在对象存储系统中，缓存是提升 I/O 性能的关键组件。当缓存空间有限时，单一的 LRU（最近最少使用）或 TTL（生存时间）策略往往难以兼顾热点数据的长期驻留与新鲜数据的快速淘汰。LRU 倾向于保留最近访问的数据，可能导致过期数据滞留；而纯 TTL 策略则可能因时间一到就淘汰，误删仍处于访问高峰期的热点对象。为此，设计一种混合 LRU 与 TTL 的缓存淘汰策略，成为平衡“热度”与“时效性”的工程必需。本文将聚焦单一技术点，提供一套可直接落地的参数配置、监控清单与回滚策略，帮助你在对象存储层实现高效缓存管理。
首先，混合策略的核心思想是分层或分权重决策。一种常见模式是“TTL 优先，LRU 兜底”：系统优先淘汰已过期（TTL ≤ 0）的对象；若无过期对象或缓存仍未释放足够空间，则退回到 LRU 逻辑，淘汰最久未访问的条目。这种设计在 SelectDB 的实现中已有体现：其 TTL 数据享有最高优先级，缓存满时优先淘汰 LRU 队列尾部数据，而非 TTL 未到期对象。在对象存储场景下，你可以借鉴此思路，为不同类别的对象（如用户头像、临时日志、API 响应）设置不同的 TTL，并在全局缓存满载时，仅对未设置 TTL 或 TTL 未到期的对象应用 LRU。这样既能确保临时数据按时清理，又能保护长期热点不被误删。关键参数包括：TTL 阈值（如 300 秒）、LRU 采样数（如 5）、缓存总容量上限（如 4GB）。配置示例可参考 Redis 的 maxmemory-policy volatile-ttl，它优先淘汰即将过期的键，再结合 allkeys-lru 作为后备策略。
其次，工程化落地需要明确的可调参数与监控指标。基于 Guava Cache 和 Redis 的最佳实践，建议你配置以下三类参数：1) 容量控制：设置缓存最大条目数或最大字节数（如 maximumSize=10000 或 maxmemory 4gb），避免内存溢出；2) TTL 设置：为不同对象类型预设合理的过期时间，例如临时会话设为 60 秒，静态资源设为 86400 秒（24 小时）；3) LRU 精度：通过采样数（maxmemory-samples=5）平衡 CPU 开销与淘汰准确性，值越大越接近真实 LRU，但计算成本越高。监控方面，必须追踪两个核心指标：evicted_keys（或等效的淘汰计数器）和 avg_ttl（平均剩余生存时间）。若 evicted_keys 持续增长，说明缓存容量不足或策略失效，需扩容或调整 TTL；若 avg_ttl 过低（如 < 10 秒），则表明大量数据“刚进缓存就过期”，应检查 TTL 设置是否过短或数据写入模式是否异常。这些指标可通过 info stats 命令或自定义埋点采集，纳入你的告警系统。
第三，为应对策略上线后的潜在风险，必须准备回滚与降级预案。主要风险有二：一是混合策略配置错误，导致热点数据被过早淘汰，缓存命中率骤降；二是 TTL 设置过短，引发“缓存抖动”，即数据频繁进出缓存，增加后端存储压力。针对前者，回滚策略是立即切换回纯 LRU（如 allkeys-lru）或纯 TTL（volatile-ttl），牺牲部分新鲜度以保热点稳定；针对后者，可临时关闭 TTL 功能，或全局延长 TTL 值（如从 300 秒增至 3600 秒）。操作上，建议你预先准备好配置模板与一键切换脚本，并在灰度环境中验证。例如，使用 Redis 时，只需动态修改 maxmemory-policy 即可秒级切换策略，无需重启服务。同时，建立基线：记录上线前的缓存命中率与响应延迟，作为回滚阈值——若新策略导致命中率下降超过 15%，或 P99 延迟上升 50%，则自动或手动触发回滚。
最后，若你的系统暂不支持原生混合策略，可采用“多级缓存”架构作为替代方案。例如，L1 缓存层使用 volatile-ttl 策略，专门存放短期数据（如临时 Token、会话状态）；L2 缓存层使用 allkeys-lfu 或 allkeys-lru，存放长期热点对象（如用户头像、商品详情）。两层缓存可独立配置容量与淘汰参数，通过路由逻辑决定数据写入哪一层。这种方式虽增加架构复杂度，但能清晰隔离不同生命周期的数据，避免策略冲突。实现时，可借助 Caffeine 或 Guava Cache 构建本地 L1/L2，或在分布式缓存前加一层本地 Map 作为 L1。关键在于定义好数据分类规则：例如，所有带“temp_”前缀的 Key 进入 TTL 层，其余进入 LRU 层。如此，即便底层存储不支持混合淘汰，你也能在应用层实现相同效果。
综上，为对象存储设计混合 LRU 与 TTL 缓存淘汰策略，本质是在“访问热度”与“数据时效”之间寻找动态平衡点。通过分层决策、精细参数、实时监控与快速回滚，你可以构建一个既保护热点又及时清理垃圾的缓存系统。记住，没有放之四海而皆准的配置——你的最佳参数取决于业务访问模式。建议从小规模灰度开始，逐步调整 TTL 与采样数，用监控数据驱动优化，最终形成适配自身场景的黄金配置。