首先，緩存由於其高併發和高性能的特性，已經在項目中被廣泛使用。在讀取緩存方面，大家沒啥疑問，都是按照下圖的流程來進行業務操作。
但是在更新緩存方面，對於更新完數據庫，是更新緩存呢，還是刪除緩存。又或者是先刪除緩存，再更新數據庫，其實大家存在很大的爭議。目前沒有一篇全面的博客，對這幾種方案進行解析。於是博主戰戰兢兢，頂着被大家噴的風險，寫了這篇文章。
文章結構
本文由以下三個部分組成
1、講解緩存更新策略
2、對每種策略進行缺點分析
3、針對缺點給出改進方案
正文
先做一個說明，從理論上來說，給緩存設置過期時間，是保證最終一致性的解決方案。這種方案下，我們可以對存入緩存的數據設置過期時間，所有的寫操作以數據庫爲準，對緩存操作只是盡最大努力即可。也就是說如果數據庫寫成功，緩存更新失敗，那麼只要到達過期時間，則後面的讀請求自然會從數據庫中讀取新值然後回填緩存。因此，接下來討論的思路不依賴於給緩存設置過期時間這個方案。
在這裏，我們討論三種更新策略：
-
先更新數據庫，再更新緩存
-
先刪除緩存，再更新數據庫
-
先更新數據庫，再刪除緩存
應該沒人問我，爲什麼沒有先更新緩存，再更新數據庫這種策略。
(1)先更新數據庫，再更新緩存
這套方案，大家是普遍反對的。爲什麼呢？有如下兩點原因。
- 原因一（線程安全角度）
同時有請求A和請求B進行更新操作，那麼會出現
（1）線程A更新了數據庫
（2）線程B更新了數據庫
（3）線程B更新了緩存
（4）線程A更新了緩存
這就出現請求A更新緩存應該比請求B更新緩存早纔對，但是因爲網絡等原因，B卻比A更早更新了緩存。這就導致了髒數據，因此不考慮。
- 原因二（業務場景角度）
有如下兩點：
（1）如果你是一個寫數據庫場景比較多，而讀數據場景比較少的業務需求，採用這種方案就會導致，數據壓根還沒讀到，緩存就被頻繁的更新，浪費性能。
（2）如果你寫入數據庫的值，並不是直接寫入緩存的，而是要經過一系列複雜的計算再寫入緩存。那麼，每次寫入數據庫後，都再次計算寫入緩存的值，無疑是浪費性能的。顯然，刪除緩存更爲適合。
接下來討論的就是爭議最大的，先刪緩存，再更新數據庫。還是先更新數據庫，再刪緩存的問題。
(2)先刪緩存，再更新數據庫
該方案會導致不一致的原因是。同時有一個請求A進行更新操作，另一個請求B進行查詢操作。那麼會出現如下情形:
（1）請求A進行寫操作，刪除緩存
（2）請求B查詢發現緩存不存在
（3）請求B去數據庫查詢得到舊值
（4）請求B將舊值寫入緩存
（5）請求A將新值寫入數據庫
上述情況就會導致不一致的情形出現。而且，如果不採用給緩存設置過期時間策略，該數據永遠都是髒數據。
那麼，如何解決呢？採用延時雙刪策略
僞代碼如下
public void write(String key,Object data){
redis.delKey(key);
db.updateData(data);
Thread.sleep(1000);
redis.delKey(key);
}
轉化爲中文描述就是
（1）先淘汰緩存
（2）再寫數據庫（這兩步和原來一樣）
（3）休眠1秒，再次淘汰緩存
這麼做，可以將1秒內所造成的緩存髒數據，再次刪除。
那麼，這個1秒怎麼確定的，具體該休眠多久呢？
針對上面的情形，讀者應該自行評估自己的項目的讀數據業務邏輯的耗時。然後寫數據的休眠時間則在讀數據業務邏輯的耗時基礎上，加幾百ms即可。這麼做的目的，就是確保讀請求結束，寫請求可以刪除讀請求造成的緩存髒數據。
如果你用了mysql的讀寫分離架構怎麼辦？
ok，在這種情況下，造成數據不一致的原因如下，還是兩個請求，一個請求A進行更新操作，另一個請求B進行查詢操作。
（1）請求A進行寫操作，刪除緩存
（2）請求A將數據寫入數據庫了，
（3）請求B查詢緩存發現，緩存沒有值
（4）請求B去從庫查詢，這時，還沒有完成主從同步，因此查詢到的是舊值
