如何保证 redis 和 db 中数据一致_怎么保证redis和db中的数据一致

一般来说，只要我们用缓存，就可能会涉及到缓存与数据库双存储双写，只要是双写，就一定会有数据一致性的问题，那么如何我们如何解决一致性问题呢？

首先需要考虑到：更新数据库或者更新缓存都有可能失败，在这种前提下分析业务带来的影响。

一般来说，如果允许缓存可以稍微的跟数据库有偶尔不一致的情况，也就是说系统不是严格要求” 缓存+数据库 “必须保持一致性的话，最好不要做这个方案。即：读请求和写请求串行化，串到一个内存队列里去。

串行化可以保证一定不会出现不一致的情况，但是它也会导致系统的吞吐量大幅度降低，用比正常情况下多几倍的机器去支撑线上的一个请求。

Cache Aside Pattern

最经典的缓存 + 数据库读写的模式，就是 Cache Aside Pattern 。

• 读的时候，先读缓存，缓存没有的话，就读数据库，然后取出数据后放入缓存，同时返回响应。
• 更新的时候，先更新数据库，然后再删除缓存。

为什么是先删除缓存，而不是更新缓存？

原因很简单，很多时候，在复杂点的缓存场景，缓存不单单是数据库中直接取出来的值。

比如可能更新了某个表的一个字段，然后其对应的缓存，是需要查询另外两个表的数据进行并行运算，才能计算出缓存最新的值。
另外更新缓存的代价有时候是很高的。是不是说，每次修改数据库的时候，都一定要将其对应的缓存更新一份？也许有的场景是这样的，但是对于比较复杂的缓存数据计算的场景，就不是这样了。如果你频繁修改一个缓存涉及的多个表，缓存也频繁更新。但是问题在于，这个缓存到底会不会被频繁访问到？

再举个例子，一个缓存涉及的表字段，在 1 分钟内就修改了 20 次，或者是 100 次，那么缓存更新 20 次、 100 次；但是这个缓存在 1 分钟内只被读取了1次，有大量的冷数据。实际上，如果你只是删除缓存的话，那么在 1 分钟内，这个缓存不过就重新计算了一次而已，开销大幅度降低。用到缓存才去算缓存。

其实删除缓存，而不是更新缓存，就是一个 lazy 计算的思想，不要每次都重新做复杂的计算，不管它会不会用到，而是让它需要被试用的时候再重新计算。像 mybatis、hiernate，都有懒加载思想。查询一个部门，部门带了一个员工的 list ，没有必要每次查询部门，都把里面的 1000 个员工的数据也同时查出来。 80% 的情况，查这个部门，就只是要访问这个部门的信息就可以了。先查部门，同时要访问里面的员工，那么这个时候只有在我们要访问里面的员工的时候，才会去数据库里面查询 1000 个员工。

最初级的缓存不一致问题及解决方案

问题：先更新数据库，再删除缓存。如果删除缓存失败了，那么会导致数据库中是新数据，缓存中是旧数据，数据就出现了不一致。

解决思路：先删除缓存，再更新数据库。如果数据库更新失败了，那么数据库中是旧数据，缓存中是空的，那数据就不会不一致。因为读的时候缓存没有，所以去读了数据库中的旧数据，然后更新到缓存中。

比较复杂的数据不一致问题分析

数据发生了变更，先删除缓存，然后要去修改数据库，此时还没有修改。一个请求过来了，去读缓存，发现缓存空了，去查询数据库，查到了修改前的旧数据，放到了缓存中。随后数据变更的程序完成了数据库的修改。完了，数据库和缓存中的数据不一样了。。。

为什么上亿流量高并发场景下，缓存会出现这个问题？
只有对一个数据在并发的进行读写的时候，才可能出现这种问题。其实如果说你的并发量很低的话，特别是读并发很低，每天的访问量就 1 万次，那么很少情况下，会出现刚才描述的那种不一致的场景。但是问题是，如果每天是上亿的流量，每秒并发读是几万，每秒只要有数据更新的请求，就可能会出现上述的数据库 + 缓存不一致的情况。

解决方案：

• 更新数据的时候，根据数据的唯一标识，将操作路由之后，发送到一个 jvm 内部队列中。读取数据的时候，如果发现数据不在缓存中，那么将 重新执行 “ 读取数据 + 更新缓存 ” 的操作，根据唯一标识路由之后，也发送到同一个 jvm 内部队列中。

