۱۴۰۵ آبان ۲۶, سه‌شنبه
دلار آمریکا۲۶۶٬۸۹۵▼ ۰٫۶۸٪یورو۲۹۴٬۳۶۰▼ ۰٫۶۹٪درهم امارات۷۲٬۷۲۵▼ ۰٫۶۸٪سکه امامی۲۵۱٬۴۹۰٬۰۰۰▲ ۰٫۳۷٪طلای ۱۸ عیار (گرم)۲۴٬۶۶۶٬۶۰۰▲ ۰٫۴٪انس طلا۳٬۸۷۰ $▲ ۰٫۱۴٪تتر۲۶۹٬۵۴۰▲ ۰٫۰۵٪بیت‌کوین۶۴٬۲۰۰ $▼ ۱٫۵۶٪اتریوم۱٬۷۸۷ $▼ ۲٫۰۸٪سولانا۷۲٫۵۵ $▲ ۱٫۴۷٪اپل۳۵۱٫۶۹ $▼ ۰٫۳۱٪انویدیا۱۵۴٫۹۴ $▼ ۰٫۷۷٪مایکروسافت۴۹۹٫۶۵ $▼ ۳٫۵۴٪آلفابت (گوگل)۲۸۰٫۴۰ $▼ ۱٫۱۷٪تسلا۳۷۹٫۶۲ $▼ ۰٫۰۳٪شاخص نزدک۲۴٬۲۴۶ $▼ ۱٫۰۸٪
نرخ ارز

کش با Redis؛ راهنمای عملی cache-aside، TTL و سیاست حذف

راهنمای عملی کش با Redis: الگوهای cache-aside و write-through، تنظیم TTL و باطل کردن کش، سیاست‌های حذف حافظه، هجوم هم‌زمان به کش و اینکه کجا نباید کش کرد.

کاور گرافیکی تیره با عنوان Redis Cache، لوگوی Redis و پنجره ویرایشگری که کد پایتون الگوی cache-aside با دستورهای get و set در آن دیده می‌شود
کاور گرافیکی تیره با عنوان Redis Cache، لوگوی Redis و پنجره ویرایشگری که کد پایتون الگوی cache-aside با دستورهای get و set در آن دیده می‌شود
فهرست مطالب
  1. کش چیست و چرا Redis؟
  2. راه‌اندازی سریع
  3. الگوهای کش: cache-aside، write-through و بقیه
  4. پیاده‌سازی کش با Redis در Python
  5. TTL و باطل کردن کش
  6. ساختارهای داده Redis برای کش
  7. وقتی حافظه پر می‌شود: سیاست‌های حذف
  8. دام‌های رایج کش
  9. کجا نباید کش کرد؟
  10. جمع‌بندی

کش با Redis یکی از کم‌هزینه‌ترین راه‌ها برای سریع‌تر کردن یک اپلیکیشن کند است: به‌جای اینکه هر بار همان کوئری سنگین را به پایگاه داده بفرستید، نتیجه را چند دقیقه در حافظه نگه می‌دارید. اما کش بد طراحی‌شده می‌تواند داده کهنه نشان بدهد یا در لحظه بد پایگاه داده را از پا بیندازد. این راهنما الگوها، TTL، سیاست‌های حذف و دام‌های رایج را با کد پایتونی که اجرا و آزموده‌ایم مرور می‌کند.

کش چیست و چرا Redis؟

کش (Cache) لایه‌ای سریع است که نسخه‌ای از داده‌های پرتکرار را نزدیک برنامه نگه می‌دارد تا لازم نباشد هر بار از منبع اصلی کندتر خوانده شوند. اگر داده در کش باشد، به آن برخورد (Cache Hit) و اگر نباشد عدم برخورد (Cache Miss) می‌گویند.

