缓存预热
- 热点数据预热：根据业务分析或统计数据，确定热点数据（经常被访问的数据），并将其提前加载到Redis缓存中。可以根据访问频率、访问量或其他业务指标来确定热点数据。
- 定时预热：可以设置定时任务，周期性地预热Redis缓存。根据业务需求和数据访问模式，可以选择在低峰期或非活动时间段进行预热，以避免对实时请求的影响。
缓存预热可能会导致系统启动时间延长或对底层数据源造成额外的负载。因此，在进行缓存预热时，需要综合考虑系统的性能、可用性和数据更新的实时性要求。
预热数据选取策略
- 基于历史数据：通过分析历史的数据访问模式和统计信息，确定最常被访问的数据。可以根据数据的访问频率、热度、关联性等指标进行排序，选择前几个数据集进行预热。
- 基于业务需求：根据业务特点和需求，选择与当前业务操作相关的数据进行预热。例如热门商品、促销商品数据。
- 基于预测模型：利用机器学习或其他预测模型，预测未来一段时间内可能会被访问的数据。根据预测结果选择相应的数据进行预热。
- 基于用户行为：如果你的系统有用户登录或个性化功能，可以根据用户的历史行为和偏好，选择与其相关的数据进行预热。
要综合考虑以上不同策略，根据业务需求和数据特点，选择合适的预热数据。可以根据不同的时间段、用户群体或其他因素，采用不同的预热策略。
缓存保温
- 定期刷新：定期刷新缓存中的数据，以确保数据保持最新和热门。可以设置一个定时任务，周期性地刷新缓存中的数据，使其保持最新状态。
- 主动加载：在系统启动后或在低峰期，通过后台任务或初始化过程，主动加载缓存中的数据。可以预先加载一些常用的数据或热点数据到缓存中，以满足后续请求的需求。
- 热点数据保护：根据业务分析或统计数据，确定热点数据（经常被访问的数据），使用合适的缓存策略或设置适当的过期时间，以保持热点数据的持续可用性。
缓存保温也需要权衡系统资源的利用和数据的实时性，避免过度保温导致资源浪费或过时数据的使用。
性能边界
基于上面的性能边界，我们需要根据自身的业务特性和需求来做一些选择和妥协
80%的业务总是集中在20%的数据上面
RMQ工作流
Redis一些实战建议
- 采用合适的淘汰机制：根据业务需求和数据特点，选择合适的淘汰策略，如 LRU（最近最少使用）、LFU（最近最不常用）或随机淘汰。
- 优化数据结构：根据数据的特点和访问模式，选择合适的数据结构，以减少数据冗余和内存占用。
- 持久化策略：选择适当的持久化机制，如快照（RDB）和日志（AOF）。定期备份 Redis 数据，以防止数据丢失或意外故障。
- 启用数据压缩：对于适合压缩的数据类型（如字符串类型），使用 Redis 提供的压缩功能，减少内存占用。
- 定期维护：进行定期的 Redis 维护活动，如清理过期数据、优化索引和重建数据结构等。
- 性能测试：进行压力测试和性能测试，评估 Redis 在高负载和大数据量下的表现，识别潜在的性能瓶颈和瓶颈原因，并采取相应的措施进行性能调优和优化。
