【面试】如何保证缓存与数据库的双写一致性？

1 面试题

如何保证缓存与数据库的双写一致性？

2 考点分析

你只要用缓存，就可能会涉及到缓存与数据库双存储双写，你只要是双写，就必定会有数据一致性的问题，那么你如何解决一致性问题？

3 详解

通常来讲，就是若是你的系统不是严格要求缓存+数据库必须一致性的话，缓存能够稍微的跟数据库偶尔有不一致的状况，最好不要作这个方案

读请求和写请求串行化，串到一个内存队列里去，这样就能够保证必定不会出现不一致的状况

串行化以后，就会致使系统的吞吐量会大幅度的下降，用比正常状况下多几倍的机器去支撑线上的一个请求。

3.1 Cache Aside Pattern缓存+数据库读写模式的分析

最经典的缓存+数据库读写的模式 cache aside pattern

3.1.1 Cache Aside Pattern

（1）读的时候，先读缓存，缓存没有的话，就读数据库，而后取出数据后放入缓存，同时返回响应

（2）更新的时候，先删除缓存，而后再更新数据库

• cache aside pattern
  

3.1.2 为何是删除缓存，而不是更新缓存呢？

不少时候，复杂点的缓存的场景，由于缓存有的时候，不单是数据库中直接取出来的值

商品详情页的系统，修改库存，只是修改了某个表的某些字段，可是要真正把这个影响的最终的库存计算出来，可能还须要从其余表查询一些数据，而后进行一些复杂的运算，才能最终计算出

如今最新的库存是多少，而后才能将库存更新到缓存中去

好比可能更新了某个表的一个字段，而后其对应的缓存，是须要查询另外两个表的数据，并运算，才能计算出缓存最新的值的

更新缓存的代价是很高的

是否是说，每次修改数据库的时候，都必定要将其对应的缓存去更新一份？
也许有的场景是这样的，可是对于比较复杂的缓存数据计算的场景，就不是这样了

若是你频繁修改一个缓存涉及的多个表，那么这个缓存会被频繁的更新，频繁的更新缓存

可是问题在于，这个缓存到底会不会被频繁访问到？？？

举个例子，一个缓存涉及的表的字段，在1分钟内就修改了20次，或者是100次，那么缓存更新20次，100次; 可是这个缓存在1分钟内就被读取了1次，有大量的冷数据

28法则，黄金法则，20%的数据，占用了80%的访问量

实际上，若是你只是删除缓存的话，那么1分钟内，这个缓存不过就从新计算一次而已，开销大幅度下降

每次数据过来，就只是删除缓存，而后修改数据库，若是这个缓存，在1分钟内只是被访问了1次，那么只有那1次，缓存是要被从新计算的，用缓存才去算缓存

其实删除缓存，而不是更新缓存，就是一个惰性延迟计算的思想，不要每次都从新作复杂的计算，无论它会不会用到，而是让它到须要被使用的时候再从新计算

mybatis，hibernate，懒加载，思想

查询一个部门，部门带了一个员工的list，没有必要说每次查询部门，都里面的1000个员工的数据也同时查出来啊

80%的状况，查这个部门，就只是要访问这个部门的信息就能够了

先查部门，同时要访问里面的员工，那么这个时候只有在你要访问里面的员工的时候，才会去数据库里面查询1000个员工

更多缓存设计模式请阅读
大行缓存更新之道.md

3.2 高并发场景下的缓存+数据库双写不一致问题分析与解决方案设计

开发业务系统

从哪一步开始作，从比较简单的那块开始作，实时性要求比较高的那块数据的缓存去作

实时性比较高的数据缓存，就是库存的服务

库存可能会修改，每次修改都要去更新这个缓存数据; 每次库存的数据，在缓存中一旦过时，或者是被清理掉了，前端的nginx服务都会发送请求给库存服务，去获取相应的数据

