共计 3511 个字符，预计需要花费 9 分钟才能阅读完成。
在实在的业务场景中，咱们业务的数据——例如订单、会员、领取等——都是长久化到数据库中的，因为数据库能有很好的事务保障、长久化保障。然而，正因为数据库要可能满足这么多优良的性能个性，使得数据库在设计上通常难以兼顾到性能，因而往往不能满足大型流量下的性能要求，像是 MySQL 数据库只能承当“千”这个级别的 QPS，否则很可能会不稳固，进而导致整个零碎的故障。
然而主观上，咱们的业务规模很可能要求着更高的 QPS，有些业务的规模自身就十分大，也有些业务会遇到一些流量顶峰，比方电商会遇到大促的状况。
而这时候大部分的流量实际上都是读申请，而且大部分数据也是没有那么多变动的，如热门商品信息、微博的内容等常见数据就是如此。此时，缓存就是咱们应答此类场景的利器。
缓存的意义
所谓缓存，实际上就是用空间换工夫，精确地说是用更高速的空间来换工夫，从而整体上晋升读的性能。
何为更高速的空间呢？
1、更快的存储介质。通常状况下，如果说数据库的速度慢，就得用更快的存储介质去代替它，目前最常见的就是 Redis。Redis 单实例的读 QPS 能够高达 10w/s，90% 的场景下只须要正确应用 Redis 就能应答。
2、就近应用本地内存。就像 CPU 也有高速缓存一样，缓存也能够分为一级缓存、二级缓存。即使 Redis 自身性能曾经足够高了，但拜访一次 Redis 毕竟也须要一次网络 IO，而应用本地内存无疑有更快的速度。不过单机的内存是非常无限的，所以这种一级缓存只能存储十分大量的数据，通常是最热点的那些 key 对应的数据。这就相当于额定耗费贵重的服务内存去换取高速的读取性能。
引入缓存后的一致性挑战
用空间换工夫，意味着数据同时存在于多个空间。最常见的场景就是数据同时存在于 Redis 与 MySQL 上（为了问题的普适性，前面举例中若没有特地阐明，缓存均指 Redis 缓存）。
实际上，最权威最全的数据还是在 MySQL 里的，只有 Redis 数据没有失去及时的更新而导致最新数据没有同步到 Redis 中，就呈现了数据不统一。
大部分状况下，只有应用了缓存，就必然会有不统一的状况呈现，只是说这个不统一的工夫窗口是否能做到足够的小。有些不合理的设计可能会导致数据继续不统一，这是咱们须要改善设计去防止的。
缓存不一致性无奈主观地齐全毁灭
为什么咱们简直没方法做到缓存和数据库之间的强统一呢？
失常状况下，咱们须要在数据库更新完后，把对应的最新数据同步到缓存中，以便在读申请的时候，能读到新的数据而不是旧的数据（脏数据）。然而很惋惜，因为数据库和 Redis 之间是没有事务保障的，所以咱们无奈确保写入数据库胜利后，写入 Redis 也是肯定胜利的；即使 Redis 写入能胜利，在数据库写入胜利后到 Redis 写入胜利前的这段时间里，Redis 数据也必定是和 MySQL 不统一的。如下图：
所以说这个工夫窗口是没方法齐全毁灭的，除非咱们付出极大的代价，应用分布式事务等各种伎俩去维持强统一，然而这样会使得零碎的整体性能大幅度降落，甚至比不必缓存还慢，这样不就与咱们应用缓存的指标南辕北辙了吗？
不过尽管无奈做到强统一，然而咱们能做到的是缓存与数据库达到最终统一，而且不统一的工夫窗口咱们能做到尽可能短，依照教训来说，如果能将工夫优化到 1ms 之内，这个一致性问题带来的影响咱们就能够忽略不计。
更新缓存的伎俩
data = queryDataRedis(key);
if (data ==null) {data = queryDataMySQL(key); // 缓存查问不到，从 MySQL 做查问
if (data!=null) {updateRedis(key, data);// 查问完数据后更新到 MySQL
}
}也就是说优先查问缓存，查问不到才查询数据库。如果这时候数据库查到数据了，就将缓存的数据进行更新。这样的逻辑是正确的，而一致性的问题个别不来源于此，而是呈现在解决写申请的时候。所以咱们简化成最简略的写申请的逻辑，此时你可能会面临多个抉择，到底是间接更新缓存，还是生效缓存？而无论是更新缓存还是生效缓存，都能够抉择在更新数据库之前，还是之后操作。
这样就演变出 4 个策略：
1、更新数据库后更新缓存
2、更新数据库前更新缓存
3、更新数据库后删除缓存
4、更新数据库前删除缓存。
经验总结
做个简略总结（能够查看原文，有具体的剖析逻辑），足以适应绝大部分的互联网开发场景的决策：
