也架不住一个忘记加 EX 的 SET 命令。