库存这一块，写数据库的时候，直接更新redis缓存

实际上没有这么的简单，这里，其实就涉及到了一个问题

数据库与缓存双写，数据不一致的问题

围绕和结合实时性较高的库存服务，把数据库与缓存双写不一致问题以及其解决方案，给你们讲解一下

数据库与缓存双写不一致，很常见的问题，大型的缓存架构中，第一个解决方案

也可能说，有些方案只是适合某些场景，在某些场景下，可能须要你进行方案的优化和调整才能适用于你本身的项目

3.2.1 最初级的缓存不一致问题以及解决方案

Q：先修改数据库，再删除缓存，若是缓存删除失败，那么会致使数据库中是新数据，缓存中是旧数据，数据出现不一致!

• 最初级的数据库+缓存双写不一致问题
  

A:先删除缓存，再修改数据库，若是删除缓存成功了，若是修改数据库失败了，那么数据库中是旧数据，缓存中是空的，那么数据不会不一致

由于读的时候缓存没有，则读数据库中旧数据，而后更新到缓存中

3.2.2 比较复杂的数据不一致问题分析

数据发生了变动，先删除了缓存，而后要去修改数据库，此时还没修改

一个请求过来，去读缓存，发现缓存空了，去查询数据库，查到了修改前的旧数据，放到了缓存中

数据变动的程序完成了数据库的修改

完了，数据库和缓存中的数据不同了。。。。

3.2.3 为何上亿流量高并发场景下，缓存会出现这个问题？

只有在对一个数据在并发读写时，才可能会出现这种问题

其实若是说你的并发量很低的话，特别是读很低，天天访问量就1万次，那么不多会出现刚才描述的那种不一致的场景

但问题是，若是天天的是上亿的流量，每秒并发读是几万，每秒只要有数据更新的请求，就可能会出现上述的数据库+缓存不一致的状况

高并发了之后，问题是不少的

3.2.4 数据库 & 缓存更新与读取 异步串行化

更新数据的时候，根据数据的惟一标识，将操做路由以后，发送到一个JVM内部的队列中

读数据的时候，若是发现数据不在缓存中，那么将重读数据+更新缓存，根据惟一标识路由以后，也发送同一个JVM内部的队列中

一个队列对应一个工做线程

每一个工做线程串行拿到对应的操做，而后一条一条的执行

这样的话，一个数据变动的操做，先执行删除缓存，而后再更新数据库，可是还没完成更新

此时若是一个读请求过来，读到了空缓存，则能够先将缓存更新的请求发送到队列中，此时会在队列中积压，而后同步等待缓存更新完成

这里有一个优化点，一个队列中，其实多个更新缓存请求串在一块儿是没意义的，所以能够作过滤，若是发现队列中已经有一个更新缓存的请求了，那么就不用再放个更新请求操做进去了，直接等待前面的更新操做请求完成便可

待那个队列对应的工做线程完成了上一个操做的数据库的修改以后，才会去执行下一个操做，也就是缓存更新的操做，此时会从数据库中读取最新的值，而后写入缓存中

• 若是请求还在等待时间范围内，轮询发现能够取到值了，那么就直接返回

  • 若是请求等待的时间超过必定时长，那么这一次直接从数据库中读取当前的旧值

3.2.5 高并发的场景下，该解决方案要注意的问题

（1）读请求长时阻塞

因为读请求进行了很是轻度的异步化，因此必定要注意读超时的问题，每一个读请求必须在超时时间范围内返回

该解决方案，最大的风险点在于，可能数据更新很频繁，致使队列中积压了大量更新操做，而后读请求会发生大量的超时，最后致使大量的请求直接走数据库

务必经过一些模拟真实的测试，看看更新数据的频繁是怎样的

另一点，由于一个队列中，可能会积压针对多个数据项的更新操做，所以须要根据本身的业务状况进行测试，可能须要部署多个服务，每一个服务分摊一些数据的更新操做

若是一个内存队列里竟然会挤压100个商品的库存修改操做，每隔库存修改操做要耗费10ms区完成，那么最后一个商品的读请求，可能等待10 * 100 = 1000ms = 1s后，才能获得数据

