redis缓存一致性问题 & 秒杀场景下的实战分析

👳我亲爱的各位大佬们好
♨️本篇文章记录的为 redis缓存一致性问题 & 秒杀场景下的实战分析相关内容，适合在学Java的小白,帮助新手快速上手,也适合复习中，面试中的大佬🙉🙉🙉。
♨️如果文章有什么需要改进的地方还请大佬不吝赐教❤️🧡💛
👨‍🔧 个人主页 : 阿千弟

为什么会有缓存一致性问题

由于我们的缓存的数据源来自于数据库 , 而数据库的数据是会发生变化的 , 因此，如果当数据库中数据发生变化，而缓存却没有同步 , 此时就会有一致性问题存在

数据库缓存不一致解决方案

用户使用缓存中的过时数据，就会产生类似多线程数据安全问题，从而影响业务，产品口碑等；怎么解决呢？有如下几种方案

①Cache Aside Pattern (旁路缓存模式)

人工编码方式：缓存调用者在更新完数据库后再去更新缓存，也称之为双写方案

1. Cache-Aside读流程

2. Cache-Aside 写流程

更新的时候，先更新数据库，然后再删除缓存

好处
读的时候，先读缓存，缓存命中的话，直接返回数据
缓存没有命中的话，就去读数据库，从数据库取出数据，放入缓存后，同时返回响应。

②Read/Write Through Pattern (读写穿透模式)

由系统本身完成，数据库与缓存的问题交由系统本身去处理

1. Read-Through的简要流程

• 从缓存读取数据，读到直接返回

• 如果读取不到的话，从数据库加载，写入缓存后，再返回响应。

2. Write through

Write-Through模式下，当发生写请求时，也是由缓存抽象层完成数据源和缓存数据的更新

③Write Behind Caching Pattern (异步缓存写入)

Write Behind则是只更新缓存，不直接更新数据库，通过批量异步的方式来更新数据库。

缓存与数据库双写一致

核心思路如下：

根据 id 查询时，如果缓存未命中，则查询数据库，将数据库结果写入缓存，并设置超时时间

根据 id 修改时，先修改数据库，再删除缓存

保持最终一致性

①. 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(500);
	 redis.delKey(key);
 }

具体的步骤就是：

1. 先删除缓存；
2. 再写数据库；
3. 休眠500毫秒；
4. 再次删除缓存。

这个休眠时间 = 读业务逻辑数据的耗时 + 几百毫秒(redis和数据库主从同步的耗时)。 为了确保读请求结束，写请求可以删除读请求可能带来的缓存脏数据。

删除缓存重试机制

• 不管是延时双删还是Cache-Aside的先操作数据库再删除缓存，如果第二步的删除缓存失败呢，删除失败会导致脏数据。
• 删除失败就多删除几次呀,保证删除缓存成功。

除缓存重试机制

1. 写请求更新数据库
2. 缓存因为某些原因，删除失败
3. 把删除失败的key放到消息队列
4. 消费消息队列的消息，获取要删除的key
5. 重试删除缓存操作

秒杀场景下缓存一致性问题

减库存的方式

电商场景下的购买过程一般分为两步：下单和付款。“提交订单”即为下单，“支付订单”即为付款。

减库存方式基本有以下几种方式

1. 下单减库存。买家下单后，扣减商品库存。

2. 付款减库存。买家下单后，并不立即扣减库存，而是等到付款后才真正扣减库存。但因为付款时才减库存，如果并发比较高，可能出现买家下单后付不了款的情况，因为商品已经被其他人买走了。

3. 预扣库存。买家下单后，库存为其保留一定的时间（如 15 分钟），超过这段时间，库存自动释放，释放后其他买家可以购买。

下单减库存

优势：用户体验最好。下单减库存是最简单的减库存方式，也是控制最精确的一种。下单时可以直接通过数据库事务机制控制商品库存，所以一定不会出现已下单却付不了款的情况。

劣势：可能卖不出去。正常情况下，买家下单后付款概率很高，所以不会有太大问题。但有一种场景例外，就是当卖家参加某个促销活动时，竞争对手通过恶意下单的方式将该商品全部下单，导致库存清零，那么这就不能正常售卖了。恶意下单的人是不会真正付款的，这正是 “下单减库存” 的不足之处。

