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?