这个时候就致使读请求的长时阻塞

必定要作根据实际业务系统的运行状况，去进行一些压力测试，和模拟线上环境，去看看最繁忙的时候，内存队列可能会挤压多少更新操做，可能会致使最后一个更新操做对应的读请求，会hang多少时间，若是读请求在200ms返回，若是你计算事后，哪怕是最繁忙的时候，积压10个更新操做，最多等待200ms，那还能够的

若是一个内存队列可能积压的更新操做特别多，那么你就要加机器，让每一个机器上部署的服务实例处理更少的数据，那么每一个内存队列中积压的更新操做就会越少

其实根据以前的项目经验，通常来讲数据的写频率是很低的，所以实际上正常来讲，在队列中积压的更新操做应该是不多的

针对读高并发，读缓存架构的项目，通常写请求相对读来讲，是很是很是少的，每秒的QPS能到几百就不错了

一秒，500的写操做，5份，每200ms，就100个写操做

单机器，20个内存队列，每一个内存队列，可能就积压5个写操做，每一个写操做性能测试后，通常在20ms左右就完成

那么针对每一个内存队列中的数据的读请求，也就最多hang一下子，200ms之内确定能返回了

写QPS扩大10倍，可是通过刚才的测算，就知道，单机支撑写QPS几百没问题，那么就扩容机器，扩容10倍的机器，10台机器，每一个机器20个队列，200个队列

大部分的状况下，应该是这样的，大量的读请求过来，都是直接走缓存取到数据的

少许状况下，可能遇到读跟数据更新冲突的状况，如上所述，那么此时更新操做若是先入队列，以后可能会瞬间来了对这个数据大量的读请求，可是由于作了去重的优化，因此也就一个更新缓存的操做跟在它后面

等数据更新完了，读请求触发的缓存更新操做也完成，而后临时等待的读请求所有能够读到缓存中的数据

(2）读请求并发量太高

这里还必须作好压力测试，确保恰巧碰上上述状况的时候，还有一个风险，就是忽然间大量读请求会在几十毫秒的延时hang在服务上，看服务能不能抗的住，须要多少机器才能抗住最大的极限状况的峰值

可是由于并非全部的数据都在同一时间更新，缓存也不会同一时间失效，因此每次可能也就是少数数据的缓存失效了，而后那些数据对应的读请求过来，并发量应该也不会特别大

按1:99的比例计算读和写的请求，每秒5万的读QPS，可能只有500次更新操做

若是一秒有500的写QPS，那么要测算好，可能写操做影响的数据有500条，这500条数据在缓存中失效后，可能致使多少读请求，发送读请求到库存服务来，要求更新缓存

通常来讲，1:1，1:2，1:3，每秒钟有1000个读请求，会hang在库存服务上，每一个读请求最多hang多少时间，200ms就会返回

在同一时间最多hang住的可能也就是单机200个读请求，同时hang住

单机hang200个读请求，仍是ok的

1:20，每秒更新500条数据，这500秒数据对应的读请求，会有20 * 500 = 1万

1万个读请求所有hang在库存服务上，就死定了

（3）多服务实例部署的请求路由

可能这个服务部署了多个实例，那么必须保证说，执行数据更新操做，以及执行缓存更新操做的请求，都经过nginx服务器路由到相同的服务实例上

（4）热点商品的路由问题，致使请求的倾斜

万一某个商品的读写请求特别高，所有打到相同的机器的相同的队列里面去了，可能形成某台机器的压力过大

就是说，由于只有在商品数据更新的时候才会清空缓存，而后才会致使读写并发，因此更新频率不是过高的话，这个问题的影响并非特别大

可是的确可能某些机器的负载会高一些