付款减库存

优势：一定实际售卖。“下单减库存” 可能导致恶意下单，从而影响卖家的商品销售， “付款减库存” 由于需要付出真金白银，可以有效避免。

劣势：用户体验较差。用户下单后，不一定会实际付款，假设有 100 件商品，就可能出现 200 人下单成功的情况，因为下单时不会减库存，所以也就可能出现下单成功数远远超过真正库存数的情况，这尤其会发生在大促的热门商品上。如此一来就会导致很多买家下单成功后却付不了款，购物体验自然是比较差的。

预扣库存

优势：缓解了以上两种方式的问题。预扣库存实际就是“下单减库存”和 “付款减库存”两种方式的结合，将两次操作进行了前后关联，下单时预扣库存，付款时释放库存。

劣势：并没有彻底解决以上问题。比如针对恶意下单的场景，虽然可以把有效付款时间设置为 10 分钟，但恶意买家完全可以在 10 分钟之后再次下单。

实际如何减库存

业界最为常见的是预扣库存。无论是外卖点餐还是电商购物，下单后一般都有个 “有效付款时间”，超过该时间订单自动释放，这就是典型的预扣库存方案。

预扣库存还需要解决恶意下单和避免超卖的问题。

恶意下单

结合安全和反作弊措施来制止。

• 识别频繁下单不付款的买家并进行打标，这样可以在打标买家下单时不减库存
• 为大促商品设置单人最大购买件数，一人最多只能买 N 件商品
• 对重复下单不付款的行为进行次数限制阻断。

避免超卖

对于普通商品，秒杀只是一种大促手段，即使库存超卖，商家也可以通过补货来解决。而对于一些商品，秒杀作为一种营销手段，完全不允许库存为负，也就是在数据一致性上，需要保证大并发请求时数据库中的库存字段值不能为负。

• 通过事务来判断，即保证减后库存不能为负，否则就回滚。
• 直接设置数据库字段类型为无符号整数，这样一旦库存为负就会在执行 SQL 时报错。
• 使用 CASE WHEN 判断语句：UPDATE item SET inventory CASE WHEN inventory xxx THEN inventory xxx ELSE inventory

性能的优化

库存是个关键数据，更是个热点数据。对系统来说，热点的实际影响就是 “高读” 和 “高写”，也是秒杀场景下最为核心的一个技术难题。

高并发读

秒杀场景解决高并发读问题，关键词是“分层校验”。在读链路时，只进行不影响性能的检查操作，如用户是否具有秒杀资格、商品状态是否正常、用户答题是否正确、秒杀是否已经结束、是否非法请求等，而不做一致性校验等容易引发瓶颈的检查操作。直到写链路时，才对库存做一致性检查，在数据层保证最终准确性。

在分层校验设定下，系统可以采用分布式缓存甚至 LocalCache 来抵抗高并发读。即允许读场景下一定的脏数据，这样只会导致少量原本无库存的下单请求被误认为是有库存的，等到真正写数据时再保证最终一致性，由此做到高可用和一致性之间的平衡。

分层校验的核心思想是：不同层次尽可能过滤掉无效请求，只在“漏斗” 最末端进行有效处理，从而缩短系统瓶颈的影响路径。

高并发写

缓存

秒杀商品和普通商品的减库存是有差异的，核心区别在数据量级小、交易时间短，如果减库存逻辑非常单一的话，可以直接在一个带有持久化功能的缓存中进行减库存操作。

如果有比较复杂的减库存逻辑，或者需要使用到事务，那就必须在数据库中完成减库存操作。

优化DB性能

库存数据落地到数据库实现其实是一行存储（MySQL），因此会有大量线程来竞争 InnoDB 行锁。但并发越高，等待线程就会越多，TPS 下降，RT 上升，吞吐量会受到严重影响。

排队

通过缓存加入集群分布式锁，从而控制集群对数据库同一行记录进行操作的并发度，同时也能控制单个商品占用数据库连接的数量，防止热点商品占用过多的数据库连接。

如果这篇【文章】有帮助到你💖，希望可以给我点个赞👍，创作不易，如果有对Java后端或者对spring感兴趣的朋友,请多多关注💖💖💖
👨‍🔧 个人主页 : 阿千弟