Redis یک پایگاه داده کلید‌مقدار درون‌حافظه‌ای (In-memory) است که برای کش بسیار رایج است. چند دلیل دارد: داده در RAM است، روی هر کلید می‌شود تاریخ انقضا گذاشت، ساختارهای داده متنوعی دارد و چند سرور اپلیکیشن می‌توانند یک کش مشترک داشته باشند. در آزمایش ما روی یک کانتینر محلی، تابعی که با تأخیر ساختگی نیم‌ثانیه‌ای داده را «از پایگاه داده» می‌خواند، بار اول ۵۱۰ میلی‌ثانیه و بار دوم از کش کمتر از یک میلی‌ثانیه طول کشید.

راه‌اندازی سریع

برای تمرین، Redis را با Docker اجرا کنید و پورت را فقط روی 127.0.0.1 باز کنید. اگر Docker برایتان تازه است، آموزش Docker برای توسعه‌دهنده‌ها را ببینید.

docker run -d --name redis-lab -p 127.0.0.1:6379:6379 redis
docker exec -it redis-lab redis-cli

چند دستور پایه در redis-cli:

SET page:home "<h1>Hello</h1>" EX 60
TTL page:home
GET page:home
DEL page:home

EX 60 یعنی کلید بعد از ۶۰ ثانیه خودش پاک شود. دستور TTL زمان باقی‌مانده را بر حسب ثانیه می‌دهد؛ طبق مستندات Redis، مقدار -1 یعنی کلید انقضا ندارد و -2 یعنی کلید وجود ندارد.

الگوهای کش: cache-aside، write-through و بقیه

الگو خواندن نوشتن مناسب برای
Cache-aside (بارگذاری تنبل) برنامه اول کش را می‌پرسد؛ در صورت نبود، از پایگاه داده می‌خواند و در کش می‌گذارد برنامه در پایگاه داده می‌نویسد و کلید کش را حذف می‌کند بیشتر اپلیکیشن‌ها؛ نقطه شروع پیش‌فرض
Read-through لایه کش خودش در صورت نبود داده از منبع می‌خواند معمولاً همراه یکی از الگوهای نوشتن وقتی کتابخانه یا سرویس کش این قابلیت را دارد
Write-through از کش هم‌زمان در پایگاه داده و کش نوشته می‌شود داده‌ای که مطمئنید به‌زودی خوانده می‌شود
Write-behind از کش اول در کش، بعداً با تأخیر در پایگاه داده نوشتن بسیار پرحجم؛ با ریسک از دست رفتن داده

AWS در راهنمای کش خود، cache-aside را (که آن را Lazy Caching هم می‌نامد) رایج‌ترین الگو و پایه هر استراتژی کش خوب می‌داند. مزیتش این است که فقط داده‌ای کش می‌شود که واقعاً درخواست شده است. Write-through کش را همیشه گرم نگه می‌دارد، اما ممکن است داده‌ای را کش کنید که هیچ‌وقت خوانده نمی‌شود.

پیاده‌سازی کش با Redis در Python

نمونه زیر با کتابخانه رسمی redis (redis-py) نوشته شده است. نصب: pip install redis. اگر با پایتون تازه آشنا شده‌اید، آموزش پایتون از صفر را ببینید.

import json
import random
import time

import redis

r = redis.Redis(host="localhost", port=6379, decode_responses=True)

BASE_TTL = 300  # seconds


def load_product_from_db(product_id: int) -> dict:
    time.sleep(0.5)  # pretend this is a slow SQL query
    return {"id": product_id, "name": "Mechanical keyboard", "stock": 42}


def get_product(product_id: int) -> dict:
    key = f"product:{product_id}"

    cached = r.get(key)
    if cached is not None:  # cache hit
        return json.loads(cached)

    product = load_product_from_db(product_id)  # cache miss
    ttl = BASE_TTL + random.randint(0, 60)  # jitter: keys don't all expire together
    r.set(key, json.dumps(product), ex=ttl)
    return product


def update_product(product_id: int, fields: dict) -> None:
    # 1) write to the database first (omitted here)
    # 2) then drop the cached copy; the next read reloads it
    r.delete(f"product:{product_id}")

سه تصمیم در این کد عمدی است. نام کلید ساختار دارد (product:7) تا بعداً قابل جست‌وجو و پاک کردن باشد. TTL کمی تصادفی است تا هزاران کلیدی که هم‌زمان ساخته شده‌اند، هم‌زمان منقضی نشوند. و بعد از تغییر داده، کلید حذف می‌شود، نه به‌روز؛ این کار ساده‌تر است و احتمال اینکه دو درخواست هم‌زمان نسخه قدیمی را روی نسخه جدید بنویسند کمتر می‌شود.