（5）請求B將舊值寫入緩存
（6）數據庫完成主從同步，從庫變爲新值
上述情形，就是數據不一致的原因。還是使用雙刪延時策略。只是，睡眠時間修改爲在主從同步的延時時間基礎上，加幾百ms。
採用這種同步淘汰策略，吞吐量降低怎麼辦？
ok，那就將第二次刪除作爲異步的。自己起一個線程，異步刪除。這樣，寫的請求就不用沉睡一段時間後了，再返回。這麼做，加大吞吐量。
第二次刪除,如果刪除失敗怎麼辦？
這是個非常好的問題，因爲第二次刪除失敗，就會出現如下情形。還是有兩個請求，一個請求A進行更新操作，另一個請求B進行查詢操作，爲了方便，假設是單庫：
（1）請求A進行寫操作，刪除緩存
（2）請求B查詢發現緩存不存在
（3）請求B去數據庫查詢得到舊值
（4）請求B將舊值寫入緩存
（5）請求A將新值寫入數據庫
（6）請求A試圖去刪除請求B寫入對緩存值，結果失敗了。
ok,這也就是說。如果第二次刪除緩存失敗，會再次出現緩存和數據庫不一致的問題。
如何解決呢？
具體解決方案，且看博主對第(3)種更新策略的解析。
(3)先更新數據庫，再刪緩存
首先，先說一下。老外提出了一個緩存更新套路，名爲《Cache-Aside pattern》。其中就指出
-
失效：應用程序先從cache取數據，沒有得到，則從數據庫中取數據，成功後，放到緩存中。
-
命中：應用程序從cache中取數據，取到後返回。
-
更新：先把數據存到數據庫中，成功後，再讓緩存失效。
-
另外，知名社交網站facebook也在論文《Scaling Memcache at Facebook》中提出，他們用的也是先更新數據庫，再刪緩存的策略。
這種情況不存在併發問題麼？
不是的。假設這會有兩個請求，一個請求A做查詢操作，一個請求B做更新操作，那麼會有如下情形產生
（1）緩存剛好失效
（2）請求A查詢數據庫，得一箇舊值
（3）請求B將新值寫入數據庫
（4）請求B刪除緩存
（5）請求A將查到的舊值寫入緩存
ok，如果發生上述情況，確實是會發生髒數據。
然而，發生這種情況的概率又有多少呢？
發生上述情況有一個先天性條件，就是步驟（3）的寫數據庫操作比步驟（2）的讀數據庫操作耗時更短，纔有可能使得步驟（4）先於步驟（5）。可是，大家想想，數據庫的讀操作的速度遠快於寫操作的（不然做讀寫分離幹嘛，做讀寫分離的意義就是因爲讀操作比較快，耗資源少），因此步驟（3）耗時比步驟（2）更短，這一情形很難出現。
假設，有人非要擡槓，有強迫症，一定要解決怎麼辦？
如何解決上述併發問題？
首先，給緩存設有效時間是一種方案。其次，採用策略（2）裏給出的異步延時刪除策略，保證讀請求完成以後，再進行刪除操作。
還有其他造成不一致的原因麼？
有的，這也是緩存更新策略（2）和緩存更新策略（3）都存在的一個問題，如果刪緩存失敗了怎麼辦，那不是會有不一致的情況出現麼。比如一個寫數據請求，然後寫入數據庫了，刪緩存失敗了，這會就出現不一致的情況了。這也是緩存更新策略（2）裏留下的最後一個疑問。
如何解決？
提供一個保障的重試機制即可，這裏給出兩套方案。
方案一：
如下圖所示
流程如下所示
（1）更新數據庫數據；
（2）緩存因爲種種問題刪除失敗
（3）將需要刪除的key發送至消息隊列
（4）自己消費消息，獲得需要刪除的key
（5）繼續重試刪除操作，直到成功
然而，該方案有一個缺點，對業務線代碼造成大量的侵入。於是有了方案二，在方案二中，啓動一個訂閱程序去訂閱數據庫的binlog，獲得需要操作的數據。在應用程序中，另起一段程序，獲得這個訂閱程序傳來的信息，進行刪除緩存操作。
方案二：
流程如下圖所示：
（1）更新數據庫數據
（2）數據庫會將操作信息寫入binlog日誌當中
（3）訂閱程序提取出所需要的數據以及key
（4）另起一段非業務代碼，獲得該信息
（5）嘗試刪除緩存操作，發現刪除失敗
