-
数据一致性:就是保证mysql与redis数据一致,在系统中一致性可分为:强一致性,弱一致性,最终一致性(最终一致性是弱一致性的一个特例)
(1)强一致性:要求系统写入什么 读出来就是什么
(2)弱一致性:系统写入成功后,不会立即读到写入的值,但会尽可能保证到某个时间级别内数据能够达到一致
(3)最终一致性:系统会保证在一定时间内达到数据一致。它是业界在大型分布式系统数据一致性上比较推崇的模型
-
经典缓存同步模式
(1)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。
读的时候先读缓存,缓存命中的话,返回数据
缓存没有命中,读mysql,从数据库取出数据更新缓存,并返回数据
更新的时候先更新数据库,再删除缓存
A.问题:这里为什么不是更新数据库后再更新缓存,而是更新数据库后删除缓存
Q
线程A先发起一个写操作,第一步先更新数据库
线程B再发起一个写操作,第二步更新了数据库
由于网络等原因,线程B先更新了缓存
线程A更新缓存。这时候,缓存保存的是A的数据(老数据),数据库保存的是B的数据(新数据),数据不一致了,脏数据出现啦。如果是删除缓存取代更新缓存则不会出现这个脏数据问题。
更新缓存相对于删除缓存,还有两点劣势
如果你写入的缓存值,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,这也浪费了性能呢(实际上,写多的场景,用缓存也不是很划算的,哈哈)
A.问题双写的情况下是先操作数据库还是先操作缓存
Q.
线程A发起一个写操作,第一步del cache
此时线程B发起一个读操作,cache miss
线程B继续读DB,读出来一个老数据
然后线程B把老数据设置入cache
线程A写入DB最新的数据
缓存和数据库的数据不一致了。缓存保存的是老数据,数据库保存的是新数据。因此,Cache-Aside缓存模式,选择了先操作数据库而不是先操作缓存。
A.数据库和缓存数据保持强一致,可以嘛?
Q.实际上,没办法做到数据库与缓存绝对的一致性。
A.加锁可以嘛?并发写期间加锁,任何读操作不写入缓存.缓存及数据库封装CAS乐观锁,更新缓存时通过lua脚本?
Q.分布式事务,3PC?TCC?
其实,这是由CAP理论决定的。缓存系统适用的场景就是非强一致性的场景,它属于CAP中的AP。个 人觉得,追求绝对一致性的业务场景,不适合引入缓存。
CAP理论,指的是在一个分布式系统中, Consistency(一致性)、 Availability(可用性)、Partition tolerance(分区容错性),三者不可得兼。
-
延迟双删解决缓存删除失败问题,
缓存延时双删流程
先删除缓存再更新数据库
休眠一会(比如1秒),再次删除缓存。
这个休眠一会,一般多久呢?都是1秒?
这个休眠时间 = 读业务逻辑数据的耗时 + 几百毫秒。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
写请求更新数据库缓存因为某些原因,删除失败
把删除失败的key放到消息队列
消费消息队列的消息,获取要删除的key
重试删除缓存操作
-
读取biglog异步删除缓存
以mysql为例可以使用阿里的canal将binlog日志采集发送到MQ队列里面然后通过ACK机制确认处理这条更新消息,删除缓存,保证数据缓存一致性