Redis与MySQL的数据一致性问题

一、策略模式

1、旁路缓存模式（Cache Aside Pattern）

2、读写穿透（Read-Through/Write-Through）

3、异步缓存写入（Write Behind）

二、一致性解决方案

1、缓存延迟双删

2、删除重试机制

3、读取biglog异步删除缓存

三、总结

在开发中，一般会使用Redis缓存一些常用的热点数据用来减少数据库IO，提高系统的吞吐量

先了解一下分布式系统中的一致性概念。

强一致性：所有节点的数据必须实时同步，保证任何时候读取到的数据都是最新的。

弱一致性：系统允许数据暂时不一致，但最终会达到一致状态。

最终一致性：数据更新后，经过一段时间，系统会逐步达到一致状态。这个时间不固定，但在业务允许的范围内。

双写一致性：当数据同时存在于缓存（Redis）和数据库（MySQL）时，两者之间数据一致

那么容易出现数据一致性问题的场景是：

数据写入数据库，未更新缓存
删除缓存后，数据库更新失败

一、策略模式

缓存可以提升性能、缓解数据库压力，但是使用缓存也会导致数据不一致性的问题。有三种经典的缓存使用模式：

Cache-Aside Pattern
Read-Through/Write-through
Write-behind

1、旁路缓存模式（Cache Aside Pattern）

Cache Aside Pattern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

流程：

读取操作：先从缓存中读取数据，缓存命中返回结果；缓存未命中，从DB中读取数据，并将数据写入缓存。
更新操作：先更DB，再删除缓存中的旧数据。

日常开发中，一般使用了Cache Aside Pattern缓存更新策略模式，以数据库为主，缓存为辅

public class CacheAsidePattern {

    private RedisService redis;
    private DatabaseService database;

    // 读取操作
    public String getData(String key) {
        // 从缓存中获取数据
        String value = redis.get(key);
        if (value == null) {
            // 缓存未命中，从数据库获取数据
            value = database.get(key);
            if (value != null) {
                // 将数据写入缓存
                redis.set(key, value);
            }
        }
        return value;
    }

    // 更新操作
    public void updateData(String key, String value) {
        // 更新数据库
        database.update(key, value);
        // 删除缓存中的旧数据
        redis.delete(key);
    }
}

❓:Cache-Aside在操作数据库时，为什么是先操作数据库呢？为什么不先操作缓存呢？

1、先删除缓存后，数据库更新失败

🔺线程1：删除缓存A，由于网络问题没有操作数据库失败

🔻线程2：查询A，缓存无数据，并把A写入缓存

🔺线程1：网络堵塞结束，修改数据库A为B

那么此时缓存是A【旧数据】，数据库是B【新数据】，脏数据出现啦！！！

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

2、先操作数据库再删除缓存方案

🔺线程1：操作数据库，A更新数据为B，删除缓存A

🔻线程2：查询A，缓存无数据，并把B写入缓存

这种方案下，在数据库更新成功后到删除Redis缓存数据之前的这段时间中，其他线程读取的数据都是旧数据，等Redis删除缓存后会重新从数据库中读取最新数据同步到Redis，这样可以在一定程度上保证数据的最终一致性

但是在极端情况下，线程1的缓存删除失败，线程2读取的也就是旧数据A，而不是新数据B了

这种方案也就是旁路缓存模式，那么Cache-Aside的优缺点就是：

优点：

简单易懂，易于实现
读性能高，因为大部分读操作都会命中缓存

缺点：

存在短暂的不一致情况，更新数据库后缓存可能还没删除
删除缓存后，如果数据库更新失败，会导致数据不一致

❓:Cache-Aside在写入请求的时候，为什么是删除缓存而不是更新缓存呢？

🔺线程1：操作数据库，更新数据为A，由于网络问题未更新缓存

🔻线程2：操作数据库，更新数据为B，更新缓存为B

🔺线程1：网络堵塞结束，更新缓存为A

那么此时缓存是A【旧数据】，数据库是B【新数据】，脏数据出现啦！！！

如果是删除缓存取代更新缓存则不会出现这个脏数据问题！！！

因此，Cache-Aside缓存模式，选择了删除缓存而不是更新缓存

Cache-Aside的适应场景：适用于读多写少的场景，特别是对数据一致性要求不是特别高的应用

2、读写穿透（Read-Through/Write-Through）

Read-Through：当缓存未命中时，自动从数据库加载数据，并写入缓存

Write-Through：当缓存更新时，同步将数据写入数据库

和旁路缓存模式很像，只有写操作不太一样

public class ReadWriteThroughPattern {

    private RedisService redis;
    private DatabaseService database;

    // Read-Through
    public String readThrough(String key) {
        // 从缓存中获取数据
        String value = redis.get(key);
        if (value == null) {
            // 缓存未命中，从数据库获取数据
            value = database.get(key);
            if (value != null) {
                // 将数据写入缓存
                redis.set(key, value);
            }
        }
        return value;
    }

    // Write-Through
    public void writeThrough(String key, String value) {
        // 将数据写入缓存
        redis.set(key, value);
        // 同步将数据写入数据库
        database.update(key, value);
    }
}

优点：

保证了数据的强一致性，缓存和数据库的数据始终同步。
读写操作都由缓存处理，数据库压力较小。

缺点：

写操作的延迟较高，因为每次写入缓存时都需要同步写入数据库。
实现复杂度较高，需要额外的缓存同步机制

适应场景：适合读多写多、且对数据一致性要求较高的场景

3、异步缓存写入（Write Behind）

异步缓存就是缓存更新后，异步批量写入数据库。这种策略适用于可以容忍一定数据不一致的高性能场景

示例代码：

public class WriteBehindPattern {

    private RedisService redis;
    private DatabaseService database;
    private UpdateQueue updateQueue;

    // 异步缓存写入
    public void writeBehind(String key, String value) {
        // 将数据写入缓存
        redis.set(key, value);
        // 异步将数据写入数据库
        asyncDatabaseUpdate(key, value);
    }

    private void asyncDatabaseUpdate(String key, String value) {
        // 异步操作，将更新请求放入队列
        updateQueue.add(new UpdateTask(key, value));
    }
}

优点：