美团二面：Redis 与 MySQL 双写一致性如何保证？

青旅半醒 2021-09-08 07:12 366阅读 0赞

四月份的时候，有位好朋友去美团面试。他说，被问到Redis与MySQL双写一致性如何保证？这道题其实就是在问缓存和数据库在双写场景下，一致性是如何保证的？本文将跟大家一起来探讨如何回答这个问题。

![44945434d0055536b43bc00cc422f675.png][]

## 谈谈一致性 ##

![97ae88698c2d13412ca5ad2b434d4f4e.png][]

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
 *  Read-Through/Write-through
 *  Write-behind

### Cache-Aside Pattern ###

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。

#### Cache-Aside读流程 ####

**Cache-Aside Pattern**的读请求流程如下：

![725a77f9901f8f00aa33874660eb07f5.png][]

Cache-Aside读请求

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。

#### Cache-Aside 写流程 ####

**Cache-Aside Pattern**的写请求流程如下：

![4d1296f4bbc74cb2e110d1de13d89aa9.png][]

Cache-Aside写请求

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 ####

**Read-Through**的简要流程如下

![f19561eb5ad121f35d562f835d2dfe79.png][]

Read-Through简要流程

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。

这个简要流程是不是跟**Cache-Aside**很像呢？其实**Read-Through**就是多了一层**Cache-Provider**而已，流程如下：

![ac6e9fadce4b358fa17c16d50ee78714.png][]

Read-Through流程

Read-Through实际只是在**Cache-Aside**之上进行了一层封装，它会让程序代码变得更简洁，同时也减少数据源上的负载。

#### 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,流程如下：

![9e12e4f5ac96dedcf03be4693c0a04af.png][]

### 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。

![7c22caa4699d436b0881875aa3bed4f0.png][]

Write behind流程

这种方式下，缓存和数据库的一致性不强，**对一致性要求高的系统要谨慎使用**。但是它适合频繁写的场景，MySQL的**InnoDB Buffer Pool机制**就使用到这种模式。

## 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。有些小伙伴可能会问， **Cache-Aside**在写入请求的时候，为什么是**删除缓存而不是更新缓存**呢？

![2feb061274b98a39f2f9fc462f4354be.png][]

Cache-Aside写入流程

我们在操作缓存的时候，到底应该删除缓存还是更新缓存呢？我们先来看个例子：

![24c541cffc249c2d8a31d24a098093e0.png][]

1.  线程A先发起一个写操作，第一步先更新数据库
2.  线程B再发起一个写操作，第二步更新了数据库
3.  由于网络等原因，线程B先更新了缓存
4.  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)

## 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。

![90c7412bf89dec1b5d2ef50d3d9fb253.png][]

1.  线程A发起一个写操作，第一步del cache
2.  此时线程B发起一个读操作，cache miss
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

酱紫就有问题啦，**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。

*  个别小伙伴可能会问，先操作数据库再操作缓存，不一样也会导致数据不一致嘛？它俩又不是原子性操作的。这个是**会的**，但是这种方式，一般因为删除缓存失败等原因，才会导致脏数据，这个概率就很低。小伙伴们可以画下操作流程图，自己先分析下哈。接下来我们再来分析这种**删除缓存失败**的情况，**如何保证一致性**。

## 数据库和缓存数据保持强一致，可以嘛？ ##

实际上，没办法做到数据库与缓存**绝对的一致性**。

*  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？
 *  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。

”

但是，通过一些方案优化处理，是可以**保证弱一致性，最终一致性**的。

## 3种方案保证数据库与缓存的一致性 ##

### 缓存延时双删 ###

有些小伙伴可能会说，并不一定要先操作数据库呀，采用**缓存延时双删**策略，就可以保证数据的一致性啦。什么是延时双删呢？

![840d29244fbaf94f493389257b594bf9.png][]

延时双删流程

1.  先删除缓存
2.  再更新数据库
3.  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。

”

这种方案还算可以，只有休眠那一会（比如就那1秒），可能有脏数据，一般业务也会接受的。但是如果**第二次删除缓存失败**呢？缓存和数据库的数据还是可能不一致，对吧？给Key设置一个自然的expire过期时间，让它自动过期怎样？那业务要接受**过期时间**内，数据的不一致咯？还是有其他更佳方案呢？

### 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**，都可能会存在第二步的删除缓存失败，导致的数据不一致问题。可以使用这个方案优化：删除失败就多删除几次呀,保证删除缓存成功就可以了呀~ 所以可以引入**删除缓存重试机制**

