1 什么是一致性？

一致性就是數據保持一致，在分布式系統中，可以理解為多個節點中數據的值是一致的。

強一致性： 這種一致性級別是最符合用戶直覺的，它要求系統寫入什么，讀出來的也會是什么，用戶體驗性好，但實現起來往往對系統的性能影響大；

弱一致性： 這種一致性級別約束了系統在寫入成功后，不承諾立即可以讀到寫入的值，也不承諾多久之后數據能夠達到一致，但會盡可能地保證到某個時間級別(比如秒級別)后，數據能夠達到一致狀態；

最終一致性： 最終一致性是弱一致性的一個特例，系統會保證在一定時間內，能夠達到一個數據一致的狀態。這里之所以將最終一致性單獨提出來，是因為它是弱一致性中非常推崇的一種一致性模型，也是業界在大型分布式系統的數據一致性上比較推崇的模型；

 2 三個經典的緩存模式

緩存可以提升性能、緩解數據庫壓力，但是使用緩存也會導致數據不一致性的問題。一般我們是如何使用緩存呢？有三種經典的緩存使用模式：

• Cache-Aside Pattern；
• Read-Through / Write-Through
• Write-behind

(1) Cache-Aside

Cache-Aside Pattern, 即旁路緩存模式。它的提出是為了盡可能地解決緩存與數據庫的數據不一致問題。

a. Cache-Aside讀流程

Cache-Aside Pattern的讀請求流程如下：

讀的時候，先讀緩存，緩存命中的話，直接返回數據；緩存沒有命中的話，就去讀數據庫，從數據庫中取出數據，放入緩存后，同時返回響應； b.Cache-Aside寫流程

Cache-Aside Pattern的寫請求流程如下：

更新得到時候，先更新數據庫，然后再刪除緩存。

當這個數據在下一次需要的時候，使用Cache-Aside模式將會在獲取數據的時候，同時從數據倉庫中獲取數據，并且寫到Cache之中。

(2) Read-Through/Write-Through（讀寫穿透）

Read/Write - Through模式中，服務端把緩存作為主要數據存儲。應用程序跟數據庫緩存交互，都是通過抽象緩存層完成的。

a.Read-Through

Read-Through讀的簡要流程如下：

從緩存中讀取數據，讀到直接返回；

如果讀取不到的話，從數據庫中加載，寫入緩存后，再返回響應；

這個簡要流程是不是跟Cache-Aside很像呢？其實Read-Through就是多了一層Cache-Provider而已，流程如下：

Read-Through 實際上只是在Cache-Aside之上進行了一層封裝，它會讓程序代碼變得更加簡潔，同時也減少數據源上的負載。

b.Write-Through

Write-Through模式下，當發生寫請求時，也是由緩存抽象層完成數據源和緩存數據的更新，流程如下：

(3) Write-behind（異步緩存寫入）

Write-behind跟Read-Through/Write-Through有很多相似的地方，都是由Cache Provider來負責緩存和數據庫的讀寫。它們又有個很大的不同：Read/Write-Through是同步更新緩存和數據的，Write-Behind則是只更新緩存，不直接更新數據庫，通過批量異步的方式來更新數據庫。

這種方式下，緩存和數據庫的一致性不強，對一致性要求高的系統要謹慎使用。

但是它適合頻繁寫的場景，MySQL的Innodb Buffer Pool機制就是用到這種模式。

3 操作緩存的時候，到底是刪除緩存呢，還是更新緩存？

日常開發中，我們一般使用的就是Cache-Aside模式。但這里我們注意到Cache-Aside在寫入請求的時候，為什么是刪除緩存而不是更新緩存呢？

我們在操作緩存的時候，到底應該刪除緩存還是更新緩存呢？這里通過一個例子來說明一下：

線程A先發起一個寫操作，第一步先更新數據庫；線程B先發起一個寫操作，第二步后更新數據庫；但是由于網絡等原因，線程B先更新了緩存；線程A更新緩存；

此外, 更新緩存相對于刪除緩存，還有兩點劣勢：

如果你寫入的緩存值，是經過復雜計算才得到的話，更新緩存頻率高的話，就浪費性能了；在寫數據庫場景多、讀數據場景少的情況下，數據很多時候還沒被讀取到，又被更新了，這也浪費了性能呢。 4 雙寫的情況下，先操作數據庫還是先操作緩存呢？

