随着Internet的飞速发展,证券、银行等大型金融信息系统积累了海量的用户数据,数据量和用户数的剧增,给这些系统带来了很大的压力。如何有效减少用户访问延时,提高系统服务质量是一个迫切需要解决的难题,Web缓存技术可以极大的提高系统的响应速度,然而传统的缓存策略只是着眼于单个用户的访问习惯,没有从全盘考虑缓存性能,或者需要加载所有数据才能判断哪些数据是需要缓存的,对于海量数据来说,加载所有数据是不可能的,因此,本文针对海量数据的缓存策略和如何设计缓存系统,做了以下几个方面的工作：(1)针对海量数据如何剔除那些冗余的数据,只提取对系统有用的核心数据进行缓存,提出了基于规则引擎的数据精简模式(REBDR, Rules Engine-Based Data Reduction design pattern),采用规则引擎作为数据预处理的核心,而不是传统上的将数据预处理逻辑固化在代码中,从而让数据预处理逻辑和应用代码之间获得了很好的分离。数据精简的规则可灵活定制,能够适应不同行业的业务需求,并且可以快速响应业务需求的变动,该模式具有通用性。(2)对于海量数据,经过数据精简后,也往往无法全部加载到缓存中,因此我们提出了基于装载因子的数据缓存策略,该算法无需加载所有数据到内存中,根据数据的装载因子即能做出是否缓存的策略,通过仿真测试,该缓存策略相比传统的缓存策略,命中率更高,在系统的吞吐量获得成倍增长的同时大幅降低了系统的响应时延。(3)设计实现了“电子银行风险监控系统”,通过应用REBDR模式和基于装载因子的数据缓存策略,解决了系统最关键的性能问题,该系统拥有很高的灵活性,为国内银行开展电子银行实时风险监控打下了坚实的基础,目前,国内未见有其它满足银行海量交易实时监控性能要求的产品。