只要用到redis，就可能会涉及到缓存与数据库的存储双写，只要是双写，就一定会有数据一致性的问题，因为这是两个原子操作（写数据库，写缓存）。

方案一

最经典的缓存+数据库读写的模式，就是 Cache Aside Pattern：
1、读的时候，先读缓存，缓存没有的话，就读数据库，然后取出数据后放入缓存，同时返回响应。
2、更新的时候，先删除缓存，然后再更新数据库。

问题一：为啥要先删除缓存呢？
假如说删除缓存成功了，但是更新数据库失败了，那再查询的时候只是从数据库里查了旧的数据而已，这样就能保持数据库与缓存的一致性。

假如说删除缓存失败了，那就不要更新数据库，直接返回响应，本次更新失败。这样也能保持数据库与缓存的一致性。

问题二：更新数据库之后，为啥不更新缓存呢？

这个是要看场景的，更新缓存是有代价的，对于比较复杂的缓存数据计算的场景，可能一个缓存需要涉及到多张表，假如其中一张表更新后，需要再查询别的表，然后再更新缓存，但是如果这个缓存并不会被频繁的访问到，那就有点浪费资源了，还是等查询用到的时候再去更新缓存。
举个栗子，一个缓存涉及的表的字段，在 1 分钟内就修改了 20 次，或者是 100 次，那么缓存更新 20 次、100 次；但是这个缓存在 1 分钟内只被读取了 1 次，有大量的冷数据。实际上，如果你只是删除缓存的话，那么在 1 分钟内，这个缓存不过就重新计算一次而已，开销大幅度降低。用到缓存才去算缓存。

其实删除缓存，而不是更新缓存，就是一个 lazy 计算的思想，不要每次都重新做复杂的计算，不管它会不会用到，而是让它到需要被使用的时候再重新计算。像 mybatis，hibernate，都有懒加载思想。查询一个部门，部门带了一个员工的 list，没有必要说每次查询部门，都把里面的 1000 个员工的数据也同时查出来啊。80% 的情况，查这个部门，就只是要访问这个部门的信息就可以了。先查部门，同时要访问里面的员工，那么这个时候只有在你要访问里面的员工的时候，才会去数据库里面查询 1000 个员工。

方案二

上面的方案一在高并发的情况下，还是有问题的，在上亿流量高并发场景下，可能会出现一种问题，那就是数据发生了变更，先删除缓存，然后还没来得及修改数据库，这时候一个请求查询过来了，先读缓存，发现缓存空的，去查询数据库，查到了修改前的旧数据，放到了缓存中，随后数据变更的程序完成了数据库的修改。这时候缓存中和数据库中的值就不一样，下一次读取请求过来，就会读取到不准确的值。

解决方案：
1、读的时候，先读缓存，缓存没有的话，就读数据库，
然后再判断缓存中是否存在key，
如果不存在，则更新数据库；——说明，没有更新操作
如果存在，则不作操作；——说明，有更新操作，或者别的查询请求

2、更新的时候，先删除缓存，然后再更新数据库，最后再更新redis。

高并发的场景下，数据库资源比缓存资源更加宝贵，尽量要在第一次访问时就能用redis拦截住，所以在数据有更新之后，要同步更新redis。
这个方案能解决方案一中的数据不一致性，但是当数据库更新之后，如果更新redis失败，则还是会存在数据不一致性，但是方案一是好一点。

方案三：

数据库与缓存更新与读取操作进行异步串行化

在方案一的基础上，更新数据库时，根据数据的唯一标识，将数据路由之后，发送到一个jvm内部的队列中，读取数据的时候，如果发现数据不在缓存中，那么将重新读取数据+更新缓存的操作，根据唯一标识路由之后，也发送同一个jvm内部的队列中，一个队列对应一个工作线程，每个工作线程串行拿到对应的操作，然后一条一条的执行，这样的话，一个数据变更的操作，先执行删除缓存，然后再去更新数据库，但是还没完成更新，此时一个读请求过来，读到了空的缓存，那么可以先将缓存更新的请求发送到队列中，此时会在队列中有积压，然后同步等待缓存更新完成。
队列可以使用双向队列。

这种方案需要注意以下事项：

1. 当高并发时，服务会部署多个实例，那么必须保证，对同一个数据，执行数据更新操作以及执行缓存更新操作的请求时，通过nginx服务器路由到相同的服务实例上；

2. 读请求去重，当读请求过多的时候，队列里面会有多个“更新缓存”操作串在一起，其实是没有意义的，往队列里面塞数据的时候可以先判断一下，有的话就不用再塞进去了；队列可以使用ConcurrentLinkedDeque双向队列，在往队列中添加数据时，可以先getFrist/getLast获取上一个添加进去的数据，然后判断是更新缓存操作，如果是的话，就不用继续添加进去了。

3. 读请求长时阻塞
   该解决方案，最大的风险点在于说，可能数据更新很频繁，导致队列中积压了大量更新操作在里面，然后读请求会发生大量的超时，最后导致大量的请求直接走数据库。

   因此需要根据自己的业务情况进行测试，可能需要部署多个服务，每个服务分摊一些数据的更新操作，如果一个内存队列里居然会挤压100个商品的库存修改操作，每个库存修改操作要耗费10ms去完成，那么最后一个商品的读请求，可能等待10 * 100 = 1000ms = 1s后，才能得到数据这个时候就导致读请求的长时阻塞；

   一定要做根据实际业务系统的运行情况，去进行一些压力测试，和模拟线上环境，去看看最繁忙的时候，内存队列可能会挤压多少更新操作，可能会导致最后一个更新操作对应的读请求，会等待多少时间，如果读请求要求在200ms内返回，当你计算过后，哪怕是最繁忙的时候，积压10个更新操作，最多等待200ms，那还可以的；

   如果一个内存队列可能积压的更新操作特别多，那么你就要加机器，或者加队列，让每个机器上部署的服务实例处理更少的数据，那么每个内存队列中积压的更新操作就会越少。

   其实根据之前的项目经验，一般来说数据的写频率是很低的，因此实际上正常来说，在队列中积压的更新操作应该是很少的

   针对读高并发，读缓存架构的项目，一般写请求相对读来说，是非常非常少的，每秒的QPS能到几百就不错了，一秒，500的写操作，5份，每200ms，就100个写操作，单机器，20个内存队列，每个内存队列，可能就积压5个写操作，每个写操作性能测试后，一般在20ms左右就完成， 那么针对每个内存队列中的数据的读请求，也就最多等待一会儿，200ms以内肯定能返回了

事实上，大部分的情况下，应该是这样的，大量的读请求过来，都是直接走缓存取到数据的，少量情况下，可能遇到读跟数据更新冲突的情况，如上所述，那么此时更新操作如果先入队列，之后可能会瞬间来了对这个数据大量的读请求，但是因为做了去重的优化，所以也就一个更新缓存的操作跟在它后面等数据更新完了，读请求触发的缓存更新操作也完成，然后临时等待的读请求全部可以读到缓存中的数据（while循环等待）

image.png