缓存与数据库一致性系列

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了缓存与数据库一致性系列，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含9829字，纯文字阅读大概需要15分钟。

内容图文

原文出处：缓存与数据库一致性系列

作者：陶笛日记

目录

缓存与数据库一致性系列-01

缓存与数据库一致性系列-02

缓存与数据库一致性系列-03

缓存与数据库一致性系列-04

 

缓存与数据库一致性系列-01

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

1. 实现起来简单

What Should I Say ?

2. “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。

3. 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

1. 容灾不足

在分布式领域，“Everything will fails”，任何可能出现问题的地方都会出现问题

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

2. 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

今天介绍的这个方案呢，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。
我觉得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，那怎么解决这个问题呢，篇幅有限，我们后续文章再继续分享

 

缓存与数据库一致性系列-02

在《缓存与数据库一致性系列-01》文章，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。

这里需要提一下：最后刷新前的读主库或者读从库，甚至不读库直接通过binlog解析出需要的数据都是ok的，这由业务决定，比如刷新的数据只是表的一行，那直接通过binlog就完全能解析出来；然而如果需要刷新的数据来自多行，多张表，甚至多个库的话，那就需要读主库或是从库才行

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

1. 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

妈耶，怎么就一个优点，讲道理这个其实很常用的，那我们再来看看缺点

缺点剖析

分析缺点之前，我们先来看一下知识点

1. 对于同一张表的同一条记录的更新，Databus会以串行形式的通知下游服务，也就是说，只有当我们正确返回后，它才会推送该记录的下一次更新。

2. 对于同一张表的不同记录的更新， Databus会以事件时间为顺序的通知下游服务，但并不会等待我们返回后才推送下一条，也就是说它是非串行的。

3. 对于不同表，根据其下游的消费速度，不同表之间没有明确的时间顺序。

1. 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？

简单业务：每次需要刷新的数据，都来自单表单行。

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。

但是这种方案具有局限性：那就是只对单次更新有效，或者说更新频率低的情况下才适应，比如我们并发的单独更新C表，并发问题依然会发生。

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。

这里有一点需要提一下：更新“某张表多行记录“时，这个操作要在一个事务内，不然并发问题依然存在，正如前面分析的

2. 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。
今天这个方案呢，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，那怎么解决这个问题呢，篇幅有限，我们后续文章再继续分享

参考文献

1.?Canal?
2.?Databus?
3.?Databus & Canal 对比

 

 

 

缓存与数据库一致性系列-03

经过前两篇的讨论，我们离实现“最终一致性”只差一步了

在《缓存与数据库一致性系列-02》文章，我们提到上一个方案的并发问题

• 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

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。

关于MQ串行化，大家可以去了解一下?Kafka partition 机制?，这里就不详述了

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

1. 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

2. 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

要什么自行车啦

方案总结

经过3篇由浅入深的介绍，我们终于实现了“最终一致性”。这个方案优点比较明显，解决了我们前几篇一直提到的“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。

OK，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？我们下一期继续分享

参考文献

1.?Canal?
2.?Databus?
3.?Kafka

 

缓存与数据库一致性系列-04

经过前三篇的讨论，我们终于的实现了“最终一致性”，那今天呢，我们再进一步，在前一个方案的基础上实现“强一致性”

强一致性，包含两种含义：

• 缓存和DB数据一致
• 缓存中没有数据（或者说：不会去读缓存中的老版本数据）

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：

“最终一致性方案” + “时间差” = “强一致性方案”

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，后面的步骤与上一篇是一致的《缓存与数据库一致性系列-03》；那如果标记失败，则要放弃这次修改。

何为标记锁定呢？比如你可以设定一个有效期为10S的key，Key存在即为锁定。一般来说10S对于后面的同步操作来说基本是够了~

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

数据1： 可由步骤1.1获得，并存储
数据2： 需要由binlog中解析获得，需要透传到MQ，这样后面就能存储了
这里提一下：如果多库的情况的话，存储这两个key需要与库一一对应

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，后面的步骤与上一篇是一致的(《缓存与数据库一致性系列-03》)。

方案分析

优点剖析

1. 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

2. 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

1. 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

2. 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”，这个系列就先这样啦，等我学到了更好的方案，再来分享~

这里还是要提一下：一致性的要求根据自己的业务决定就好，适合的才是最好的

后记

如果对你有帮助，那就再好不过了~

参考文献

1.?Canal?
2.?Databus?
3.?Kafka?
4.?Redis Expire 命令

内容总结

以上是互联网集市为您收集整理的缓存与数据库一致性系列全部内容，希望文章能够帮你解决缓存与数据库一致性系列所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---