数据库跟缓存的双写一致性怎么理解

1 关于一致性

为加速系统性能一般都会引入缓存机制，比如 Redis。这种情况下当用户读数据时一般会按照如下流程：

 

1. 先更新数据库再更新缓存。

2. 先删缓存再更新数据库。

3. 先更新数据库再删缓存。

2 一致性解决方法

2.1 缓存TTL

简单直接又暴力的方法，如果有些数据不重要，我们读完一次数据到缓存后设置个TTL即可，等待超时后缓存自动从数据库读取下数据。

2.2  先更新数据库 再更新缓存

假如我们有A、B两个请求，A请求将age = 14，B请求将age = 12。我们看下正常执行跟非正常执行情况：

 

1. 写场景多而读场景少的业务需求，此时缓存不是经常性的读，却被频繁的更新。

2. 如果缓存的数据是经过各种复杂计算后写入的，那每次写入缓存都要运算一次，此法不可取。

2.3 先删缓存 再更新数据库

假如A先请求更改数据，B请求读数据，如果因为网络导致发生如下情况也会造成缓存脏数据，如果此时缓存没有设置TTL那会一直是脏数据。

 

public  void write(String key,Object value){
    redis.delKey(key);
    db.updateValue(value);
    Thread.sleep(1000); // 再次删除
    redis.delKey(key);
}

该思路落实到流程图上如下所示：

 

当然如果用的是主从写读架构，那处理思路跟上面类似，无非就是休眠时间再加上主从同步的时间即可。

 

1. 二次删除前面涉及到休眠，可能导致系统性能降低，可以采用异步的方式，再起一个线程来进行异步删除。

2. 如果二次删除失败了，还是会导致缓存脏数据存在的啊！

2.4 先更新数据库 再删缓存

针对缓存更新问题，老外提出了一个名为《Cache-Aside pattern》的缓存更新套路，该策略在Facebook中也广泛使用，该策略指出：

1. 失效：应用程序先从缓存取数据，没有得到，则从数据库中取数据，成功后，放到缓存中。

2. 命中：应用程序从缓存中取数据，取到后返回。

3. 更新：先把数据存到数据库中，成功后，再让缓存失效。

假如此时A、B两个线程同时请求，正常来讲不管你是读写分离还是单机版，读一般比写快。那删除缓存一般是有效的。

 

 

2.5 消息队列 确保消息删除

通过消息队列的确认消费机制来删除缓存。

 

1. 对业务线代码造成大量的侵入，引入了中间件。

2. 消息的延迟删除也会造成短暂的不一致。

2.6 专门程序+消息队列 确保消息删除

该方案启动一个订阅程序去订阅数据库的binlog，获得需要操作的数据。在应用程序中，另起一段程序，获得这个订阅程序传来的信息，进行删除缓存操作。