作者介绍

孤独烟，中国平安研发工程师，目前负责规则云平台架构设计以及需求研发工作。毕业后一直从事Java开发工作，在Web开发、架构设计上有多年的实战经验。在MySQL性能优化、JVM调优、分布式领域有着丰富的经验。

 

在互联网领域，缓存由于其高并发和高性能的特性，已经在项目中被广泛使用。在读取缓存方面，大家没什么疑问，都是按照下图的流程来进行业务操作。

 

 

但是在更新缓存方面，对于更新完数据库，是更新缓存呢，还是删除缓存；又或者是先删除缓存，再更新数据库，其实大家存在很大的争议。目前笔者还没有见过一篇全面的文章，对这几种方案进行解析。于是笔者战战兢兢，顶着被大家吐槽的风险，写了这篇文章，如有不妥之处敬请在留言区指出，愿与大家一起探讨。

 

本文将由以下三个部分组成：

1. 讲解缓存更新策略

2. 对每种策略进行缺点分析

3. 针对缺点给出改进方案

 

先做一个说明，从理论上来说，给缓存设置过期时间，是保证最终一致性的解决方案。这种方案下，我们可以对存入缓存的数据设置过期时间，所有的写操作以数据库为准，对缓存操作只是尽最大努力即可。也就是说如果数据库写成功，缓存更新失败，那么只要到达过期时间，则后面的读请求自然会从数据库中读取新值然后回填缓存。因此，接下来讨论的思路不依赖于给缓存设置过期时间这个方案。

 

在这里，我们讨论三种更新策略：

1. 先更新数据库，再更新缓存；

2. 先删除缓存，再更新数据库；

3. 先更新数据库，再删除缓存。

 

应该没有人会问我，为什么没有先更新缓存，再更新数据库这种策略吧？

 

一、先更新数据库，再更新缓存

 

 

这套方案，大家是普遍反对的。为什么呢？有如下两点原因。

 

• 原因一（线程安全角度）

 

同时有请求A和请求B进行更新操作，那么会出现

1. 线程A更新了数据库；

2. 线程B更新了数据库；

3. 线程B更新了缓存；

4. 线程A更新了缓存。

 

这就出现请求A更新缓存应该比请求B更新缓存早才对，但是因为网络等原因，B却比A更早更新了缓存。这就导致了脏数据，因此不考虑。

 

• 原因二（业务场景角度）

 

有如下两点：

1. 如果你是一个写数据库场景比较多，而读数据场景比较少的业务需求，采用这种方案就会导致，数据压根还没读到，缓存就被频繁地更新，浪费性能；

2. 如果你写入数据库的值，并不是直接写入缓存的，而是要经过一系列复杂的计算再写入缓存。那么，每次写入数据库后，都再次计算写入缓存的值，无疑是浪费性能的。显然，删除缓存更为适合。

 

接下来讨论的就是争议最大的，是先删缓存、再更新数据库，还是先更新数据库、再删缓存的问题。

 

二、先删除缓存，再更新数据库

 

 

该方案会导致不一致的原因是，同时有一个请求A进行更新操作，另一个请求B进行查询操作。那么会出现如下情形：

1. 请求A进行写操作，删除缓存；

2. 请求B查询发现缓存不存在；

3. 请求B去数据库查询得到旧值；

4. 请求B将旧值写入缓存；

5. 请求A将新值写入数据库。

 

上述情况就会导致不一致的情形出现。而且，如果不采用给缓存设置过期时间策略，该数据永远都是脏数据。

 

那么，如何解决呢？采用延时双删策略。

 

伪代码如下：

public void write(String key,Object data){

        redis.delKey(key);

        db.updateData(data);

        Thread.sleep(1000);

        redis.delKey(key);

    }

 

转化为中文描述就是：

1. 先淘汰缓存；

2. 再写数据库（这两步和原来一样）；

3. 休眠1秒，再次淘汰缓存。

 

这么做，可以将1秒内所造成的缓存脏数据，再次删除。

 

那么，这个1秒是怎么确定的，具体该休眠多久呢？

 

针对上面的情形，读者应该自行评估自己的项目的读数据业务逻辑的耗时。然后写数据的休眠时间则在读数据业务逻辑的耗时基础上，加几百ms即可。这么做的目的，就是确保读请求结束，写请求可以删除读请求造成的缓存脏数据。

 

如果你用了MySQL的读写分离架构怎么办？

 

在这种情况下，造成数据不一致的原因如下，还是两个请求，一个请求A进行更新操作，另一个请求B进行查询操作。

1. 请求A进行写操作，删除缓存；

2. 请求A将数据写入数据库了；

3. 请求B查询缓存发现，缓存没有值；

4. 请求B去从库查询，这时，还没有完成主从同步，因此查询到的是旧值；

5. 请求B将旧值写入缓存；

6. 数据库完成主从同步，从库变为新值。

 

上述情形，就是数据不一致的原因。还是使用双删延时策略。只是，睡眠时间修改为在主从同步的延时时间基础上，加几百ms。

 

采用这种同步淘汰策略，吞吐量降低怎么办？

 

那就将第二次删除作为异步的。自己起一个线程，异步删除。这样，写的请求就不用沉睡一段时间再返回。这么做，加大吞吐量。

 

