互联网大厂缓存与数据库的双写一致性解决方案

用缓存，就会涉及到缓存与数据库双存储的双写，双写就一定会有数据一致性问题。

若系统不是严格要求缓存/数据库必须一致性，缓存可以稍微和数据库偶尔不一致，最好不要做双写。

读请求和写请求串行化，串到一个内存队列里去，这样就可以保证一定不会出现不一致。

串行化后，就会导致系统吞吐量骤降，就需要比正常情况下多几倍的机器去支撑线上环境请求。

Cache Aside Pattern缓存+数据库读写模式

1. 读时，先读缓存，缓存没有，就读DB，然后取出数据后放入缓存，同时返回响应
2. 更新时，先删缓存，再更新DB

为什么是删缓存，而不是更新缓存？

很多时候，复杂缓存场景，因为缓存有的时候，不单是DB中直接取出来的值。

比如商品详情页系统，修改库存，只是修改某表的某些字段，但要真正把影响的最终库存计算出，可能还需从其他表查询一些数据，进行一些运算，才能计出。

现在最新的库存是多少，然后才能将库存更新到缓存。

更新缓存的代价很高。

是不是每次修改DB，都必须更新对应缓存？

简单场景可以这样，但较复杂缓存数据计算场景，就不是了。

若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

但问题在于，这个缓存到底会不会被频繁访问到？

比如，一个缓存涉及的表字段，在1min内就修改20次或100次，那么缓存更新20/100次；但该缓存在1min内就被读取了1次，有大量冷数据。

20%的数据，占用了80%的访问量。

若你只是删除缓存，那1min内，该缓存不过重新计算一次，开销大幅度降低。

每次请求过来，就只是删除缓存，然后修改DB，若该缓存在1min内只被访问1次，那么只有那1次缓存要被重新计算，需要用到缓存才去计算缓存。

删除缓存，而非更新缓存，也是一种惰性延迟计算思想，不要每次都重做复杂计算，不管它会不会用到，而是让它到需要被使用时再重新计算。

查询一个部门，部门带了一个员工的list，没必要每次查询部门，都把里面的1000个员工的数据也同时查出来。

80%的情况，查这个部门，就只是要访问这个部门的信息就可以了

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。

高并发场景下的缓存+数据库双写不一致

实时性比较高的数据缓存，就是库存服务。

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，在缓存中一旦过期，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。

数据库与缓存双写，数据不一致的问题

简单场景

• 先修改数据库，再删除缓存

  如果缓存删除失败，那么会导致数据库是新数据，缓存是旧数据，数据不一致

• 先删除缓存，再修改数据库

  如果删除缓存成功，修改数据库失败，那么数据库中是旧数据，缓存空，数据不会不一致。

  因为读时缓存没有，则读数据库中旧数据，然后更新到缓存。

复杂场景

数据发生变更，先删了缓存，然后要去修改DB，

此时还没修改

。

一个请求突然过来，去读缓存，发现缓存空，转而去查询DB，查到修改前的旧数据，放入缓存。

数据变更的程序完成了数据库的修改。

结果，数据库和缓存中的数据不一致！

为什么高并发场景下，缓存会出现这问题？

只有在对一个数据在并发读写时，才可能会出现这种问题。

若每天上亿的流量，每秒几万QPS，每秒只要有数据更新请求，就可能会出现数据库+缓存不一致。

数据库 & 缓存更新与读取 异步串行化

更新数据的时候，根据数据的唯一标识，将操作路由之后，发送到一个JVM内部的队列中。

读数据的时候，如果发现数据不在缓存中，那么将重读数据+更新缓存，根据唯一标识路由之后，也发送同一个JVM内部的队列中。

一个队列对应一个工作线程。

每个工作线程串行拿到对应的操作，然后一条一条的执行。这样的话，一个数据变更的操作，先执行删除缓存，然后再更新数据库，但是还没完成更新。

此时如果一个读请求过来，读到了空缓存，则可以先将缓存更新的请求发送到队列中，此时会在队列中积压，然后同步等待缓存更新完成

一个队列中，其实多个更新缓存请求串在一起是没意义的，因此可以做过滤。如果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作进去了，直接等待前面的更新操作请求完成即可。