• 一个队列对应一个工作线程，每个工作线程串行拿到对应的操作，然后一条一条的执行。这样的话，一个数据变更的操作，先删除缓存，然后再去更新数据库，但是还没有完成更新。此时如果一个读请求过来，没有读到缓存，可以先将缓存更新的请求发送到队列中，此时会再队列中积压，然后同步等待缓存更新完成。

这里有一个优化点，一个队列中，其实多个更新缓存请求串在一起是没意义的，因此可以做过滤，如果发现队列已经有一个更新缓存的请求了，那么就不用再放个更新请求操作进去了，直接等待前面的更新操作请求完成即可。

等待那个队列对应的工作线程完成了上一个操作的数据库修改之后，才会去执行下一个操作，也就是缓存更新的操作，此时会从数据库中读取最新的值，然后写入缓存中。

如果请求还在等待时间范围内，不断轮询发现可以取到值了，那么就直接返回；如果请求等待的时间超过一定时长，那么这一次直接从数据库中读取当前的旧值。

高并发场景下，解决该方案要注意的问题：

• 读请求长时阻塞

由于读请求进行了非常轻度的异步化，所以一定要注意读超时的问题，每个读请求必须在超时时间范围内返回。

解决该方案，最大的风险点在于说，可能数据更新很频繁，导致队列中积压了大量更新操作在里面，然后读请求会发生大量的超时，最后导致大量的请求直接走数据库。务必通过一些模拟真实的测试，看看更新数据的频率是怎样的。

另外一点，因为一个队列中，可能会积压针对多个数据项的更新操作，因此需要根据自己的业务情况进行测试，可能需要部署多个服务，每个服务分摊一些数据的更新操作。如果一个内存队列里积压了 100 个商品的库存修改操作，每个库存修改操作要耗费 10ms 去完成，那么最后一个商品的读请求，可能等待 10 * 100 = 1000 ms = 1 s 后，才能得到数据，这个时候就导致读请求的长时阻塞。

一定要做根据实际业务系统的运行情况，去进行一些压力测试，和模拟线上环境，去看看最繁忙的时候，内存队列可能会积压多少更新操作，可能会导致最后一个更新操作对应的读请求，会 hang 多长时间，如果读请求在 200 ms返回，如果我们计算过后，发现哪怕是最繁忙的时候，积压 10 个更新操作，最多等待 200ms ，那是还可以的。

如果一个内存队列中可能积压的更新操作特别多，那么我们就要加机器，让每个机器上部署的服务实例处理更少的数据，那么每个内存队列中积压的更新操作就会越少。

其实根据之前的项目经验，一般数据的写频率是很低的，因此实际上，在队列中积压的更新操作应该是很少的。像这种针对读高并发、读缓存架构的项目，一般来说写请求是非常少的，每秒的 QPS 能到几百就不错了。

我们来粗略测算一下：
如果一秒有 500 的写操作，分成 5 个时间片，每 200ms 就是 100 个写操作，放到 20 个内存队列中，每个内存队列，可能就积压 5 个写操作。每个写操作性能测试后，一般是在 20ms 左右就完成，那么针对每个内存队列的数据的读请求，也就最多 hang 一会儿，200ms 以内肯定能返回了。

经过刚才简单的测算，我们知道，单机支撑的写 QPS 在几百是没问题的，如果写 QPS 扩大了 10 倍，那么就扩容机器，扩容 10 倍的机器，每个机器 20 个队列。

• 读请求并发量过高

这里还必须做好压力测试，确保恰巧碰上上述情况的时候，还有一个风险，就是突然间大量读请求会在几十毫秒的延时 hang 在服务上，看服务能不能抗的住，需要多少机器才能抗住最大的极限情况的峰值。

但是因为并不是所有的数据都在同一时间更新，缓存也不会同一时间失效，送一每次可能也就是少数数据的缓存失效了，然后那些数据对应的读请求过来，并发量应该也不会特别大。

• 多服务实例部署的请求路由

可能这个服务部署了多个实例，那么必须保证，执行数据更新操作，以及执行缓存更新操作的请求，都用过 Nginx 服务器路由到相同的服务实例上。

例如，对同一个商品的读写请求，全部路由到同一台机器上。可以自己按照某个请求参数去做服务间的 hash 路由，也可以用 Nginx 的 hash 路由功能等。

• 热点商品的路由问题，导致请求的倾斜

万一某个商品的读写请求特别高，全部打到相同机器的相同队列里面去了，可能会造成某台机器的压力过大。也就是说，因为只有在商品数据更新的时候才会清空缓存，然后才会导致读写并发，所以其实要根据业务去看，如果更新频率不是太高的话，这个问题的影响不是特别大，但确实可能某些机器的负载会高一些。

