缓存与数据库一致性

序言

一般来说，对于一个新的业务，一般会经历这几个阶段：

阶段1：单库阶段

读写流量都比较小，这个时候所有的读写操作都在主库就ok了
这个时候，从库可能只是用来灾备
风险分析：从数据一致性角度来说没有风险，全走主库美滋滋~

阶段2：多库阶段

阶段2.1：

单库扛不住了，这个时候就会考虑到分库分表了，通过增加数据库的方式，把单库的QPS降下来
风险分析： 从数据一致性角度来说没有风险，全走主库依然美滋滋~

阶段2.2：

读流量增加，主库的读QPS偏高，这个时候我们就想着把从库得利用起来，于是读写分离：写主库，读从库
风险分析：读从库就意味着，读到的数据可能不是最新的，在实时性要求比较高的业务中是不能接受的，那应该如何解决呢？由于”DB主从一致性”不是本系列讨论的重点，所以这里推荐一篇文章,它介绍了几种比较不错的解决方案，感兴趣的大家可以去读一下：DB主从一致性架构优化4种方法

阶段3：数据库+缓存

对于互联网公司来说，大部分业务都面临着读多写少的情况（如果你写都有压力的话，那你做的业务一定很赚钱吧），而数据库资源是极其宝贵的，所以我们没有办法一味的添加从库，或者说不断的增加分库分表来解决，一是因为老板不会同意，二是不断分库分表的话，数据迁移过程也是高风险的。
所以，这个时候我们一般会通过添加的缓存的方式，来解决读压力
风险分析：缓存与数据库数据一致性问题

这就引出本系列文章，想要讨论的问题：缓存与数据库数据一致性问题，在提出解决方案之前，我们应该分析自己当前的业务和架构，看看自己的要达到的目标是什么？不同的方案解决的问题是不一样的

所以，你的业务和目标是怎样的呢？

• 你是要求最终一致性、还是强一致性？
• 你对缓存一致性的要求到底有多高？延迟1ms行不行？延迟1min行不行？
• 你当前是单库单表？还是多库多表？
• 你缓存的数据结构是怎样的？是否存在多表合并？是否存在多行合并的情况？甚至多库合并的情况？
• 该如何容灾?更新、删除缓存失败你能不能接受？写数据库失败怎么办？
• 如果删除缓存失败，你还允不允许更新数据库？
• ……

只有我们看清楚自己的系统需要达到一种怎样的要求，才能针对性的制定对应的方案。

第一种情况

今天，我们来分析一下，缓存与数据库被使用次数最多的一种使用方法

写流程：

第一步先删除缓存，删除之后再更新DB，之后再异步将数据刷回缓存

读流程：

第一步先读缓存，如果缓存没读到，则去读DB，之后再异步将数据刷回缓存

方案分析

优点剖析

实现起来简单

“先淘汰缓存，再写数据库” 合理

为什么说这也算优点呢？试想一下

如果把写流程改一下：先更新缓存，再更新DB。 如果我们更新缓存成功，而更新数据库失败，就会导致缓存中的数据是错误的，而我们大部分的业务一般能忍受数据延迟，但是数据错误这是无法接受的，所以先淘汰缓存是比较合理的。 如果把写流程改一下：不删缓存，先更新DB，再更新缓存。 如果我们更新DB成功，而更新缓存失败，则会导致缓存中就会一直是旧的数据（也算是一种错误数据），所以先淘汰缓存是比较合理的。

异步刷新，补缺补漏

在很多业务场景中，缓存只是辅助，所以在很多业务中，缓存的读写失败不会影响主流程，啥意思呢？就是说很多情况下，即使操作缓存失败（比如步骤1.1中的’DEL缓存失败’），程序还是会继续往下走（继续步骤1.2 更新数据库)，所以这个时候异步刷新就能在一定程度上，对1.1的失败进行错误数据的修补

说完优点，我们再来看看缺点

缺点剖析

容灾不足

我们来分析一下写流程，第一步，’DEL缓存失败’怎么办？流程是否还继续走？如果继续执行，那么从’更新完DB’到异步’刷新缓存’缓存期间，数据处于滞后状态。而且如果缓存处于不可写状态，那么异步刷新那步也可能会失败，那缓存就会长期处于旧数据，问题就比较严重了

