緩存與資料庫的一緻性

本文來說下緩存與資料庫的雙寫一緻性。分布式緩存是現在很多分布式應用中必不可少的元件，但是用到了分布式緩存，就可能會涉及到緩存與資料庫雙存儲雙寫，你隻要是雙寫，就一定會有資料一緻性的問題，那麼你如何解決一緻性問題？

文章目錄

• 緩存模式
• 為什麼是删除緩存，而不是更新緩存
• 最初級的緩存不一緻問題及解決方案
• 比較複雜的資料不一緻問題分析
• 解決方案如下
• 本文小結

緩存模式

最經典的緩存+資料庫讀寫的模式，就是 Cache Aside Pattern。

讀的時候，先讀緩存，緩存沒有的話，就讀資料庫，然後取出資料後放入緩存，同時傳回響應。

更新的時候，先更新資料庫，然後再删除緩存。

為什麼是删除緩存，而不是更新緩存

原因很簡單，很多時候，在複雜點的緩存場景，緩存不單單是資料庫中直接取出來的值。

比如可能更新了某個表的一個字段，然後其對應的緩存，是需要查詢另外兩個表的資料并進行運算，才能計算出緩存最新的值的。

另外更新緩存的代價有時候是很高的。是不是說，每次修改資料庫的時候，都一定要将其對應的緩存更新一份？也許有的場景是這樣，但是對于比較複雜的緩存資料計算的場景，就不是這樣了。如果你頻繁修改一個緩存涉及的多個表，緩存也頻繁更新。但是問題在于，這個緩存到底會不會被頻繁通路到？

舉個栗子，一個緩存涉及的表的字段，在 1 分鐘内就修改了 20 次，或者是 100 次，那麼緩存更新 20 次、100 次；但是這個緩存在 1 分鐘内隻被讀取了 1 次，有大量的冷資料。實際上，如果你隻是删除緩存的話，那麼在 1 分鐘内，這個緩存不過就重新計算一次而已，開銷大幅度降低，用到緩存才去算緩存。

其實删除緩存，而不是更新緩存，就是一個 lazy 計算的思想，不要每次都重新做複雜的計算，不管它會不會用到，而是讓它到需要被使用的時候再重新計算。像 mybatis，hibernate，都有懶加載思想。查詢一個部門，部門帶了一個員工的 list，沒有必要說每次查詢部門，把裡面的1000個員工的資料也同時查出來啊。80% 的情況，查這個部門，就隻是要通路這個部門的資訊就可以了。先查部門，同時要通路裡面的員工，那麼這個時候隻有在你要通路裡面的員工的時候，才會去資料庫裡面查詢1000個員工。

最初級的緩存不一緻問題及解決方案

問題：先修改資料庫，再删除緩存。如果删除緩存失敗了，那麼會導緻資料庫中是新資料，緩存中是舊資料，資料就出現了不一緻。

解決思路：先删除緩存，再修改資料庫。如果資料庫修改失敗了，那麼資料庫中是舊資料，緩存中是空的，那麼資料不會不一緻。因為讀的時候緩存沒有，則讀資料庫中舊資料，然後更新到緩存中。

比較複雜的資料不一緻問題分析

資料發生了變更，先删除了緩存，然後要去修改資料庫，此時還沒修改。一個請求過來，去讀緩存，發現緩存空了，去查詢資料庫，查到了修改前的舊資料，放到了緩存中。随後資料變更的程式完成了資料庫的修改。

完了，資料庫和緩存中的資料不一樣了。。。

為什麼上億流量高并發場景下，緩存會出現這個問題？

隻有在對一個資料在并發的進行讀寫的時候，才可能會出現這種問題。其實如果說你的并發量很低的話，特别是讀并發很低，每天通路量就 1 萬次，那麼很少的情況下，會出現剛才描述的那種不一緻的場景。但是問題是，如果每天的是上億的流量，每秒并發讀是幾萬，每秒隻要有資料更新的請求，就可能會出現上述的資料庫+緩存不一緻的情況。

解決方案如下

更新資料的時候，根據資料的唯一辨別，将操作路由之後，發送到一個 jvm 内部隊列中。讀取資料的時候，如果發現資料不在緩存中，那麼将重新讀取資料+更新緩存的操作，根據唯一辨別路由之後，也發送同一個 jvm 内部隊列中。

一個隊列對應一個工作線程，每個工作線程串行拿到對應的操作，然後一條一條的執行。這樣的話，一個資料變更的操作，先删除緩存，然後再去更新資料庫，但是還沒完成更新。此時如果一個讀請求過來，讀到了空的緩存，那麼可以先将緩存更新的請求發送到隊列中，此時會在隊列中積壓，然後同步等待緩存更新完成。

