数据库与缓存的一致性

数据库与缓存的一致性

一致性就是数据保持一致，在分布式系统中，可以理解为多个节点中数据的值是一致的。

• 强一致性：这种一致性级别是最符合用户直觉的，它要求系统写入什么，读出来的也会是什么，用户体验好，但实现起来往往对系统的性能影响大
• 弱一致性：这种一致性级别约束了系统在写入成功后，不承诺立即可以读到写入的值，也不承诺多久之后数据能够达到一致，但会尽可能地保证到某个时间级别（比如秒级别）后，数据能够达到一致状态
• 最终一致性：最终一致性是弱一致性的一个特例，系统会保证在一定时间内，能够达到一个数据一致的状态。这里之所以将最终一致性单独提出来，是因为它是弱一致性中非常推崇的一种一致性模型，也是业界在大型分布式系统的数据一致性上比较推崇的模型

三个经典的缓存模式

缓存可以提升性能、缓解数据库压力，但是使用缓存也会导致数据不一致性的问题。一般我们是如何使用缓存呢？有三种经典的缓存使用模式：

• Cache-Aside Pattern（旁路缓存模式）
• Read-Through/Write-through（读写穿透模式）
• Write-behind

Cache-Aside Pattern（旁路缓存模式）

Cache-Aside Pattern，即旁路缓存模式，它的提出是为了尽可能地解决缓存与数据库的数据不一致问题。

读流程：

1. 读的时候，先读缓存，缓存命中的话，直接返回数据
2. 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。

写流程：

更新的时候，先更新数据库，然后再删除缓存。

Read-Through/Write-Through（读写穿透）

Read/Write-Through模式中，服务端把缓存作为主要数据存储。应用程序跟数据库缓存交互，都是通过抽象缓存层完成的。

Read-Through的简要流程如下

1. 从缓存读取数据，读到直接返回
2. 如果读取不到的话，从数据库加载，写入缓存后，再返回响应。

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,流程如下：

Write-behind （异步缓存写入）

Write-behind 跟Read-Through/Write-Through有相似的地方，都是由Cache Provider来负责缓存和数据库的读写。它们又有个很大的不同：Read/Write-Through是同步更新缓存和数据的，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。

操作缓存的时候，到底是删除缓存呢，还是更新缓存？

日常开发中，我们一般使用的就是Cache-Aside模式。那为什么是先删除缓存而不是直接更新缓存呢？

下面来看这个例子

线程A发起写请求

线程B也发起写请求

下面进行了这些操作

1、线程A更新数据库

2、线程B更新数据库

3、线程B更新了缓存

4、线程A更新了缓存

从上面四步的结果可以看出，缓存更新完之后，缓存存在的值就是A的值（也就是老的数据，而新的值B的缓存值就被覆盖了，并且此时数据库与缓存之间的值也出现了不同一的状态）

更新缓存相对于删除缓存，还有两点劣势：

• 如果写入的缓存值，是经过复杂计算才得到的话。更新缓存频率高的话，就浪费性能啦。
• 在写数据库场景多，读数据场景少的情况下，数据很多时候还没被读取到，又被更新了，这也浪费了性能(实际上，写多的场景，用缓存也不是很划算的)

双写的情况下，先操作数据库还是先操作缓存？

Cache-Aside缓存模式中，有些小伙伴还是会有疑问，在写请求过来的时候，为什么是先操作数据库呢？为什么不先操作缓存呢？

假设有A、B两个请求，请求A做更新操作，请求B做查询读取操作。

1. 线程A发起一个写操作，第一步del cache（因为现在假设写操作是先操作缓存，也就是删除缓存）
2. 此时线程B发起一个读操作，cache miss，缓存丢失
3. 线程B继续读DB，读出来一个老数据
4. 然后线程B把老数据设置入cache
5. 线程A写入DB最新的数据
6. 此时就会出现缓存中的数据与数据库中的数据不一致的状况

相关链接

美团二面：Redis与MySQL双写一致性如何保证？