TTL و باطل کردن کش

گفته‌ای قدیمی در برنامه‌نویسی هست که باطل کردن کش (Cache Invalidation) یکی از سخت‌ترین کارهاست. چند قاعده کار را ساده می‌کند:

  • روی همه کلیدها TTL بگذارید. AWS توصیه می‌کند حتی اگر کش را دقیق باطل می‌کنید، TTL بگذارید تا اگر جایی در کد حذف کلید فراموش شد، داده کهنه بالاخره خودش منقضی شود.
  • TTL را با سرعت تغییر داده تنظیم کنید. صفحه درباره ما ممکن است ساعت‌ها کش شود؛ تعداد بازدید یک مطلب شاید فقط چند ثانیه.
  • با نوشتن، حذف کنید. هر مسیری که داده را تغییر می‌دهد، باید کلیدهای مرتبط را هم پاک کند. اگر یک داده در چند کلید کش شده (مثلاً محصول و فهرست محصولات دسته)، همه را بشناسید.
  • از KEYS * در محیط عملیاتی استفاده نکنید. این دستور کل فضای کلیدها را یکجا می‌گردد و مستندات Redis هشدار می‌دهد که روی پایگاه داده بزرگ می‌تواند کارایی را به‌شدت پایین بیاورد. برای پیمایش از SCAN استفاده کنید.

ساختارهای داده Redis برای کش

نوع کاربرد در کش دستورهای نمونه
String پاسخ API یا شیء سریال‌شده با JSON؛ شمارنده SET، GET، INCR
Hash شیئی که فیلدهایش جدا خوانده یا عوض می‌شوند HSET، HGET، HGETALL
List فهرست آخرین رویدادها یا مطالب LPUSH، LRANGE، LTRIM
Set عضویت یکتا، مثل شناسه‌های دیده‌شده SADD، SISMEMBER
Sorted Set رتبه‌بندی و جدول امتیاز ZADD، ZRANGE

برای Hash معمولاً انقضا روی کل کلید تعریف می‌شود؛ از Redis 7.4 با HEXPIRE می‌شود برای تک‌تک فیلدها هم انقضا گذاشت:

HSET user:42 name Sara plan pro
EXPIRE user:42 600
HGETALL user:42

وقتی حافظه پر می‌شود: سیاست‌های حذف

Redis همه داده را در RAM نگه می‌دارد، پس باید برایش سقف بگذارید. طبق مستندات Redis، مقدار صفر برای maxmemory یعنی بدون محدودیت و این رفتار پیش‌فرض سیستم‌های ۶۴بیتی است. وقتی به سقف برسید، maxmemory-policy تعیین می‌کند چه اتفاقی بیفتد. در نمونه‌ای که ما اجرا کردیم، مقدار پیش‌فرض noeviction بود؛ یعنی Redis چیزی را پاک نمی‌کند و به نوشتن‌های تازه خطا می‌دهد، که برای کش معمولاً همان چیزی نیست که می‌خواهید.

سیاست از بین کدام کلیدها کدام را حذف می‌کند
noeviction هیچ چیزی حذف نمی‌شود؛ نوشتن خطا می‌دهد
allkeys-lru همه کلیدها کم‌استفاده‌ترین در زمان اخیر
allkeys-lfu همه کلیدها کم‌تکرارترین
allkeys-random همه کلیدها تصادفی
volatile-lru / volatile-lfu / volatile-random فقط کلیدهای دارای TTL مثل نسخه‌های allkeys
volatile-ttl فقط کلیدهای دارای TTL کلیدی که TTL باقی‌مانده‌اش کمتر است

از Redis 8.6 دو سیاست allkeys-lrm و volatile-lrm هم اضافه شده که کلیدهایی را حذف می‌کنند که مدت‌ها تغییر نکرده‌اند، صرف‌نظر از اینکه چقدر خوانده می‌شوند. مستندات Redis می‌گوید اگر دلیل خاصی برای انتخاب دیگری ندارید، allkeys-lru گزینه پیش‌فرض خوبی است. نکته مهم دیگر: سیاست‌های volatile اگر هیچ کلیدی TTL نداشته باشد، مثل noeviction رفتار می‌کنند.

