亿级流量高并发场景下，如何保证缓存与数据库的双写一致性？

扫描下方海报二维码，试听课程：

（课程详细大纲，请参见文末）

============================================

本文是公众号读者魏武归心的投稿

感谢魏武归心同窗的技术分享

============================================

相信只要是个稍微像样点的互联网公司，或多或少都有本身的一套缓存体

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，遂笔者想在这想和你们聊一聊：如何解决一致性问题？

如何保证缓存与数据库双写一致性，也是如今Java面试中面试官很是喜欢问的一个问题！

通常来讲，若是容许缓存能够稍微跟数据库偶尔有不一致，也就是说若是你的系统不是严格要求 缓存 + 数据库 必须保持一致性的话，最好不要作这个方案。

即：读请求和写请求串行化，串到一个内存队列里去，从而达到防止并发请求致使数据错乱的问题，场景如图所示：

值得注意的是，串行化能够保证必定不会出现不一致的状况，可是它也会致使系统的吞吐量大幅度下降，用比正常状况下多几倍的机器去支撑线上的一个请求（土豪请自觉无视此提醒）

解决思路以下图：

代码实现大体以下：

/**
 * 请求异步处理的service实现
 * @author Administrator
 *
 */
@Service("requestAsyncProcessService")  
public class RequestAsyncProcessServiceImpl implements RequestAsyncProcessService {
  
  @Override
  public void process(Request request) {
    try {
      // 先作读请求的去重
      RequestQueue requestQueue = RequestQueue.getInstance();
      Map<Integer, Boolean> flagMap = requestQueue.getFlagMap();
      
      if(request instanceof ProductInventoryDBUpdateRequest) {
        // 若是是一个更新数据库的请求，那么就将那个productId对应的标识设置为true
        flagMap.put(request.getProductId(), true);
      } else if(request instanceof ProductInventoryCacheRefreshRequest) {
        Boolean flag = flagMap.get(request.getProductId());
        
        // 若是flag是null
        if(flag == null) {
          flagMap.put(request.getProductId(), false);
        }
        
        // 若是是缓存刷新的请求，那么就判断，若是标识不为空，并且是true，就说明以前有一个这个商品的数据库更新请求
        if(flag != null && flag) {
          flagMap.put(request.getProductId(), false);
        }
        
        // 若是是缓存刷新的请求，并且发现标识不为空，可是标识是false
        // 说明前面已经有一个数据库更新请求+一个缓存刷新请求了，你们想想
        if(flag != null && !flag) {
          // 对于这种读请求，直接就过滤掉，不要放到后面的内存队列里面去了
          return;
        }
      }
      
      // 作请求的路由，根据每一个请求的商品id，路由到对应的内存队列中去
      ArrayBlockingQueue<Request> queue = getRoutingQueue(request.getProductId());
      // 将请求放入对应的队列中，完成路由操做
      queue.put(request);
    } catch (Exception e) {
      e.printStackTrace();
    }
  }
  
  /**
   * 获取路由到的内存队列
   * @param productId 商品id
   * @return 内存队列
   */
  private ArrayBlockingQueue<Request> getRoutingQueue(Integer productId) {
    RequestQueue requestQueue = RequestQueue.getInstance();
    
    // 先获取productId的hash值
    String key = String.valueOf(productId);
    int h;
    int hash = (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16);
    
    // 对hash值取模，将hash值路由到指定的内存队列中，好比内存队列大小8
    // 用内存队列的数量对hash值取模以后，结果必定是在0~7之间
    // 因此任何一个商品id都会被固定路由到一样的一个内存队列中去的
    int index = (requestQueue.queueSize() - 1) & hash;
    
    System.out.println("===========日志===========: 路由内存队列，商品id=" + productId + ", 队列索引=" + index);  
    
    return requestQueue.getQueue(index);
  }

}复制代码

Cache Aside Pattern

下面咱们来聊聊最经典的缓存+数据库读写的模式，就是 Cache Aside Pattern。

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。更新的时候，先更新数据库，而后再删除缓存。

为何是删除缓存，而不是更新缓存？

缘由很简单，不少时候，在复杂点的缓存场景，缓存不仅仅是数据库中直接取出来的值。

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进行运算，才能计算出缓存最新的值的。

另外更新缓存的代价有时候是很高的，是否是每次修改数据库的时候，都必定要将其对应的缓存更新一份？

也许有的场景是这样，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，缓存也频繁更新。可是问题在于，这个缓存到底会不会被频繁访问到？

举个栗子，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 分钟内只被读取了 1 次，有大量的冷数据。

实际上，若是你只是删除缓存的话，那么在 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，用到缓存才去算缓存。

其实删除缓存，而不是更新缓存，就是一个 lazy 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。

像 mybatis，hibernate，都有懒加载思想，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，都把里面的 1000 个员工的数据也同时查出来。

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，那么这时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。

最初级的缓存不一致问题及解决方案

问题：先修改数据库，再删除缓存。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，数据就出现了不一致。

解决思路：先删除缓存，再修改数据库。若是数据库修改失败了，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。

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。

可是还没来得及修改，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。

随后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。。。

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的进行读写的时候，才可能会出现这种问题。

若是说你的并发量很低的话，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，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。

解决方案以下：

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 内部队列中。

读取数据的时候，若是发现数据不在缓存中，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，也发送同一个 jvm 内部队列中。

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，先删除缓存，而后再去更新数据库，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，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，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。

高并发的场景下，该解决方案要注意的问题：

一、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。

因此务必经过一些模拟真实的测试，看看更新数据的频率是怎样的。

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。

所以，必定要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，内存队列可能会积压多少更新操做，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。

若是一个内存队列中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。

像这种针对读高并发、读缓存架构的项目，通常来讲写请求是很是少的，每秒的 QPS 能到几百就不错了。

实际粗略测算一下，若是一秒有 500 的写操做，分红 5 个时间片，每 200ms 就 100 个写操做，放到 20 个内存队列中，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，通常是在 20ms 左右就完成，那么针对每一个内存队列的数据的读请求，也就最多 hang 一下子，200ms 之内确定能返回了。

通过刚才简单的测算，咱们知道，单机支撑的写 QPS 在几百是没问题的，若是写 QPS 扩大了 10 倍，那么就扩容机器，扩容 10 倍的机器，每一个机器 20 个队列。

二、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时，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，看服务能不能扛的住，须要多少机器才能扛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。

三、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。

好比对同一个商品的读写请求，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参数的 hash 路由，也能够用 Nginx 的 hash 路由功能等等。

四、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，可能会形成某台机器的压力过大。

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，因此要根据业务系统去看，若是更新频率不是过高的话，这个问题的影响并非特别大，可是可能某些机器的负载会高一些。

END

《21天互联网Java进阶面试训练营（分布式篇）》详细目录，扫描图片末尾的二维码，试听课程