---

最初级的缓存不一致问题及解决方案：

采用 cache aside pattern 并发更新操纵的时候可以先删除缓存，然后更新数据库。

1. 删除缓存失败，那么不会去执行 update 操作
2. 删除缓存成功，update 失败，读请求还是会将旧值写回到 redis 中。
3. 删除缓存成功，update 成功，读请求会将新值写回到 redis 中。
1
2
3

复杂情况的解决办法：

一个 update 操作，在删除缓存成功，但 update 操作未提交的情况下，读请求会读取数据库中旧的值，至此缓存中是旧值，update 后的数据库是新值，这种情况就应该采用异步读写请求队列去解决，简而言之，update 请求入队列，读请求入队列，update 操作未执行完之前，读操作被阻塞，但是读操作需要 while 循环一段时间，因为一旦当前操作的读请求之前还有一个读请求在队列中，很可能前一个读请求已经将 update 后的新值读取到 redis 当中了。

---

缓存和数据库一致性解决方案：

方案一：采用延时双删策略

1、在写库前后都进行 redis.del(key) 操作，并且设定合理的超时时间。

public void write( String key, Object data )
{
    redis.delKey( key );
    db.updateData( data );
    Thread.sleep( 500 );
    redis.delKey( key );
}
1
2
3
4
5
6
7

2、具体步骤是：

   	 1. 先删除缓存
   	 2. 再写数据库
  	 3. 休眠 500 毫秒
  	 4. 再次删除缓存
1
2
3
4

那么，这个 500 毫秒是怎么确定的呢？具体该休眠多久呢？

需要评估我们的项目的读数据业务逻辑的耗时。这么做的目的是确保读请求结束，写请求可以删除读请求造成的缓存脏数据。
当然这种策略还要考虑 redis 和数据库主从同步的耗时。最后写数据的休眠时间：在读数据业务逻辑的耗时基础上，加几百 ms 即可。

3、设置缓存过期时间

从理论上来说，给缓存设置过期时间，是保证最终一致性的解决方案。所有的写操作以数据库为准，只要到达缓存过期时间，那么后面的读请求自然会从数据库中读取新值，然后回填缓存。

4、方案的弊端

结合双删策略 + 缓存超时设置，这样最差的情况就是在超时时间内数据存在不一致，而且又增加了写请求的耗时。

方案二：异步更新缓存（基于订阅 binlog 的同步机制）

1、技术整体思路：

MySQL binlog 增量订阅消费 + 消息队列 + 增量数据更新到 redis

• 读 Redis ：热数据基本都在 Redis
• 写 MySQL ：增删改都是操作 MySQL
• 更新 Redis 数据：MySQL 的数据操作 binlog ，来更新到 Redis

2、 Redis 更新

（1）数据操作主要分为两大块：

• 一个是全量（将全部数据一次写入到 redis ）
• 一个是增量（实时更新）

这里说的是增量，指的是 mysql 的 update、insert、delate 变更数据。

（2）读取 binlog 后分析，利用消息队列，推送更新各台的 redis 缓存数据。

这样一旦 MySQL 中产生了新的写入、更新、删除等操作，就可以把 binlog 相关的消息推送至 Redis ，Redis 再根据 binlog 中的记录，对 Redis 进行更新。

其实这种机制，很类似 MySQL 的主从备份机制，因为 MySQL 的主备也是通过 binlog 来实现的数据一致性。

这里可以结合试用 canal（阿里的一款开源框架），通过该框架可以对 MySQL 的 binlog 进行订阅，而 canal 正是模仿了 mysql 的 slave 数据库的备份请求，使得 Redis 的数据更新达到了相同的效果。

当然，这里的消息推送工具我们也可以采用别的第三方：kafka、rabbitMQ 等来实现推送更新 Redis ！

转自怎么保证 redis 和 db 中的数据一致

---

好事定律：每件事最后都会是好事，如果不是好事，说明还没到最后。