緩存失效情況舉例
看下這個段偽代碼：
local value = get_from_cache(key)
if not value then
value = query_db(sql)
set_to_cache(value， timeout ＝ 100)
end
return value
看上去沒有問題，在單元測試情況下，也不會有異常。
但是，進行壓力測試的時候，你會發現，每隔100秒，數據庫的查詢就會出現一次峰值。如果你的cache失效時間設置的比較長，那么這個問題被發現的機率就會降低。
為什么會出現峰值呢？想象一下，在cache失效的瞬間，如果并發請求有1000條同時到了 query_db(sql) 這個函數會怎樣？沒錯，會有1000個請求打向數據庫。這就是緩存失效瞬間引起的風暴。它有一個英文名，叫 "dog-pile effect"。
怎么解決？自然的想法是發現緩存失效后，加一把鎖來控制數據庫的請求。具體的細節，春哥在lua-resty-lock的文檔里面做了詳細的說明，我就不重復了，請看這里。多說一句，lua-resty-lock庫本身已經替你完成了wait for lock的過程，看代碼的時候需要注意下這個細節。
傳統緩存失效應對策略
為了提高業務訪問速度，提升業務讀并發，很多用戶都會在業務架構中引入緩存層。業務所有讀請求全部路由到緩存層，通過緩存的內存讀取機制大大提升業務讀取性能。緩存中的數據不能持久化 ，一旦緩存異常退出，那么內存中的數據就會丟失，所以為了保證數據完整，業務的更新數據會落地到持久化存儲中，例如DB。目前云用戶的業務架構一般如下圖：
在上圖中，大家可以看到，用戶的更新數據直接持久化到DB, 業務讀請求直接請求緩存數據，所以業務需要解決緩存失效問題，即解決因為數據變更導致緩存中的數據失效的問題。 目前業務解決緩存失效問題的解決方法一般是業務實現DB、緩存雙寫。通過業務雙寫解決緩存失效，存在如下的問題：
代碼侵入性比較強，需要雙寫兩份存儲，任何對DB的數據變更，都需要同時更新緩存，代碼層面后期可維護程度不高
用戶請求線程里同步調用緩存，對緩存存在強以來，遇到緩存超時等異常時，沒有辦法做到有效的重試，遇到異常給用戶返回系統錯誤、操作失敗等信息，嚴重影響用戶體驗
用戶請求線程里同步完成DB、緩存雙寫，變更請求鏈路長，訪問延遲大，影響用戶體驗
RDS數據訂閱消費，輕松解決緩存失效
在阿里巴巴內部同樣也遇到了緩存失效的問題，隨著業務架構得不斷調整優化，我們已經沉淀出一套高可靠、極優雅得緩存失效架構。即通過數據傳輸提供的數據訂閱功能，異步獲取DB（例如公共云上的RDS）的增量數據，根據增量數據進行緩存失效。具體的架構類似下圖：
在這個架構里面，緩存更新流程如下：
1.業務完成DB更新后即返回請求
2.數據訂閱通過日志解析方式實時解析并訂閱DB的增量更新數據，當發現DB有數據更新時，將增量數據推送給下游消費者
3.下游消費業務一旦接收到增量更新數據，即調用消費線程進行緩存更新
至此完成整個緩存更新過程。
從上面的緩存失效流程，可以看出這種緩存失效機制：
1.更新路徑短，延遲低： 緩存失效為異步流程，業務更新DB完成后直接返回，不需要關心緩存失效流程，整個更新路徑短，更新延遲低
2.應用簡單可靠：應用無需實現復雜雙寫邏輯，只需啟動異步線程監聽增量數據，更新緩存數據即可
3.應用更新無性能消耗：因為數據訂閱是通過解析DB的增量日志來獲取增量數據，獲取數據的過程對業務、DB性能無損
小結
數據訂閱功能為阿里云數據傳輸提供的一種數據分發方式。通過數據訂閱實現的緩存失效策略，讓業務更新更快捷，讓業務邏輯更簡單、更可靠。
數據訂閱只是數據傳輸提供的一種傳輸方式，除數據訂閱之外，數據傳輸還提供了數據實時同步，不停服遷移等多種傳輸能力，如需了解數據傳輸更多詳情，請猛擊數據傳輸。
