实现MySQL和Redis数据一致性的方案

什么是一致性

一致性就是数据保持一致，在分布式系统中一致性代表多个节点的数据保持一致

• 强一致性：这种一致性级别是最符合用户直觉的，它要求系统写入什么，读出来的也会是什么，用户体验性好，但实现起来往往对系统的性能影响大；
• 弱一致性：这种一致性级别约束了系统在写入成功后，不承诺立即可以读到写入的值，也不承诺多久之后数据能够达到一致，但会尽可能地保证到某个时间级别(比如秒级别)后，数据能够达到一致状态；
• 最终一致性：最终一致性是弱一致性的一个特例，系统会保证在一定时间内，能够达到一个数据一致的状态。这里之所以将最终一致性单独提出来，是因为它是弱一致性中非常推崇的一种一致性模型，也是业界在大型分布式系统的数据一致性上比较推崇的模型；

三种缓存使用模式

• chche-aside
  Cache-Aside Pattern, 即旁路缓存模式。它的提出是为了尽可能地解决缓存与数据库的数据不一致问题。
  cache-aside读流程
  
  读的时候先读缓存，缓存命中的话直接返回数据；缓存没有命中，就去读数据库，然后更新缓存，再返回数据
  cache-aside写请求流程
  
  更新得到时候，先更新数据库，然后再删除缓存。
  当这个数据在下一次需要的时候，使用Cache-Aside模式将会在获取数据的时候，同时从数据仓库中获取数据，并且写到Cache之中
• Read Through/Write Through
  Read Through流程
  

Read-Through 实际上只是在Cache-Aside之上进行了一层封装，它会让程序代码变得更加简洁，同时也减少数据源上的负载。
Wirte Through流

• write-behind
  Write-behind跟Read-Through/Write-Through有很多相似的地方，都是由Cache Provider来负责缓存和数据库的读写。它们又有个很大的不同：Read/Write-Through是同步更新缓存和数据的，Write-Behind则是只更新缓存，不直接更新数据库，通过批量异步的方式来更新数据库
  write behind流程：
  
  这种方式下，缓存和数据库的一致性不强，对一致性要求高的系统要谨慎使用。
  但是它适合频繁写的场景，MySQL的Innodb Buffer Pool机制就是用到这种模式。
• 操作缓存的时候到底是更新缓存还是删除缓存
  日常开发中我们一般用的是cache-aside模式。但我们注意到cache-aside模式为什么是删除缓存而不是更新缓存
  例子：
  
  线程A先发起一个写操作，第一步先更新数据库；线程B先发起一个写操作，第二步后更新数据库；但是由于网络等原因，线程B先更新了缓存；线程A更新缓存；
  此外，更新缓存相对于删除缓存，还有亮点劣势：
  如果你写入的缓存值，是经过复杂计算才得到的话，更新缓存频率高的话，就浪费性能了；
  在写数据库场景多、读数据场景少的情况下，数据很多时候还没被读取到，又被更新了，这也浪费了性能呢。
• 双写的情况下，先更新数据库还是先更新缓存
  例子：
  
  线程A发起一个写操作，第一步del cache；此时线程B发起一个读操作，cache miss；线程B继续读DB，读出来一个老数据，此时线程B把老数据设置入cache；线程A写入DB更新数据；
  这里就存在这样的一个问题了：缓存和数据库的数据不一致了。缓存保存的是老数据，数据库保存的是新数据。 因此，Cache-Aside缓存模式，选择了先操作数据库而不是先操作缓存
• 数据库和缓存数据保持强一致，可以嘛？
  实际上是没有办法做到数据库与缓存达到强一致性
  加锁可以嘛？并发写期间加锁，任何读操作不写入缓存？缓存以及数据库封装CAS乐观锁，更新缓存时通过lua脚本？分布式事务，3PC?TCC？
  其实，这是由CAP理论 决定的。缓存系统适用的场景就是非强一致性的场景，它属于CAP中的AP 。个人觉得，追求绝对一致性的业务场景，不适合引入缓存。

延时双删策略

操作步骤

先删除缓存，在更新数据库，再休眠（例如1s），然后删除缓存
这个休眠的时长，等于读业务逻辑数据的耗时 + 几百毫秒

删除缓存重试机制

操作步骤

写请求更新数据库；缓存因为某些原因，删除失败；把删除失败的key放到消息队列；消费消息队列的消息，获取要删除的key；重试删除缓存操作；

异步更新缓存(基于订阅binlog的同步机制)

操作步骤