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

一、最初级的缓存不一致问题以及解决方案
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，数据出现不一致。
解决思路：
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

二、比较复杂的数据不一致问题分析
过程：
有数据发生了变动，先删除了缓存，而后准备要去修改数据库，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 ，以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。。。

三、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
其实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。因此高并发了之后，问题是不少的

四、数据库与缓存更新与读取操做进行异步串行化
思路：
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内部的队列中
分析：
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

五、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，最大的风险点在于说，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

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，每一个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

备注：
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
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
*大部分状况下：
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    。
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

（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