并发问题

写写并发：试想一下，同时有多个服务器的多个线程进行’步骤1.2更新DB’，更新DB完成之后，它们就要进行异步刷缓存，我们都知道多服务器的异步操作，是无法保证顺序的，所以后面的刷新操作存在相互覆盖的并发问题，也就是说，存在先更新的DB操作，反而很晚才去刷新缓存，那这个时候，数据也是错的

读写并发：再试想一下，服务器A在进行读操作，在A服务器刚完成2.2时，服务器B在进行写操作，假设B服务器1.3完成之后，服务器A的1.3才被执行，这个时候就相当于更新前的老数据写入缓存，最终数据还是错的

方案总结

这个方案呢，适合大部分的业务场景，很多人都在用，香还是很香的，实现起来也简单。
适合使用的场景：并发量、一致性要求都不是很高的情况。
但是这个方案有一个比较大的缺陷在于刷新缓存有可能会失败，而失败之后缓存中数据就一直会处于错误状态，所以它并不能保证数据的最终一致性。

第二种情况

在前面我们提到，它的一个比较大的缺陷在于刷新缓存有可能会失败，而失败之后缓存中数据就一直会处于错误状态，所以它并不能保证数据的最终一致性

为了保证数据最终一致性，我们引入binlog，通过解析binlog来刷新缓存，这样即使刷新失败，依然可以进行日志回放，再次刷新缓存

写流程：

第一步先删除缓存，删除之后再更新DB，我们监听从库(资源少的话主库也ok)的binlog，通过分析binlog我们解析出需要需要刷新的数据，然后读主库把最新的数据写入缓存。

读流程：

第一步先读缓存，如果缓存没读到，则去读DB，之后再异步将数据刷回缓存

方案分析

优点剖析

容灾

写步骤1.4或1.5 如果失败，可以进行日志回放，再次重试。
无论步骤1.1是否删除成功，后续的刷新操作是有保证的

缺点剖析

只适合简单业务，复杂业务容易发生并发问题

这里先来解释一下这里说的简单业务是啥意思？

为什么复杂业务就不行呢？我举个例子
我们假设 一个订单 = A表信息 + B表信息

由于A表先变化，经过1，2，3步后，线程1获取了A’B （A表是新数据，B表的老数据），当线程1还没来得及刷新缓存时，并发发生了：

此时，B表发生了更新，经过4，5，6，7将最新的数据A’B’写入缓存，此时此刻缓存数据是符合要求的。

但是，后来线程1进行了第8步，将A’B写入数据，使得缓存最终结果 与 DB 不一致。

缺点1的改进

• 针对单库多表单次更新的改进：利用事务

当AB表的更新发生在一个事务内时，不管线程1、线程2如何读取，他们都能获取两张表的最新数据，所以刷新缓存的数据都是符合要求的。

所以这种方案只针对多表单次更新的情况。

• 针对多表多次更新的改进：增量更新

每张表的更新，在同步缓存时，只获取该表的字段覆盖缓存。

这样，线程1，线程2总能获取对应表最新的字段，而且Databus对于同表同行会以串行的形式通知下游，所以能保证缓存的最终一致性。

依然是并发问题

即使对于缺点1我们提出了改进方案，虽然它解决了部分问题，但在极端场景下依然存在并发问题。
这个场景，就是缓存中没有数据的情况：

• 读的时候，缓存中的数据已失效，此时又发生了更新
• 数据更新的时候，缓存中的数据已失效，此时又发生了更新

这个时候，我们在上面提到的“增量更新”就不起作用了，我们需要读取所有的表来拼凑出初始数据，那这个时候又涉及到读所有表的操作了，那我们在缺点1中提到的并发问题会再次发生

方案总结

适合使用的场景：业务简单，读写QPS比较低的情况。
这个方案呢，优缺点都比较明显，binlog用来刷新缓存是一个很棒的选择，它天然的顺序性用来做同步操作很具有优势；其实它的并发问题来自于Canal 或 Databus。拿Databus来说，由于不同行、表、库的binlog的消费并不是时间串行的。

第三种情况

在第二种情况内容中，我们提到上一个方案的并发问题

那我们我们可以看到，这个问题就来自于 读数据库 + 写缓存 之间的交错并发，那怎么来避免呢？
有一个方法就是：串行化，我们利用MQ将所有 读数据库 + 写缓存 的步骤串行化

