高并发场景下缓存+数据库双写不一致问题分析与解决方案设计

Redis是企业级系统高并发、高可用架构中很是重要的一个环节。Redis主要解决了关系型数据库并发量低的问题，有助于缓解关系型数据库在高并发场景下的压力，提升系统的吞吐量（具体Redis是如何提升系统的性能、吞吐量，后面会专门讲）。

而咱们在Redis的实际使用过程当中，不免会遇到缓存与数据库双写时数据不一致的问题，这也是咱们必需要考虑的问题。若是还有同窗不了解这个问题，能够搬小板凳来听听啦。

1、数据库+缓存双写不一致问题引入

要讲数据库+缓存双写不一致的问题，就须要先讲一下这个问题是怎么发生的。咱们选择电商系统中要求数据实时性较高的库存服务来举例讲讲这个问题。

库存可能会修改，每次修改数据库的同时也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，前端对库存数据的请求都会发送给库存服务，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缓存吗？实际上不是，由于没有这么简单。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，给你们分享一下。

2、各类级别的不一致问题及解决方案

1.最初级的缓存不一致问题及解决方案

问题

若是是先修改数据库，再删除缓存的方案，会有问题，试想，若是删除缓存失败了，那么会致使数据库中是新数据，缓存中是旧数据，出现数据不一致的状况。

解决思路

反过来，先删除缓存，再修改数据库。读缓存读不到，查数据库更新缓存的时候就拿到了最新的库存数据。若是删除缓存成功了，而修改数据库失败了，那么数据库中依旧是旧数据，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。

2.比较复杂的数据不一致问题分析

当库存数据发生了变动，咱们先删除了缓存，而后要去修改数据库。

设想一下，若是这个时候修改数据库的操做还没来及完成，忽然一个请求过来，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。

数据变动的操做完成后数据库的库存被修改为了新值，但缓存中又变成了旧数据。那么这个时候是否是还会出现缓存和数据库不一致的状况？

3.为什么上亿流量高并发时会出现该问题？

上述问题，只有在对一个数据在并发的进行读写的时候，才可能会出现。

其实若是并发量很低的话，特别是读并发很低，天天访问量就1万次，那么不多的状况下，会出现刚才描述的那种不一致的场景。

可是问题是，高并发了之后，问题是不少的。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。

怎么解决？

4.更新与读取操做进行异步串行化

这里说一种解决方案。

不就是还没更新数据库的就查数据库读到旧数据吗？不就是由于读在更新前面了吗？那我就让你排队执行呗。

4.1 异步串行化

我在系统内部维护n个内存队列，更新数据的时候，根据数据的惟一标识，将该操做路由以后，发送到其中一个jvm内部的内存队列中（对同一数据的请求发送到同一个队列）。读取数据的时候，若是发现数据不在缓存中，而且此时队列里有更新库存的操做，那么将从新读取数据+更新缓存的操做，根据惟一标识路由以后，也将发送到同一个jvm内部的内存队列中。而后每一个队列对应一个工做线程，每一个工做线程串行地拿到对应的操做，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，而后再去更新数据库，可是还没完成更新的时候，若是此时一个读请求过来，读到了空的缓存，那么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，排在刚才更新库的操做以后，而后同步等待缓存更新完成，再读库。

4.2 读操做去重

多个读库更新缓存的请求串在同一个队列中是没意义的，所以能够作过滤，若是发现队列中已经有了该数据的更新缓存的请求了，那么就不用再放进去了，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（数据库的修改）以后，才会去执行下一个操做（读库更新缓存），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，不断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。（返回旧值不是又致使缓存和数据库不一致了么？那至少能够减小这个状况发生，由于等待超时也不是每次都是，概率很小吧。这里我想的是，若是超时了就直接读旧值，这时候仅仅是读库后返回而不放缓存）

5.高并发的场景下，该方案要注意的问题

高并发的场景下，该解决方案其实仍是有一些问题须要特别注意的。

5.1 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，数据更新很频繁的状况下致使队列中积压了大量更新操做在里面，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取到了旧值。因此，务必经过一些模拟真实的测试，看看更新数据频繁的场景下是怎样的。

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，肯定一个实例中建立多少个内存队列，且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积压100个商品的库存修改操做，每一个库存修改操做要耗费10ms去完成，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，并且你计算事后，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。

Tips:
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。

假如一秒500的写操做，能够当作5份，每200ms就100个写操做。对于单机器，若是又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。

假如写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，可能遇到读和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。

5.2 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。

Tips:
若是按1:99的比例计算写和读的请求，那么每秒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，可能致使多少读缓存的请求，发送读请求到库存服务来，要求更新缓存。

通常来讲，按1:2的话，每秒钟有1000个读请求去读这500个正在更新库的数据，就会有1000个请求hang在库存服务上，若是规定每一个请求200ms就返回，那么每一个读请求最多hang多少时间，这个必定要测算好。

在同一时间最多hang住的可能也就是单机200个读请求，最坏的同时hang住，单机hang200个读请求，仍是ok的。

可是假如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。

5.3 多服务实例部署的请求路由

可能这个库存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，对于同一商品的读写请求所有路由到同一台机器上。能够本身去作服务间的按照某个请求的参数作hash路由，也能够经过nginx服务器hash路由的功能路由到相同的服务实例上。

5.4 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。

可是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。

3、总结

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，那最好不要上述的串行化的这个方案，由于读请求和写请求串行化，串到一个内存队列里去，这样是能够保证必定不会出现不一致的状况。可是，串行化以后，就会致使系统的吞吐量会大幅度的下降，你就须要用比正常状况下多几倍的机器去支撑线上的一个请求。

另外，不是说，讲课的、写文章的就是超人，万能的。就跟写书同样，极可能会写错，也可能有些方案里的一些地方，没考虑到。或者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。

若是你们以为对这些方案有什么疑问或者看法，均可以沟通交流。若是的确以为是讲解的不对，或者有些地方考虑不周，那么都是能够交流的，多多包涵。