赞
踩
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。
最经典的缓存 + 数据库读写的模式,就是 Cache Aside Pattern 。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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 );
}
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
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
2、 Redis 更新
(1)数据操作主要分为两大块:
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 !
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。
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。