# redis.conf
maxmemory 256mb
maxmemory-policy allkeys-lru

برای سنجش کارایی کش، در خروجی INFO stats دو مقدار keyspace_hits و keyspace_misses را ببینید. نسبت برخورد از تقسیم برخوردها بر مجموع این دو به دست می‌آید.

دام‌های رایج کش

هجوم هم‌زمان (Cache Stampede)

وقتی یک کلید پرطرفدار منقضی می‌شود، صدها درخواست هم‌زمان آن را در کش پیدا نمی‌کنند و همه با هم همان کوئری سنگین را به پایگاه داده می‌فرستند. AWS این پدیده را Thundering Herd یا Dog Piling می‌نامد. دو راه ساده: TTL تصادفی که در کد بالا دیدید، و یک قفل کوتاه تا فقط یک درخواست داده را از نو بسازد:

def load_report() -> dict:
    time.sleep(0.5)  # stand-in for an expensive report query
    return {"rows": 10}


def get_report() -> dict:
    key = "report:daily"
    cached = r.get(key)
    if cached is not None:
        return json.loads(cached)

    # only one worker may rebuild; NX = set only if the key does not exist
    if r.set(f"lock:{key}", "1", nx=True, ex=10):
        try:
            data = load_report()
            r.set(key, json.dumps(data), ex=300)
            return data
        finally:
            r.delete(f"lock:{key}")

    time.sleep(0.1)  # someone else is rebuilding; wait and retry
    return get_report()

گزینه‌های NX و EX دستور SET باعث می‌شوند قفل فقط وقتی گرفته شود که وجود ندارد و اگر پردازش وسط کار از کار افتاد، بعد از ۱۰ ثانیه خودش آزاد شود. این قفل ساده برای یک نمونه Redis کافی است؛ در سیستم‌های حساس‌تر سقفی هم برای تعداد تلاش دوباره بگذارید.

داده کهنه

هر کش یعنی پذیرفتن مقداری کهنگی. پیش از کش کردن از خودتان بپرسید کاربر چند ثانیه یا دقیقه داده قدیمی را تحمل می‌کند و TTL را با همان عدد تنظیم کنید.

کلید مشترک برای داده شخصی

اگر پاسخ وابسته به کاربر است، شناسه کاربر باید در نام کلید باشد (cart:user:42). کلید اشتباه یعنی نشان دادن داده یک کاربر به کاربر دیگر؛ این یک باگ امنیتی است، نه فقط باگ کش.

Redis در دسترس اینترنت

Redis را هرگز روی رابط عمومی سرور باز نگذارید. مستندات امنیتی Redis تأکید می‌کند که Redis برای دسترسی کلاینت‌های مورد اعتماد در محیط مورد اعتماد طراحی شده است. آن را به 127.0.0.1 یا شبکه خصوصی محدود کنید، رمز یا ACL بگذارید و فایروال را ببندید؛ راهنمای امن کردن سرور Ubuntu نقطه شروع خوبی است.

وابستگی کامل به کش

اگر Redis پایین بیاید، برنامه نباید از کار بیفتد. خواندن و نوشتن کش را در try بگذارید و در صورت خطا مستقیم سراغ پایگاه داده بروید.