這裡有一個優化點，一個隊列中，其實多個更新緩存請求串在一起是沒意義的，是以可以做過濾，如果發現隊列中已經有一個更新緩存的請求了，那麼就不用再放個更新請求操作進去了，直接等待前面的更新操作請求完成即可。

待那個隊列對應的工作線程完成了上一個操作的資料庫的修改之後，才會去執行下一個操作，也就是緩存更新的操作，此時會從資料庫中讀取最新的值，然後寫入緩存中。

如果請求還在等待時間範圍内，不斷輪詢發現可以取到值了，那麼就直接傳回；如果請求等待的時間超過一定時長，那麼這一次直接從資料庫中讀取目前的舊值。

高并發的場景下，該解決方案要注意的問題：

讀請求長時阻塞

由于讀請求進行了非常輕度的異步化，是以一定要注意讀逾時的問題，每個讀請求必須在逾時時間範圍内傳回。

該解決方案，最大的風險點在于說，可能資料更新很頻繁，導緻隊列中積壓了大量更新操作在裡面，然後讀請求會發生大量的逾時，最後導緻大量的請求直接走資料庫。務必通過一些模拟真實的測試，看看更新資料的頻率是怎樣的。

另外一點，因為一個隊列中，可能會積壓針對多個資料項的更新操作，是以需要根據自己的業務情況進行測試，可能需要部署多個服務，每個服務分攤一些資料的更新操作。如果一個記憶體隊列裡居然會擠壓 100 個商品的庫存修改操作，每隔庫存修改操作要耗費 10ms 去完成，那麼最後一個商品的讀請求，可能等待 10 * 100 = 1000ms = 1s 後，才能得到資料，這個時候就導緻讀請求的長時阻塞。

一定要做根據實際業務系統的運作情況，去進行一些壓力測試，和模拟線上環境，去看看最繁忙的時候，記憶體隊列可能會擠壓多少更新操作，可能會導緻最後一個更新操作對應的讀請求，會 hang 多少時間，如果讀請求在 200ms 傳回，如果你計算過後，哪怕是最繁忙的時候，積壓 10 個更新操作，最多等待 200ms，那還可以的。

如果一個記憶體隊列中可能積壓的更新操作特别多，那麼你就要加機器，讓每個機器上部署的服務執行個體處理更少的資料，那麼每個記憶體隊列中積壓的更新操作就會越少。

其實根據之前的項目經驗，一般來說，資料的寫頻率是很低的，是以實際上正常來說，在隊列中積壓的更新操作應該是很少的。像這種針對讀高并發、讀緩存架構的項目，一般來說寫請求是非常少的，每秒的 QPS 能到幾百就不錯了。

實際粗略測算一下

如果一秒有 500 的寫操作，如果分成 5 個時間片，每 200ms 就 100 個寫操作，放到 20 個記憶體隊列中，每個記憶體隊列，可能就積壓 5 個寫操作。每個寫操作性能測試後，一般是在 20ms 左右就完成，那麼針對每個記憶體隊列的資料的讀請求，也就最多 hang 一會兒，200ms 以内肯定能傳回了。

經過剛才簡單的測算，我們知道，單機支撐的寫 QPS 在幾百是沒問題的，如果寫 QPS 擴大了 10 倍，那麼就擴容機器，擴容 10 倍的機器，每個機器 20 個隊列。

讀請求并發量過高

這裡還必須做好壓力測試，確定恰巧碰上上述情況的時候，還有一個風險，就是突然間大量讀請求會在幾十毫秒的延時 hang 在服務上，看服務能不能扛的住，需要多少機器才能扛住最大的極限情況的峰值。

但是因為并不是所有的資料都在同一時間更新，緩存也不會同一時間失效，是以每次可能也就是少數資料的緩存失效了，然後那些資料對應的讀請求過來，并發量應該也不會特别大。

多服務執行個體部署的請求路由

可能這個服務部署了多個執行個體，那麼必須保證說，執行資料更新操作，以及執行緩存更新操作的請求，都通過 Nginx 伺服器路由到相同的服務執行個體上。

比如說，對同一個商品的讀寫請求，全部路由到同一台機器上。可以自己去做服務間的按照某個請求參數的 hash 路由，也可以用 Nginx 的 hash 路由功能等等。

熱點商品的路由問題，導緻請求的傾斜

萬一某個商品的讀寫請求特别高，全部打到相同的機器的相同的隊列裡面去了，可能會造成某台機器的壓力過大。就是說，因為隻有在商品資料更新的時候才會清空緩存，然後才會導緻讀寫并發，是以其實要根據業務系統去看，如果更新頻率不是太高的話，這個問題的影響并不是特别大，但是的确可能某些機器的負載會高一些。

本文小結

本文詳細介紹了緩存與資料的雙寫一緻性問題以及常見的解決方案。