（6）將這些信息發送至消息隊列
（7）重新從消息隊列中獲得該數據，重試操作。
備註說明：上述的訂閱binlog程序在mysql中有現成的中間件叫canal，可以完成訂閱binlog日誌的功能。至於oracle中，博主目前不知道有沒有現成中間件可以使用。另外，重試機制，博主是採用的是消息隊列的方式。如果對一致性要求不是很高，直接在程序中另起一個線程，每隔一段時間去重試即可，這些大家可以靈活自由發揮，只是提供一個思路。
存粒度控制
選用全量屬性，通用性會更好，也便於維護，像user表這種，用全量屬性還可以，
但我們選用緩存就需要考慮性能和空間的問題，只保存我們需要的屬性就好了（但後期表結構改了，維護性很差）
緩存穿透：（直接對存儲層操作，失去了緩存層的意義）
查詢一個數據庫中不存在的數據，比如商品詳情，查詢一個不存在的ID，每次都會訪問DB，如果有人惡意破壞，很可能直接對DB造成過大地壓力。
解決方案：
1.當通過某一個key去查詢數據的時候，如果對應在數據庫中的數據都不存在，我們將此key對應的value設置爲一個默認的值，比如“NULL”，並設置一個緩存的失效時間，這時在緩存失效之前，所有通過此key的訪問都被緩存擋住了。後面如果此key對應的數據在DB中存在時，緩存失效之後，通過此key再去訪問數據，就能拿到新的value了。
2.常見的則是採用布隆過濾器（可以用很小的內存保留很多的數據），將所有可能存在的數據哈希到一個足夠大的bitmap中，一個一定不存在的數據會被 這個bitmap攔截掉，從而避免了對底層存儲系統的查詢壓力。（布隆過濾器：實際上是一個很長的二進制向量和一系列隨機映射函數。布隆過濾器可以用於檢索一個元素是否在一個集合中。它的優點是空間效率和查詢時間都遠遠超過一般的算法，缺點是有一定的誤識別率和刪除困難。）
關於布隆過濾器：
緩存雪崩：（緩存失效）
緩存同一時間大面積的失效，所以，後面的請求都會落到數據庫上，造成數據庫短時間內承受大量請求而崩掉。
解決方案：
1.將系統中key的緩存失效時間均勻地錯開，防止統一時間點有大量的key對應的緩存失效；
2.重新設計緩存的使用方式，當我們通過key去查詢數據時，首先查詢緩存，如果此時緩存中查詢不到，就通過分佈式鎖進行加鎖，取得鎖的進程查DB並設置緩存，然後解鎖；其他進程如果發現有鎖就等待，然後等解鎖後返回緩存數據或者再次查詢DB。
3.儘量保證整個 redis 集羣的高可用性，發現機器宕機儘快補上
4.本地ehcache緩存 + hystrix限流&降級，避免MySQL崩掉
假如已經崩潰了：也可以利用redis的持久化機制將保存的數據儘快恢復到緩存裏。
緩存無底洞：
爲了滿足業務大量加節點，但是性能沒提升反而下降。
當客戶端增加一個緩存的時候，只需要 mget 一次，但是如果增加到三臺緩存，這個時候則需要 mget 三次了（網絡通信的時間增加了），每增加一臺，客戶端都需要做一次新的 mget，給服務器造成性能上的壓力。
同時，mget 需要等待最慢的一臺機器操作完成才能算是完成了 mget 操作。這還是並行的設計，如果是串行的設計就更加慢了。
通過上面這個實例可以總結出：更多的機器！=更高的性能
但是並不是沒辦法，一般在優化 IO 的時候可以採用以下幾個方法。
- 命令的優化。例如慢查下 keys、hgetall bigkey。
- 我們需要減少網絡通訊的次數。這個優化在實際應用中使用次數是最多的，我們儘量減少通訊次數。
- 降低接入成本。比如使用客戶端長連接或者連接池、NIO 等等。
總結
本文其實是對目前互聯網中已有的一致性方案，進行了一個總結。對於先刪緩存，再更新數據庫的更新策略，還有方案提出維護一個內存隊列的方式，博主看了一下，覺得實現異常複雜，沒有必要，因此沒有必要在文中給出。最後，希望大家有所收穫