Cache-Aside緩存模式中，有些小伙伴還是會有疑問，在寫請求過來的時候，為什么是先操作數據庫呢？為什么不先操作緩存呢？

例子：假設有A、B兩個請求，請求A做更新操作，請求B做查詢讀取操作。

線程A發起一個寫操作，第一步del cache；此時線程B發起一個讀操作，cache miss；線程B繼續讀DB，讀出來一個老數據，此時線程B把老數據設置入cache；線程A寫入DB更新數據；

這里就存在這樣的一個問題了：緩存和數據庫的數據不一致了。緩存保存的是老數據，數據庫保存的是新數據。 因此，Cache-Aside緩存模式，選擇了先操作數據庫而不是先操作緩存。

但可能這時候有小伙伴會思考：先操作數據庫再操作緩存，不一樣也會導致不一致嘛？它倆又不是原子性操作的。這個是會的。但是這種方式，一般會因為刪除緩存失敗等原因，才會導致臟數據，這個概率就很低。

那么針對這種刪除緩存失敗的情況，如何保證一致性呢？

數據庫和緩存數據保持強一致，可以嘛？

實際上，沒辦法做到數據庫和緩存的絕對的一致性。

加鎖可以嘛？并發寫期間加鎖，任何讀操作不寫入緩存？緩存以及數據庫封裝CAS樂觀鎖，更新緩存時通過lua腳本？分布式事務，3PC?TCC？

其實，這是由CAP理論 決定的。緩存系統適用的場景就是非強一致性的場景，它屬于CAP中的AP 。個人覺得，追求絕對一致性的業務場景，不適合引入緩存。

CAP理論，指的是在一個分布式戲中，Consistency（一致性）、Availability（可用性）、Partition tolerance（分區容錯性）。三者不可兼得

5 幾種方案保證數據庫與緩存的一致性 (1) 緩存延時雙刪

有些小伙伴可能會說，并不一定要先操作數據庫呀，采用緩存延時雙刪策略，就可以保證數據的一致性拉。那么什么是延時雙刪呢？

先刪除緩存；再更新數據庫；再休眠一會(比如1秒)，再次刪除緩存；

那么這個休眠一會，一般多久呢？都是1秒？

這個休眠時間 = 讀業務邏輯數據的耗時 + 幾百毫秒。 為了確保讀請求結束，寫請求可以刪除讀請求可能帶來的緩存臟數據；

這種方案還算可以，只有休眠那一會（比如就那1秒），可能有臟數據，一般業務也會接受的。但是如果第二次刪除緩存失敗呢？緩存和數據庫的數據還是可能不一致，對吧？給Key設置一個自然的expire過期時間，讓它自動過期怎樣？那業務要接受過期時間內，數據的不一致咯？還是有其他更佳方案呢？

(2) 刪除緩存重試機制

不管是延時雙刪還是Cache-Aside的先操作數據庫再刪除緩存， 都可能會存在第二步的刪除緩存失敗，導致的數據不一致問題。可以使用這個方案優化：刪除失敗就多刪除幾次呀，保證刪除緩存成功就可以了呀~ 所以可以引入刪除緩存重試機制。

寫請求更新數據庫；緩存因為某些原因，刪除失敗；把刪除失敗的key放到消息隊列；消費消息隊列的消息，獲取要刪除的key；重試刪除緩存操作； (3) 讀取binlog異步刪除緩存

重試刪除緩存機制還可以，但是會造成好多業務代碼入侵。其實，還可以這樣優化：通過數據庫的binlog來異步淘汰key。

以上就是Redis與MySQL雙寫一致性如何保證呢的詳細內容，更多關于Redis與MySQL雙寫一致性的資料請關注腳本之家其它相關文章！