前言

四月份的時候，有位朋友去美團面試，他說被問到Redis與MySQL雙寫一致性如何保證？ 這道題其實就是在問緩存和數(shù)據(jù)庫在雙寫場景下，一致性是如何保證的？本文將跟大家一起來探討如何回答這個問題。

• github地址，感謝每一顆star

談?wù)勔恢滦?/h2>

一致性就是數(shù)據(jù)保持一致，在分布式系統(tǒng)中，可以理解為多個節(jié)點中數(shù)據(jù)的值是一致的。

• 強一致性：這種一致性級別是最符合用戶直覺的，它要求系統(tǒng)寫入什么，讀出來的也會是什么，用戶體驗好，但實現(xiàn)起來往往對系統(tǒng)的性能影響大
• 弱一致性：這種一致性級別約束了系統(tǒng)在寫入成功后，不承諾立即可以讀到寫入的值，也不承諾多久之后數(shù)據(jù)能夠達到一致，但會盡可能地保證到某個時間級別（比如秒級別）后，數(shù)據(jù)能夠達到一致狀態(tài)
• 最終一致性：最終一致性是弱一致性的一個特例，系統(tǒng)會保證在一定時間內(nèi)，能夠達到一個數(shù)據(jù)一致的狀態(tài)。這里之所以將最終一致性單獨提出來，是因為它是弱一致性中非常推崇的一種一致性模型，也是業(yè)界在大型分布式系統(tǒng)的數(shù)據(jù)一致性上比較推崇的模型

三個經(jīng)典的緩存模式

緩存可以提升性能、緩解數(shù)據(jù)庫壓力，但是使用緩存也會導(dǎo)致數(shù)據(jù)不一致性的問題。一般我們是如何使用緩存呢？有三種經(jīng)典的緩存模式：

• Cache-Aside Pattern
• Read-Through/Write through
• Write behind

Cache-Aside Pattern

Cache-Aside Pattern，即旁路緩存模式，它的提出是為了盡可能地解決緩存與數(shù)據(jù)庫的數(shù)據(jù)不一致問題。

Cache-Aside讀流程

Cache-Aside Pattern的讀請求流程如下：

1. 讀的時候，先讀緩存，緩存命中的話，直接返回數(shù)據(jù)
2. 緩存沒有命中的話，就去讀數(shù)據(jù)庫，從數(shù)據(jù)庫取出數(shù)據(jù)，放入緩存后，同時返回響應(yīng)。

Cache-Aside 寫流程

Cache-Aside Pattern的寫請求流程如下：

更新的時候，先更新數(shù)據(jù)庫，然后再刪除緩存。

Read-Through/Write-Through（讀寫穿透）

Read/Write Through模式中，服務(wù)端把緩存作為主要數(shù)據(jù)存儲。應(yīng)用程序跟數(shù)據(jù)庫緩存交互，都是通過抽象緩存層完成的。

Read-Through

Read-Through的簡要流程如下

1. 從緩存讀取數(shù)據(jù)，讀到直接返回
2. 如果讀取不到的話，從數(shù)據(jù)庫加載，寫入緩存后，再返回響應(yīng)。

這個簡要流程是不是跟Cache-Aside很像呢？其實Read-Through就是多了一層Cache-Provider，流程如下：

Read-Through實際只是在Cache-Aside之上進行了一層封裝，它會讓程序代碼變得更簡潔，同時也減少數(shù)據(jù)源上的負(fù)載。

Write-Through

Write-Through模式下，當(dāng)發(fā)生寫請求時，也是由緩存抽象層完成數(shù)據(jù)源和緩存數(shù)據(jù)的更新,流程如下：

Write behind （異步緩存寫入）

Write behind跟Read-Through/Write-Through有相似的地方，都是由Cache Provider來負(fù)責(zé)緩存和數(shù)據(jù)庫的讀寫。它兩又有個很大的不同：Read/Write Through是同步更新緩存和數(shù)據(jù)的，Write Behind則是只更新緩存，不直接更新數(shù)據(jù)庫，通過批量異步的方式來更新數(shù)據(jù)庫。

這種方式下，緩存和數(shù)據(jù)庫的一致性不強，對一致性要求高的系統(tǒng)要謹(jǐn)慎使用。但是它適合頻繁寫的場景，MySQL的InnoDB Buffer Pool機制就使用到這種模式。

