缓存一致性

一致性

• 缓存一致性，指的是缓存中的数据，与数据库中的数据是否一致

可以理解为数据的快照与实时数据是否相等，在实时数据变动的过程中以及数据快照同步中产生的问题，即缓存一致性问题（也可以归类于数据双写问题）

业务场景

生产中面临数据的高频读取，为了降低数据库压力，就可以考虑将数据放入缓存中，缓存又可分为本地缓存与分布式缓存

本地缓存 & 分布式缓存

• 本地缓存指的是机器上的缓存，如Guava和Ehcache，此类缓存多受限于机器内存与分布式部署同步困难等问题
• 分布式缓存指的是数据存放在服务端，使用方访问同一份数据，如Redis，MemCache，此类缓存存在丢数据，数据延时，服务宕机等问题

本地缓存一致性问题

若硬要比较本地缓存与分布式缓存的优劣，那么本地缓存最大的优势就在于不需要与云端缓存服务器交互，减少了网络和IO消耗，但是本人目前感知来看，差距其实非常小；
且本地缓存最大的难题就是如何做到不同实例之间的同步，现有的做法是使用MQ或RPC广播模式，一台实例更新数据库后通知其他实例进行刷新，但无法解决的就是通知过程中新启动的实例，以及通知失败的情况，在强一致性场景下，这样的异常是无法接受的

分布式缓存一致性问题

承接上述，分布式缓存的本质则是将数据库的数据写入到缓存服务端，当数据库发生变更，将变更同步至缓存服务端的过程中，缓存与数据库的数据是不一致的，就涉及到了缓存一致性问题，下文将继续讲解缓存一致性方案

解决方案

• 读数据

面临强一致性场景时，可以考虑将数据放入缓存（过期或永不过期都可），服务端只能从缓存读取数据，当发现缓存中没有数据时，服务端加锁读取数据库，此时只有一个请求可以访问数据库，查询结束后将结果写入缓存，其他请求阻塞至缓存写入完成，再从缓存中读取数据

1. 服务端处理查询请求，尝试从缓存中查询数据
2. 缓存中存在数据，则直接返回
3. 缓存中不存在数据，则加锁查询数据库，查库结束将数据放入缓存
4. 其他请求直接读取缓存

• 写数据

写数据时可先行修改数据库，再将缓存更新或删除（删除时，直到下一次查询请求到来时，新数据才会写入缓存），此方案在数据写入到缓存更新的过程中，其他查询请求依然将访问到旧的数据，无法保证绝对的一致性

若需要强一致性方案，则可直接将缓存删除，并阻塞所有读取请求，然后加锁写数据，再将数据放入缓存中，类似于读写锁的概念，读写互斥，此方案由于强一致性约束，相上述方案性能会差一些，需要结合具体场景使用