1、针对大部分读多写少场景，倡议抉择更新数据库后删除缓存的策略。
2、针对读写相当或者写多读少的场景，倡议抉择更新数据库后更新缓存的策略。
最终一致性如何保障？
缓存设置过期工夫
第一个办法便是咱们下面提到的，当咱们无奈确定 MySQL 更新实现后，缓存的更新 / 删除肯定能胜利，例如 Redis 挂了导致写入失败了，或者过后网络呈现故障，更常见的是服务过后刚好产生重启了，没有执行这一步的代码。
这些时候 MySQL 的数据就无奈刷到 Redis 了。为了防止这种不一致性永恒存在，应用缓存的时候，咱们必须要给缓存设置一个过期工夫，例如 1 分钟，这样即便呈现了更新 Redis 失败的极其场景，不统一的工夫窗口最多也只是 1 分钟。
这是咱们最终一致性的兜底计划，万一呈现任何状况的不统一问题，最初都能通过缓存生效后从新查询数据库，而后回写到缓存，来做到缓存与数据库的最终统一。
如何缩小缓存删除 / 更新的失败？
万一删除缓存这一步因为服务重启没有执行，或者 Redis 长期不可用导致删除缓存失败了，就会有一个较长的工夫（缓存的残余过期工夫）是数据不统一的。
那咱们有没有什么伎俩来缩小这种不统一的状况呈现呢？这时候借助一个牢靠的消息中间件就是一个不错的抉择。
因为消息中间件有 ATLEAST-ONCE 的机制，如下图所示。
咱们把删除 Redis 的申请以生产 MQ 音讯的伎俩去生效对应的 Key 值，如果 Redis 真的存在异样导致无奈删除胜利，咱们仍旧能够依附 MQ 的重试机制来让最终 Redis 对应的 Key 生效。
而你们或者会问，极其场景下，是否存在更新数据库后 MQ 音讯没发送胜利，或者没机会发送进来机器就重启的状况？
这个场景确实比拟麻烦，如果 MQ 应用的是 RocketMQ，咱们能够借助 RocketMQ 的事务音讯，来让删除缓存的音讯最终肯定发送进来。而如果你没有应用 RocketMQ，或者你应用的消息中间件并没有事务音讯的个性，则能够采取音讯表的形式让更新数据库和发送音讯一起胜利。事实上这个话题比拟大了，咱们不在这里开展。
如何解决简单的多缓存场景？
有些时候，实在的缓存场景并不是数据库中的一个记录对应一个 Key 这么简略，有可能一个数据库记录的更新会牵扯到多个 Key 的更新。还有另外一个场景是，更新不同的数据库的记录时可能须要更新同一个 Key 值，这常见于一些 App 首页数据的缓存。
咱们以一个数据库记录对应多个 Key 的场景来举例。
如果零碎设计上咱们缓存了一个粉丝的主页信息、主播打赏榜 TOP10 的粉丝、单日 TOP 100 的粉丝等多个信息。如果这个粉丝登记了，或者这个粉丝触发了打赏的行为，下面多个 Key 可能都须要更新。只是一个打赏的记录，你可能就要做：
updateMySQL();// 更新数据库一条记录
deleteRedisKey1();// 生效主页信息的缓存
updateRedisKey2();// 更新打赏榜 TOP10
deleteRedisKey3();// 更新单日打赏榜 TOP100这就波及多个 Redis 的操作，每一步都可能失败，影响到前面的更新。甚至从零碎设计上，更新数据库可能是独自的一个服务，而这几个不同的 Key 的缓存保护却在不同的 3 个微服务中，这就大大增加了零碎的复杂度和进步了缓存操作失败的可能性。最可怕的是，操作更新记录的中央很大概率不只在一个业务逻辑中，而是散发在零碎各个零散的地位。针对这个场景，解决方案和上文提到的保障最终一致性的操作一样，就是把更新缓存的操作以 MQ 音讯的形式发送进来，由不同的零碎或者专门的一个零碎进行订阅，而做聚合的操作。如下图：
通过订阅 MySQL binlog 的形式解决缓存
下面讲到的 MQ 解决形式须要业务代码外面显式地发送 MQ 音讯。还有一种优雅的形式便是订阅 MySQL 的 binlog，监听数据的实在变动状况以解决相干的缓存。
例如刚刚提到的例子中，如果粉丝又触发打赏了，这时候咱们利用 binlog 表监听是能及时发现的，发现后就能集中处理了，而且无论是在什么零碎什么地位去更新数据，都能做到集中处理。
目前业界相似的产品有 Canal，具体的操作图如下：
到这里，针对大型零碎缓存设计如何保障最终一致性，咱们曾经从策略、场景、操作计划等角度进行了粗疏的讲述，这些是我依据多年开发教训进行总结的，心愿能对你起到帮忙。
