好些人在写更新缓存时，先删除缓存，然后再更新数据库，而后续的操作会把数据再装载的缓存中。
然而，这个逻辑是错误的。试想，两个并发操作，一个是更新操作，另一个是查询操作，更新操作删除缓存后，查询操作没有命中缓存，先把老数据读出来后放到缓存中，然后更新操作更新了数据库。于是，在缓存中的数据还是老的数据，导致缓存中的数据是脏的，而且还一直这样脏下去了。

不知道为什么这么多人用的都是这个逻辑，总结一下几个缓存更新的Design Pattern。

这里，我们先不讨论更新缓存和更新数据这两个事是一个事务的事，或是会有失败的可能，我们先假设更新数据库和更新缓存都可以成功的情况

更新缓存的的Design Pattern有四种

1 Cache Aside Pattern

最常用的pattern。具体逻辑如下：

• 失效：应用程序先从cache取数据，没有得到，则从数据库中取数据，成功后，放到缓存中
• 命中：应用程序从cache中取数据，取到后返回
• 更新：先把数据存到数据库中，成功后，再让缓存失效
  Cache-Aside-Design-Pattern-Flow-Diagram
  Updating Data using the Cache-Aside Pattern - Flow Diagram

注意，我们的更新是先更新数据库，成功后，让缓存失效

一个查询操作，一个更新操作的并发
首先，没有了删除cache数据的操作，而是先更新数据库中的数据，此时，缓存依然有效，所以，并发的查询操作拿的是没有更新的数据，但是，更新操作马上让缓存的失效了，后续的查询操作再把数据从数据库中拉出来。而不会像文章开头的那个逻辑产生的问题，后续的查询操作一直都在取老的数据。

这是标准的design pattern，包括Facebook的论文《Scaling Memcache at Facebook》也使用了这个策略
为什么不是写完数据库后更新缓存？可以看一下Quora上的这个问答《Why does Facebook use delete to remove the key-value pair in Memcached instead of updating the Memcached during write request to the backend?》，主要是怕两个并发的写操作导致脏数据。

那么，是不是Cache Aside这个就不会有并发问题了？
不是的，比如，一个是读操作，但是没有命中缓存，然后就到数据库中取数据，此时来了一个写操作，写完数据库后，让缓存失效，然后，之前的那个读操作再把老的数据放进去，所以，会造成脏数据。

这个情形理论上会出现，不过，实际上出现的概率可能非常低，因为需要发生在读缓存时缓存失效，而且并发着有一个写操作。
而实际上数据库的写操作会比读操作慢得多，而且还要锁表，而读操作必需在写操作前进入数据库操作，而又要晚于写操作更新缓存，所有的这些条件都具备的概率基本并不大

这也就是Quora上的那个答案里说的，要么通过2PC或是Paxos协议保证一致性，要么就是拼命的降低并发时脏数据的概率，而Facebook使用了这个降低概率的玩法，因为2PC太慢，而Paxos太复杂。当然，最好还是为缓存设置上过期时间。

2 Read/Write Through Pattern

上面的Cache Aside，应用代码需要维护两个数据存储，一个是缓存，一个是数据库,应用程序比较啰嗦。
而Read/Write Through是把更新数据库的操作由缓存自己代理，所以，对于应用层来说，就简单很多。
可理解为，应用认为后端就是一个单一的存储，而存储自己维护自己的Cache。

2.1 Read Through

Read Through 就是在查询操作中更新缓存，也就是说，当缓存失效的时候（过期或LRU换出）

• Cache Aside是由调用方负责把数据加载入缓存
• Read Through则用缓存服务自己来加载，从而对应用方是透明的

2.2 Write Through

和Read Through相仿，不过是在更新数据时发生
当有数据更新时

• 如果没有命中缓存，直接更新数据库，然后返回
• 如果命中了缓存，则更新缓存，然后再由Cache自己更新数据库（这是一个同步操作）

下图中的Memory可以理解为就是我们例子里的数据库

A write-through cache with no-write allocation

3 Write Behind Caching Pattern

Write Behind 又叫 Write Back
在更新数据的时候，只更新缓存，不更新数据库，而我们的缓存会异步地批量更新数据库
这个设计的好处就是

• 让数据的I/O操作飞快无比（因为直接操作内存嘛 ）
• 因为异步，write back还可以合并对同一个数据的多次操作，所以性能的提高是相当可观的

但是，其带来的问题是，数据不是强一致性的，而且可能会丢失（我们知道Unix/Linux非正常关机会导致数据丢失，就是因为这个事）。

另外，Write Back实现逻辑比较复杂，因为他需要track哪些数据是被更新的，需要刷到持久层上。
操作系统的write back会在仅当这个cache需要失效的时候，才会被真正持久化，比如，内存不够了，或是进程退出了等情况，这又叫lazy write

A write-back cache with write allocation