前言

四月份的時候，有位好朋友去美團面試。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。

• 公眾號：撿田螺的小男孩

談談一致性

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)典的緩存使用模式：

•  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：

Cache-Aside讀請求

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。

Cache-Aside 寫流程

Cache-Aside Pattern的寫請求流程如下：

Cache-Aside寫請求

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，服務端把緩存作為主要數(shù)據(jù)存儲。應用程序跟數(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

Read-Through簡要流程

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。

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而已，流程如下：

Read-Through流程

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)源上的負載。

Write-Through

Write-Through模式下，當發(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來負責緩存和數(shù)據(jù)庫的讀寫。它們又有個很大的不同：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。

Write behind流程

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，到底是刪除緩存呢，還是更新緩存？

日常開發(fā)中，我們一般使用的就是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？

Cache-Aside寫入流程

我們在操作緩存的時候，到底應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的,哈哈)

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，有些小伙伴還是會有疑問，在寫請求過來的時候，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。

•  個別小伙伴可能會問，先操作數(shù)據(jù)庫再操作緩存，不一樣也會導致數(shù)據(jù)不一致嘛？它倆又不是原子性操作的。這個是會的，但是這種方式，一般因為刪除緩存失敗等原因，才會導致臟數(shù)據(jù)，這個概率就很低。小伙伴們可以畫下操作流程圖，自己先分析下哈。接下來我們再來分析這種刪除緩存失敗的情況，如何保證一致性。

數(shù)據(jù)庫和緩存數(shù)據(jù)保持強一致，可以嘛？

實際上，沒辦法做到數(shù)據(jù)庫與緩存絕對的一致性。

•  加鎖可以嘛？并發(fā)寫期間加鎖，任何讀操作不寫入緩存？
•  緩存及數(shù)據(jù)庫封裝CAS樂觀鎖，更新緩存時通過lua腳本？
•  分布式事務，3PC？TCC？

其實，這是由CAP理論決定的。緩存系統(tǒng)適用的場景就是非強一致性的場景，它屬于CAP中的AP。個人覺得，追求絕對一致性的業(yè)務場景，不適合引入緩存。

    ★    CAP理論，指的是在一個分布式系統(tǒng)中， Consistency（一致性）、 Availability（可用性）、Partition tolerance（分區(qū)容錯性），三者不可得兼。”

但是，通過一些方案優(yōu)化處理，是可以保證弱一致性，最終一致性的。

3種方案保證數(shù)據(jù)庫與緩存的一致性

緩存延時雙刪

有些小伙伴可能會說，并不一定要先操作數(shù)據(jù)庫呀，采用緩存延時雙刪策略，就可以保證數(shù)據(jù)的一致性啦。什么是延時雙刪呢？

延時雙刪流程

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)務邏輯數(shù)據(jù)的耗時 + 幾百毫秒。為了確保讀請求結束，寫請求可以刪除讀請求可能帶來的緩存臟數(shù)據(jù)。”

這種方案還算可以，只有休眠那一會（比如就那1秒），可能有臟數(shù)據(jù)，一般業(yè)務也會接受的。但是如果第二次刪除緩存失敗呢？緩存和數(shù)據(jù)庫的數(shù)據(jù)還是可能不一致，對吧？給Key設置一個自然的expire過期時間，讓它自動過期怎樣？那業(yè)務要接受過期時間內(nèi)，數(shù)據(jù)的不一致咯？還是有其他更佳方案呢？

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，都可能會存在第二步的刪除緩存失敗，導致的數(shù)據(jù)不一致問題?？梢允褂眠@個方案優(yōu)化：刪除失敗就多刪除幾次呀,保證刪除緩存成功就可以了呀~ 所以可以引入刪除緩存重試機制

刪除緩存重試流程

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吧，就是會造成好多業(yè)務代碼入侵。其實，還可以這樣優(yōu)化：通過數(shù)據(jù)庫的binlog來異步淘汰key。

以mysql為例吧

•  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機制確認處理這條更新消息，刪除緩存，保證數(shù)據(jù)緩存一致性