第二次删除，如果删除失败怎么办？

 

这是个非常好的问题，因为第二次删除失败，就会出现如下情形。还是有两个请求，一个请求A进行更新操作，另一个请求B进行查询操作，为了方便，假设是单库：

1. 请求A进行写操作，删除缓存；

2. 请求B查询发现缓存不存在；

3. 请求B去数据库查询得到旧值；

4. 请求B将旧值写入缓存；

5. 请求A将新值写入数据库；

6. 请求A试图去删除请求B写入对缓存值，结果失败了。

 

这也就是说，如果第二次删除缓存失败，会再次出现缓存和数据库不一致的问题。

 

如何解决呢？

 

具体解决方案，且看笔者下文对第三种更新策略的解析。

 

三、先更新数据库，再删除缓存

 

 

国外提出了一个缓存更新套路，名为《Cache-Aside pattern》[1]，其中就指出：

• 失效：应用程序先从cache取数据，没有得到，则从数据库中取数据，成功后，放到缓存中；

• 命中：应用程序从cache中取数据，取到后返回；

• 更新：先把数据存到数据库中，成功后，再让缓存失效。

 

另外， Facebook也在论文《Scaling Memcache at Facebook》[2]中提出，他们用的也是先更新数据库，再删缓存的策略。

 

这种情况不存在并发问题么？

 

不是的。假设这会有两个请求，一个请求A做查询操作，一个请求B做更新操作，那么会有如下情形产生：

1. 缓存刚好失效；

2. 请求A查询数据库，得一个旧值；

3. 请求B将新值写入数据库；

4. 请求B删除缓存；

5. 请求A将查到的旧值写入缓存。

 

如果发生上述情况，确实是会发生脏数据。

 

然而，发生这种情况的概率又有多少？

 

发生上述情况有一个先天性条件，就是步骤3的写数据库操作比步骤2的读数据库操作耗时更短，才有可能使得步骤4先于步骤5。可是，大家想想，数据库的读操作的速度远快于写操作的（不然做读写分离干嘛，做读写分离的意义就是因为读操作比较快，耗资源少），因此步骤3耗时比步骤2更短，这一情形很难出现。

 

假设，有人非要抬杠，有强迫症，一定要解决怎么办？

 

如何解决上述并发问题？

 

首先，给缓存设有效时间是一种方案。其次，采用策略二里给出的异步延时删除策略，保证读请求完成以后，再进行删除操作。

 

还有其他造成不一致的原因么？

 

有的，这也是缓存更新策略二和缓存更新策略三都存在的一个问题，如果删缓存失败了怎么办，那不是会有不一致的情况出现么。比如一个写数据请求，然后写入数据库了，删缓存失败了，这会就出现不一致的情况了。这也是缓存更新策略二里留下的最后一个疑问。

 

如何解决？

 

提供一个保障的重试机制即可，这里给出两套方案。

 

• 方案一：

 

如下图所示：

 

 

流程如下所示：

1. 更新数据库数据；

2. 缓存因为种种问题删除失败；

3. 将需要删除的key发送至消息队列；

4. 自己消费消息，获得需要删除的key；

5. 继续重试删除操作，直到成功。

 

然而，该方案有一个缺点，对业务线代码造成大量的侵入。于是有了方案二，在方案二中，启动一个订阅程序去订阅数据库的binlog，获得需要操作的数据。在应用程序中，另起一段程序，获得这个订阅程序传来的信息，进行删除缓存操作。

 

• 方案二：

 

 

流程如下图所示：

1. 更新数据库数据；

2. 数据库会将操作信息写入binlog日志当中；

3. 订阅程序提取出所需要的数据以及key；

4. 另起一段非业务代码，获得该信息；

5. 尝试删除缓存操作，发现删除失败；

6. 将这些信息发送至消息队列；

7. 重新从消息队列中获得该数据，重试操作。

 

备注说明：上述的订阅binlog程序在MySQL中有现成的中间件叫Canal，可以完成订阅binlog日志的功能。至于Oracle中，笔者目前不清楚有没有现成中间件可以使用。另外，重试机制，笔者采用的是消息队列的方式。如果对一致性要求不是很高，直接在程序中另起一个线程，每隔一段时间去重试即可，这些大家可以灵活自由发挥，只是提供一个思路。

 

本文其实是对目前互联网中已有的一致性方案，进行了一个总结。对于先删缓存、再更新数据库的更新策略，还有方案提出维护一个内存队列的方式，笔者看了一下，觉得实现异常复杂，没有必要，因此没有在文中给出。最后，希望大家有所收获。

 

参考文章：

[1] https://docs.microsoft.com/en-us/azure/architecture/patterns/cache-aside

[2] https://www.usenix.org/system/files/conference/nsdi13/nsdi13-final170_update.pdf

[3] 主从DB与cache一致性：https://mp.weixin.qq.com/s?__biz=MjM5ODYxMDA5OQ==&mid=404308725&idx=1&sn=1a25ce76dd1956014ceb8a011855268e&scene=21#wechat_redirect

[4] 缓存更新的套路：https://coolshell.cn/articles/17416.html