待那个队列对应的工作线程完成了上一个操作的数据库的修改之后，才会去执行下一个操作，也就是缓存更新的操作，此时会从数据库中读取最新的值，然后写入缓存中

• 如果请求还在等待时间范围内，轮询发现可以取到值了，那么就直接返回
• 如果请求等待的时间超过一定时长，那么这一次直接从数据库中读取当前的旧值

高并发场景下，该解决方案注意

读请求长时阻塞

由于读请求进行了轻度异步化，所以一定要注意读超时的问题，每个读请求必须在超时时间范围内返回

该解决方案，最大风险点在于，可能数据更新很频繁，导致队列中积压了大量更新操作，然后读请求会发生大量的超时，最后导致大量的请求直接走数据库

务必通过一些模拟真实的测试，看看更新数据的频繁是怎样的

另外一点，因为一个队列中，可能会积压针对多个数据项的更新操作，因此需要根据自己的业务情况进行测试，可能需要部署多个服务，每个服务分摊一些数据的更新操作

如果一个内存队列里居然会挤压100个商品的库存修改操作，每隔库存修改操作要耗费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，才能得到数据

这个时候就导致读请求的长时阻塞

一定要做根据实际业务系统的运行情况，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作，可能会导致最后一个更新操作对应的读请求，会hang多少时间，如果读请求在200ms返回，如果你计算过后，哪怕是最繁忙的时候，积压10个更新操作，最多等待200ms，那还可以的

如果一个内存队列可能积压的更新操作特别多，那么你就要加机器，让每个机器上部署的服务实例处理更少的数据，那么每个内存队列中积压的更新操作就会越少

其实根据之前的项目经验，一般来说数据的写频率是很低的，因此实际上正常来说，在队列中积压的更新操作应该是很少的

针对读高并发，读缓存架构的项目，一般写请求相对读来说，是非常非常少的，每秒的QPS能到几百就不错了

一秒，500的写操作，5份，每200ms，就100个写操作

单机器，20个内存队列，每个内存队列，可能就积压5个写操作，每个写操作性能测试后，一般在20ms左右就完成

那么针对每个内存队列中的数据的读请求，也就最多hang一会儿，200ms以内肯定能返回了

写QPS扩大10倍，但是经过刚才的测算，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，每个机器20个队列，200个队列

大部分的情况下，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

少量情况下，可能遇到读跟数据更新冲突的情况，如上所述，那么此时更新操作如果先入队列，之后可能会瞬间来了对这个数据大量的读请求，但是因为做了去重的优化，所以也就一个更新缓存的操作跟在它后面

等数据更新完了，读请求触发的缓存更新操作也完成，然后临时等待的读请求全部可以读到缓存中的数据

(2）读请求并发量过高

这里还必须做好压力测试，确保恰巧碰上上述情况的时候，还有一个风险，就是突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，需要多少机器才能抗住最大的极限情况的峰值

但是因为并不是所有的数据都在同一时间更新，缓存也不会同一时间失效，所以每次可能也就是少数数据的缓存失效了，然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次更新操作

如果一秒有500的写QPS，那么要测算好，可能写操作影响的数据有500条，这500条数据在缓存中失效后，可能导致多少读请求，发送读请求到库存服务来，要求更新缓存

一般来说，1:1，1:2，1:3，每秒钟有1000个读请求，会hang在库存服务上，每个读请求最多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，还是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

1万个读请求全部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，执行数据更新操作，以及执行缓存更新操作的请求，都通过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，导致请求的倾斜

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

就是说，因为只有在商品数据更新的时候才会清空缓存，然后才会导致读写并发，所以更新频率不是太高的话，这个问题的影响并不是特别大，但是的确可能某些机器的负载会高一些。