کجا نباید کش کرد؟

کش همیشه جواب نیست و پیچیدگی اضافه می‌کند. در این موارد دوبار فکر کنید:

  • داده‌ای که باید لحظه‌ای دقیق باشد، مثل موجودی حساب یا موجودی انبار در لحظه پرداخت.
  • داده‌ای که کم خوانده می‌شود؛ اگر هر کلید فقط یک بار خوانده شود، نسبت برخورد پایین است و فقط حافظه مصرف می‌کنید.
  • کوئری‌ای که خودش سریع است. گاهی یک ایندکس درست در پایگاه داده همان نتیجه را بدون لایه اضافه می‌دهد.
  • پیش از اندازه‌گیری. اول بفهمید گلوگاه کجاست؛ شاید کندی از شبکه، API بیرونی یا کد خودتان باشد.

اگر پاسخ‌های عمومی HTTP را کش می‌کنید، گاهی کش در لایه ریورس پراکسی ساده‌تر از کش در کد است؛ پیکربندی nginx جلوی اپلیکیشن را در آموزش ریورس پراکسی nginx توضیح داده‌ایم.

جمع‌بندی

کش با Redis وقتی خوب کار می‌کند که ساده شروع کنید: الگوی cache-aside، نام کلید ساختاریافته، TTL روی همه کلیدها، حذف کلید بعد از هر تغییر و یک سقف حافظه با سیاست allkeys-lru. بعد با keyspace_hits و keyspace_misses نتیجه را بسنجید و فقط برای کلیدهای واقعاً پرطرفدار سراغ قفل و ترفندهای پیشرفته‌تر بروید.

$ devna rate --article

—
هنوز رأیی ثبت نشده
  1. ۵۰
  2. ۴۰
  3. ۳۰
  4. ۲۰
  5. ۱۰

این مطلب چقدر به کارتان آمد؟

روی ستاره‌ها بزنید

واکنش شما

اولین نفری باشید که واکنش نشان می‌دهد.

پرسش‌های پرتکرار

کش با Redis برای چه نوع داده‌ای مناسب است؟

داده‌ای که زیاد خوانده و کم عوض می‌شود و ساختنش گران است؛ مثل صفحه محصول، نتیجه کوئری‌های گزارش، پاسخ API بیرونی یا نشست کاربر. داده‌ای که باید همیشه دقیق و لحظه‌ای باشد، مثل موجودی حساب، جای کش نیست.

اگر Redis از دسترس خارج شود، سایت از کار می‌افتد؟

نباید بیفتد. کش را طوری بنویسید که اگر Redis جواب نداد، خطا را ثبت کند و مستقیم سراغ پایگاه داده برود. سایت کندتر می‌شود اما کار می‌کند.

بعد از تغییر داده، کش را آپدیت کنم یا حذف؟

در بیشتر موارد حذف کلید ساده‌تر و امن‌تر است؛ درخواست بعدی نسخه تازه را از پایگاه داده می‌خواند و دوباره کش می‌کند. یک TTL معقول هم به‌عنوان تور ایمنی روی همه کلیدها بگذارید.

کدام سیاست حذف را انتخاب کنم؟

اگر Redis فقط کش است، مستندات Redis allkeys-lru را گزینه پیش‌فرض خوبی می‌داند. اگر داده دائمی هم در همان نمونه دارید، بهتر است دو نمونه جدا داشته باشید.

منابع

  1. Redis Docs — Key eviction
  2. Redis Docs — SET command
  3. Redis Docs — EXPIRE command
  4. Redis Docs — HEXPIRE
  5. Redis Docs — TTL command
  6. Redis Docs — KEYS command
  7. Redis Docs — Data types
  8. Redis Docs — redis-py guide
  9. Redis Docs — Security
  10. AWS — Caching Best Practices

خطایی در این مطلب دیدید؟ به تحریریه گزارش دهید؛ اصلاحیه‌ها طبق اصول تحریریه ثبت می‌شوند.

دیدگاه‌ها

۰/۲٬۰۰۰

دیدگاه‌ها پس از بررسی تحریریه منتشر می‌شوند. توهین، تبلیغ و لینک‌های بی‌ربط حذف می‌شوند؛ نقد فنی و مستند همیشه خوش‌آمد است.

$ comments --count۰

هنوز کسی چیزی ننوشته. اولین دیدگاه را شما ثبت کنید.

مطالب مرتبط