操作緩存的時候，刪除緩存呢，還是更新緩存？

一般業(yè)務(wù)場景，我們使用的就是Cache-Aside模式。 有些小伙伴可能會問， Cache-Aside在寫入請求的時候，為什么是刪除緩存而不是更新緩存呢？

我們在操作緩存的時候，到底應(yīng)該刪除緩存還是更新緩存呢？我們先來看個例子：

1. 線程A先發(fā)起一個寫操作，第一步先更新數(shù)據(jù)庫
2. 線程B再發(fā)起一個寫操作，第二步更新了數(shù)據(jù)庫
3. 由于網(wǎng)絡(luò)等原因，線程B先更新了緩存
4. 線程A更新緩存。

這時候，緩存保存的是A的數(shù)據(jù)（老數(shù)據(jù)），數(shù)據(jù)庫保存的是B的數(shù)據(jù)（新數(shù)據(jù)），數(shù)據(jù)不一致了，臟數(shù)據(jù)出現(xiàn)啦。如果是刪除緩存取代更新緩存則不會出現(xiàn)這個臟數(shù)據(jù)問題。

更新緩存相對于刪除緩存，還有兩點劣勢：

• 如果你寫入的緩存值，是經(jīng)過復(fù)雜計算才得到的話。更新緩存頻率高的話，就浪費性能啦。
• 在寫數(shù)據(jù)庫場景多，讀數(shù)據(jù)場景少的情況下，數(shù)據(jù)很多時候還沒被讀取到，又被更新了，這也浪費了性能呢(實際上，寫多的場景，用緩存也不是很劃算了)

雙寫的情況下，先操作數(shù)據(jù)庫還是先操作緩存？

Cache-Aside緩存模式中，有些小伙伴還是有疑問，在寫入請求的時候，為什么是先操作數(shù)據(jù)庫呢？為什么不先操作緩存呢？

假設(shè)有A、B兩個請求，請求A做更新操作，請求B做查詢讀取操作。

1. 線程A發(fā)起一個寫操作，第一步del cache
2. 此時線程B發(fā)起一個讀操作，cache miss
3. 線程B繼續(xù)讀DB，讀出來一個老數(shù)據(jù)
4. 然后線程B把老數(shù)據(jù)設(shè)置入cache
5. 線程A寫入DB最新的數(shù)據(jù)

醬紫就有問題啦，緩存和數(shù)據(jù)庫的數(shù)據(jù)不一致了。緩存保存的是老數(shù)據(jù)，數(shù)據(jù)庫保存的是新數(shù)據(jù)。因此，Cache-Aside緩存模式，選擇了先操作數(shù)據(jù)庫而不是先操作緩存。

緩存延時雙刪

有些小伙伴可能會說，不一定要先操作數(shù)據(jù)庫呀，采用緩存延時雙刪策略就好啦？什么是延時雙刪呢？

1. 先刪除緩存
2. 再更新數(shù)據(jù)庫
3. 休眠一會（比如1秒），再次刪除緩存。

這個休眠一會，一般多久呢？都是1秒？

這個休眠時間 = 讀業(yè)務(wù)邏輯數(shù)據(jù)的耗時 + 幾百毫秒。 為了確保讀請求結(jié)束，寫請求可以刪除讀請求可能帶來的緩存臟數(shù)據(jù)。

刪除緩存重試機制

不管是延時雙刪還是Cache-Aside的先操作數(shù)據(jù)庫再刪除緩存，如果第二步的刪除緩存失敗呢，刪除失敗會導(dǎo)致臟數(shù)據(jù)哦~

刪除失敗就多刪除幾次呀,保證刪除緩存成功呀~ 所以可以引入刪除緩存重試機制

1. 寫請求更新數(shù)據(jù)庫
2. 緩存因為某些原因，刪除失敗
3. 把刪除失敗的key放到消息隊列
4. 消費消息隊列的消息，獲取要刪除的key
5. 重試刪除緩存操作

讀取biglog異步刪除緩存

重試刪除緩存機制還可以，就是會造成好多業(yè)務(wù)代碼入侵。其實，還可以通過數(shù)據(jù)庫的binlog來異步淘汰key。

以mysql為例 可以使用阿里的canal將binlog日志采集發(fā)送到MQ隊列里面，然后通過ACK機制確認(rèn)處理這條更新消息，刪除緩存，保證數(shù)據(jù)緩存一致性

推薦學(xué)習(xí)：《Redis視頻教程》