写流程：

第一步先删除缓存，删除之后再更新DB，我们监听从库(资源少的话主库也ok)的binlog，通过分析binlog我们解析出需要需要刷新的数据标识，然后将数据标识写入MQ，接下来就消费MQ，解析MQ消息来读库获取相应的数据刷新缓存。

读流程：

第一步先读缓存，如果缓存没读到，则去读DB，之后再异步将数据标识写入MQ（这里MQ与写流程的MQ是同一个），接下来就消费MQ，解析MQ消息来读库获取相应的数据刷新缓存。

方案分析

优点剖析

容灾完善

我们一步一步来分析：

写流程容灾分析

• 写1.1 DEL缓存失败：没关系，后面会覆盖
• 写1.4 写MQ失败：没关系，Databus或Canal都会重试
• 消费MQ的：1.5 || 1.6 失败：没关系，重新消费即可

读流程容灾分析

• 读2.3 异步写MQ失败：没关系，缓存为空，是OK的，下次还读库就好了

无并发问题

这个方案让“读库 + 刷缓存”的操作串行化，这就不存在老数据覆盖新数据的并发问题了

缺点剖析

方案总结

经过3部分由浅入深的介绍，终于实现了“最终一致性”。这个方案优点比较明显，解决了我们前面一直提到的“容灾问题”和“并发问题”，保证了缓存在最后和DB的一致。如果你的业务只需要达到“最终一致性”要求的话，这个方案是比较合理的。

到目前为止，既然已经实现了**“最终一致性”，那我们再进一步，“强一致性”**又该如何实现呢？

第四种情况

经过前面的整理，我们终于的实现了最终一致性，name我们再进一步，在前一个方案的基础上实现强一致性

首先我们来分析一下，既然已经实现了最终一致性，那它和强一致性的区别是什么呢？没错，就是“时间差”，所以：

那我们的工作呢，就是加上时间差，实现方式：我们加一个缓存，将近期被修改的数据进行标记锁定。读的时候，标记锁定的数据强行走DB，没锁定的数据，先走缓存

写流程：

我们把修改的数据通过Cache_0标记“正在被修改”，如果标记成功，则继续往下走，后面的步骤与系列三是一致的;那如果标记失败，则要放弃这次修改。

如果说，还想更严谨一点，怕DB主从延迟太久、MQ延迟太久，或Databus监听的从库挂机之类的情况，我们可以考虑增加一个监控定时任务。
比如我们增加一个时间间隔2S的worker的去对比以下两个数据：

• 时间1： 最后修改数据库的时间
  VS
• 时间2： 最后由更新引起的’MQ刷新缓存对应数据的实际更新数据库’的时间

如果 时间1 VS 时间2 相差超过5S，那我们就自动把相应的缓存分片读降级。

读流程：

先读Cache_0，看看要读的数据是否被标记，如果被标记，则直接读主库；如果没有被标记，后面的步骤与系列三一致的。

方案分析

优点剖析

容灾完善

我们一步一步来分析：

写流程容灾分析

• 写1.1 标记失败：没关系，放弃整个更新操作
• 写1.3 DEL缓存失败：没关系，后面会覆盖
• 写1.5 写MQ失败：没关系，Databus或Canal都会重试
• 消费MQ的：1.6 || 1.7 失败：没关系，重新消费即可

读流程容灾分析

• 读2.1 读Cache_0失败：没关系，直接读主库
• 读2.3 异步写MQ失败：没关系，缓存为空，是OK的，下次还读库就好了

无并发问题

这个方案让“读库 + 刷缓存”的操作串行化，这就不存在老数据覆盖新数据的并发问题了

缺点剖析

增加Cache_0强依赖

这个其实有点没办法，你要强一致性，必然要牺牲一些的。
但是呢，你这个可以吧Cache_0设计成多机器多分片，这样的话，即使部分分片挂了，也只有小部分流量透过Cache直接打到DB上，这是完全是可接受的

复杂度是比较高的

涉及到Databus、MQ、定时任务等等组件，实现起来复杂度还是有的

方案总结

OK，到此呢，我们已经实现了数据库和缓存强一致性。

参考文献

1. Canal
2. Databus
3. Kafka
4. Redis Expire 命令
5. Databus & Canal 对比