美团路径缓存淘汰策略全解析（性能 vs 精度 vs 成本的三难选择）

📌 一、背景：为什么需要路径缓存？

在美团骑手实时导航系统中，每天超过 5 亿次路径规划请求，如果每次都重新计算：

❌ 地图服务调用次数剧增（高德/自研）
❌ 响应延迟上升，影响 ETA 和调度时效
❌ 多个相似订单浪费计算资源

所以我们引入了路径缓存服务 PathCache，用于加速以下场景：

相似起终点订单（比如同小区商户 → 楼盘外卖点）
骑手换单前后的路径尝试
派单调度模拟（每个骑手尝试不同路径）

📌 二、路径缓存的基本结构

✅ 缓存 Key 设计

ts 复制代码

cacheKey = `${startLat}_${startLng}_${endLat}_${endLng}_${timeSlice}`

加入时间片段（例如 15分钟粒度）避免老路况影响精度。

✅ 缓存 Value 结构（简化）

ts 复制代码

interface PathCacheEntry {
  route: RouteSegment[];       // 路线分段信息
  score: number;               // 规划打分
  trafficLevel: string;        // 当时的路况等级
  createTime: number;          // 路径生成时间戳
  usedCount: number;           // 被命中次数
  etaSnapshot: number;         // 当时 ETA 值
}

📌 三、淘汰策略设计核心：缓存不能太旧，也不能太少

我们评估过以下淘汰算法：

策略	特点	是否使用
FIFO	简单，但命中率低	否 ❌
LRU	保活常用路径，适合骑手高频路线	是 ✅
LFU	命中频率优先，但会留"老废数据"	否 ❌
TTL+LRU	LRU为主，超期也淘汰	是 ✅
自定义分级	热路网保留更久，冷路快淘汰	是 ✅

📦 四、核心实现片段（Node.js 伪代码）

✅ 路径缓存读写：

js 复制代码

const cacheMap = new Map()

function getPathFromCache(key) {
  const entry = cacheMap.get(key)
  if (!entry) return null

  const now = Date.now()
  if (now - entry.createTime > 10 * 60 * 1000) { // 超过10分钟失效
    cacheMap.delete(key)
    return null
  }

  entry.usedCount += 1
  return entry
}

function savePathToCache(key, data) {
  cacheMap.set(key, {
    ...data,
    createTime: Date.now(),
    usedCount: 1
  })
}

✅ 淘汰策略：定时任务 + 限制容量

js 复制代码

const MAX_CACHE_SIZE = 100000

setInterval(() => {
  const entries = Array.from(cacheMap.entries())

  // 超时 + 命中次数低 的组合淘汰策略
  entries.sort((a, b) => {
    return a[1].usedCount - b[1].usedCount
  })

  if (entries.length > MAX_CACHE_SIZE) {
    const dropCount = entries.length - MAX_CACHE_SIZE
    for (let i = 0; i < dropCount; i++) {
      cacheMap.delete(entries[i][0])
    }
  }
}, 60000)

📈 五、缓存命中率优化方案（真实策略）

✅ 1. 起终点"相似化"

通过对经纬度 hash 到格子区域：

ts 复制代码

function simplifyCoord(lat, lng) {
  return `${Math.round(lat * 1000)},${Math.round(lng * 1000)}`
}

命中率提升约 23.1%

✅ 2. 多路缓存（小批量候选）

为了防止主缓存被挤爆，我们引入 冷热分级策略：

text 复制代码

一级缓存：热门路径（热门商圈配送） → Redis
二级缓存：普通路径 → LRU 本地缓存
三级备份：异步写入本地 LevelDB

✅ 3. 同区域同向缓存迁移

举例：

A小区 → 商场B 的路径，可应用到 A小区 → 商场B 门口快递点，只需增补尾段

这种近似路径继承策略 ，帮助我们降低路径规划调用约 14.7%

📊 六、实战效果对比

指标	未优化	使用 PathCache（全策略）
平均路径耗时	123ms	23ms
地图服务 QPS 降低	-	减少 67% 请求
缓存命中率	18%	64.5%
错误路径命中率	-	< 0.9%（有 ETA 反查兜底）

📌 七、工程挑战总结

挑战	解决策略
异常旧路径未失效	TTL+并发清理
路况快速波动	加入时间片 hash
高峰缓存击穿	Redis 热点缓存 + fallback 兜底
多版本路径重复命中	增加 `algo_version` 区分 key

✅ 总结

路径缓存系统是一个低成本、高收益的优化方案，但做好它不简单：

要理解"骑手路径行为"和"地理分布模式"
要能高效设计缓存 key、淘汰策略、实时清理
要和 ETA 模型打通，确保预测数据不过时
要可观测、可复盘、可 Debug（日志审计 + 兜底机制）