![9467f9c9d3e53e0719e8c1c880bfe19c.png][]

删除缓存重试流程

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

### 读取biglog异步删除缓存 ###

重试删除缓存机制还可以吧，就是会造成好多**业务代码入侵**。其实，还可以这样优化：通过数据库的**binlog来异步淘汰key**。

![c0306efff5f2d54f792a74a5de89f493.png][]

以mysql为例吧：

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。

--------------------

**推荐阅读**

***1. ***[GitHub 上有什么好玩的项目？][GitHub]

***2. ***[这个牛逼哄哄的数据库开源了][Link 1]

***3.****** ***[SpringSecurity + JWT 实现单点登录][SpringSecurity _ JWT]

***4. ***[100 道 Linux 常见面试题][100 _ Linux]

![08cd0b70de0db799e610566d36d51124.png][]

[44945434d0055536b43bc00cc422f675.png]: /images/20210730/f4f7c8e54d344c2ba29848a17ce8264f.png
[97ae88698c2d13412ca5ad2b434d4f4e.png]: /images/20210730/37aa21237f1c414f9b014a71bddc8e68.png
[725a77f9901f8f00aa33874660eb07f5.png]: /images/20210730/34d89ae9858f490894007f4ca41b82fd.png
[4d1296f4bbc74cb2e110d1de13d89aa9.png]: /images/20210730/a818c79dca784de0ae8aae528a6ae4d5.png
[f19561eb5ad121f35d562f835d2dfe79.png]: /images/20210730/8591392a06264a4f97a9bcf20aa08828.png
[ac6e9fadce4b358fa17c16d50ee78714.png]: /images/20210730/314781f9779846b1a1cfead5ee225aa5.png
[9e12e4f5ac96dedcf03be4693c0a04af.png]: /images/20210730/9f59f08fdd7c46128f6e0fda0c066c9b.png
[7c22caa4699d436b0881875aa3bed4f0.png]: /images/20210730/3d37347f86954288a452d534864b99e9.png
[2feb061274b98a39f2f9fc462f4354be.png]: /images/20210730/9297887c919945a78c14b4c468eb289c.png
[24c541cffc249c2d8a31d24a098093e0.png]: /images/20210730/8d826834ee9d4ee1a16f4a536e02600e.png
[90c7412bf89dec1b5d2ef50d3d9fb253.png]: /images/20210730/945a75a0479943e8aa217595fa294ea8.png
[840d29244fbaf94f493389257b594bf9.png]: /images/20210730/1f24fb86002b44459f48da3f63d246c0.png
[9467f9c9d3e53e0719e8c1c880bfe19c.png]: /images/20210730/420a069f360643ea99103087cffb7ee8.png
[c0306efff5f2d54f792a74a5de89f493.png]: /images/20210730/4b8eb2061a0b4a55861d614d96509d7e.png
[GitHub]: http://mp.weixin.qq.com/s?__biz=MzUxNjg4NDEzNA%3D%3D&chksm=f9a2286fced5a1794eb9a73d0be7c2e16eaceabf3a0420647c40cb4202bd116d9a15dd57c008&idx=1&mid=2247498662&scene=21&sn=0087c4f3b79ba3420e917e9b42d45eda#wechat_redirect
[Link 1]: http://mp.weixin.qq.com/s?__biz=Mzg2MjEwMjI1Mg%3D%3D&chksm=ce0e35e4f979bcf2c7c985dbabfe32f2a5f563e191d12a64325355e1c586853a4ab682077137&idx=1&mid=2247516775&scene=21&sn=43b3c7460718c40539512f56e4dd87fb#wechat_redirect
[SpringSecurity _ JWT]: http://mp.weixin.qq.com/s?__biz=Mzg2MjEwMjI1Mg%3D%3D&chksm=ce0e35bdf979bcabbb75366e1bad32bdbf8f41d1dc80b8be6e39225bd708913ce2c93472f2fc&idx=1&mid=2247516734&scene=21&sn=966d166d3052f10b9310ff4014733669#wechat_redirect
[100 _ Linux]: http://mp.weixin.qq.com/s?__biz=Mzg2MjEwMjI1Mg%3D%3D&chksm=ce0e367bf979bf6dec769decc0194bb36de4caeae7947671aba1852fe6bac8e5dab7d20916a5&idx=1&mid=2247516664&scene=21&sn=0dae1a8cf99c4bde8fd8c9c197769009#wechat_redirect
[08cd0b70de0db799e610566d36d51124.png]: /images/20210730/8bca753a03684bc3b9174b40d67eb8fa.png