前言
有位读者，去面试了字节，问了这么一道题：
延迟双删，延迟多久呢？十几毫秒？
这个延迟双删，其实是
保证数据库和缓存数据一致性
的一种方案来的。大家觉得应该如何回答更好呢？我觉得可以先从最基础的开始聊起，比如什么是一致性，然后从串联起来。我聊聊我的思路。
-
-
-
-
-
-
-
其他方案：删除缓存重试机制和读取biglog异步删除缓存
1.什么是一致性，数据一致性
一致性就是
数据保持一致
，在分布式系统中，可以理解为
多个节点中数据的值是一致
的。比如你用reids缓存某个用户信息，同时，数据库也有保存这个用户的记录。那就要
保持数据库和redis保存用户数据的一致性
。
一致性一般分：强一致性、弱一致性、最终一致性。
-
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
。
2. 日常开发中，我们怎么用缓存的？哪种缓存模式？
2.1 Cache-Aside
日常开发中，我们是如何使用缓存的呢？如果是读请求，一般都是这样吧：
-
-
缓存没有命中的话，就去读数据库，从数据库取出数据，放入缓存后，同时返回响应。
如果是写的请求，就是这样：
更新的时候，
先更新数据库，然后再删除缓存
。
其实这个就是Cache-Aside的读流程和写流程。Cache-Aside不就是一种经典的
缓存模式
，同时还有
-
Read-Through/Write-through
-
还是简单介绍下这两个吧~~
2.2 Read/Write-Through
Read/Write-Through模式中，服务端把缓存作为主要数据存储。应用程序跟数据库缓存交互，都是通过抽象缓存层完成的。
Read-Through
Read-Through的简要流程如下：
Read-Through简要流程
-
-
如果读取不到的话，从数据库加载，写入缓存后，再返回响应。
这个简要流程是不是跟Cache-Aside很像呢？其实Read-Through就是多了一层Cache-Provider而已，流程如下：
Read-Through实际只是在Cache-Aside之上进行了一层封装，它会让程序代码变得更简洁，同时也减少数据源上的负载。
Write-Through
Write-Through模式下，当发生写请求时，也是由缓存抽象层完成数据源和缓存数据的更新,流程如下：
2.3 Write-behind （异步缓存写入）
Write-behind 跟Read-Through/Write-Through有相似的地方，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
就使用到这种模式。
3. 操作缓存的时候，到底是删除缓存呢，还是更新缓存？
我们回归主题，
延迟双删的时候，就跟删除缓存有关联
，
为什么是删除缓存呢？更新缓存不可以吗？
这是
Cache-Aside写入流程：
我们在操作缓存的时候，到底应该删除缓存还是更新缓存呢？我们先来看个例子：
-
-
-
-
线程A更新缓存。这时候，缓存保存的是A的数据（
老数据
），数据库保存的是B的数据（
新数据
），数据不一致了，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。
更新缓存相对于删除缓存，还有两点劣势
：
-
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
啦。
-
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(实际上，写多的场景，用缓存也不是很划算的,哈哈)
4. 双写的情况下，先操作数据库还是先操作缓存？
