Redis与MySQL的数据一致性解决方案
一、前言
Redis与MySQL双写一致性如何保证？
这问题其实就是在问缓存和数据库在双写场景下，一致性是如何保证的？
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。
- 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。
二、缓存模式
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。一般我们是如何使用缓存呢？有三种经典的缓存模式：
- 旁路缓存(Cache-Aside Pattern)
- 读写穿透(Read/Write Through)
- 异步缓存写入(Write Behind)
2.1 旁路缓存
旁路缓存模式(Cache-Aside Pattern)也叫边缘缓存模式，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。这是最常用的模式。具体逻辑如下：
- 失效：应用程序先从
cache取数据，没有得到，则从数据库中取数据，成功后，放到缓存中。 - 命中：应用程序从
cache中取数据，取到后返回。 - 更新：先把数据存到数据库中，成功后，再让缓存失效。
2.1.1 旁路缓存的读流程
旁路缓存的读请求流程如下：
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。
2.1.2 旁路缓存写流程
旁路缓存的写请求流程如下：
更新的时候，先更新数据库，然后再删除缓存。
小结：一个是查询操作，一个是更新操作的并发，首先，没有了删除cache数据的操作了，而是先更新了数据库中的数据，此时，缓存依然有效，所以，并发的查询操作拿的是没有更新的数据，但是，更新操作马上让缓存的失效了，后续的查询操作再把数据从数据库中拉出来。而不会像文章开头的那个逻辑产生的问题，后续的查询操作一直都在取老的数据。
要么通过
2PC或是Paxos协议保证一致性，要么就是拼命的降低并发时脏数据的概率，而2PC太慢，而Paxos太复杂。当然，最好还是为缓存设置上过期时间。
2.2 读写穿透
在上面的旁路缓存套路中，我们的应用代码需要维护两个数据存储，一个是缓存(Cache)，一个是数据库(Repository)。而读写穿透(Read/Write Through)也叫通读/通写模式套路是把更新数据库(Repository)的操作由缓存自己代理了，所以，对于应用层来说，就简单很多了。可以理解为，应用认为后端就是一个单一的存储，而存储自己维护自己的Cache。
读写穿透模式中，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。
2.2.1 Read-Through读流程
Read Through套路就是在查询操作中更新缓存，也就是说，当缓存失效的时候(过期或LRU换出)，Cache Aside是由调用方负责把数据加载入缓存，而Read Through则用缓存服务自己来加载，从而对应用方是透明的。 Read-Through的简要读流程如下
从缓存读取数据，读到直接返回
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旁路缓存很像呢？
其实Read-Through就是多了一层Cache-Provider，流程如下：
Read-Through的优点
Read-Through实际只是在旁路缓存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。
2.2.2 Write-Through写流程
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，不过是在更新数据时发生。当有数据更新的时候，如果没有命中缓存，直接更新数据库，然后返回。如果命中了缓存，则更新缓存，然后再由Cache自己更新数据库，流程如下：
2.3 异步缓存写入
异步缓存写入(Write Behind)又叫Write Back，Write Back就是Linux文件系统的Page Cache的算法。
跟读写穿透有相似的地方，都是由Cache Provider来负责缓存和数据库的读写。它两又有个很大的不同：读写穿透是同步更新缓存和数据的，异步缓存写入则是只更新缓存，不直接更新数据库，通过批量异步的方式来更新数据库。
这个设计的好处就是让数据的
I/O操作飞快无比(因为直接操作内存嘛 )，因为异步，Write Back还可以合并对同一个数据的多次操作，所以性能的提高是相当可观的。
这种方式下，缓存和数据库的一致性不强，可能会丢失数据，对一致性要求高的系统要谨慎使用。
适合频繁写的场景，如消息队列中消息的异步刷磁盘、MySQL的InnoDB Buffer Pool机制都用到了这种模式。
2.4 三种模式的比较
旁路缓存更新模式实现起来比较简单，但是需要维护两个数据存储:
- 一个是缓存(
Cache) - 一个是数据库(
Repository)。
读写穿透的写模式需要维护一个数据存储(缓存)，实现起来要复杂一些。
异步缓存写入的更新模式和读写穿透更新模式类似，区别是异步缓存写入更新模式的数据持久化操作是异步的，但是读写穿透更新模式的数据持久化操作是同步的。异步缓存写入的优点是直接操作内存速度快，多次操作可以合并持久化到数据库。缺点是数据可能会丢失，例如系统断电等。
2.5 旁路缓存的问题
2.5.1 更新数据的时候，旁路缓存是删除缓存呢，还是应该更新缓存？
有些小伙伴可能会问，旁路缓存在写入请求的时候，为什么是删除缓存而不是更新缓存呢？
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：
操作的次序如下：
线程A先发起一个写操作，第一步先更新数据库
线程B再发起一个写操作，第二步更新了数据库
现在，由于网络等原因，线程B先更新了缓存，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。
- 在写多读少的情况下，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了)
任何的措施，也不是绝对的好，只有分场景看是不是适合，更新缓存的措施，也是有用的：
在读多写少的场景，价值大。
2.5.2 双写的情况下，先操作数据库还是先操作缓存？
旁路缓存模式中，有些小伙伴还是有疑问，在写入请求的时候，为什么是先操作数据库呢？为什么不先操作缓存呢？
假设有A、B两个请求，请求A做更新操作，请求B做查询读取操作。
A、B两个请求的操作流程如下：
- 线程
A发起一个写操作，第一步删除缓存 - 此时线程
B发起一个读操作，缓存中未查到 - 线程
B继续读DB，读出来一个老数据 - 然后线程
B把老数据设置入cache - 线程
A写入DB最新的数据
这样就有问题啦，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，旁路缓存模式，选择了先操作数据库而不是先操作缓存。
三、缓存与数据库的数据一致性
重要：缓存是通过牺牲强一致性来提高性能的。
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。
具体请参考分布式事务原理及解决方案里面的CAP相关理论
所以，如果需要数据库和缓存数据保持强一致，就不适合使用缓存。
所以使用缓存提升性能，就是会有数据更新的延迟。这需要我们在设计时结合业务仔细思考是否适合用缓存。然后缓存一定要设置过期时间，这个时间太短、或者太长都不好：
- 太短的话请求可能会比较多的落到数据库上，这也意味着失去了缓存的优势。
- 太长的话缓存中的脏数据会使系统长时间处于一个延迟的状态，而且系统中长时间没有人访问的数据一直存在内存中不过期，浪费内存。
但是，通过一些方案优化处理，是可以保证弱一致性，最终一致性的。
四、保证数据库与缓存的一致性
保证数据库与缓存的一致性的3种方案
- 延时双删策略
- 删除缓存重试机制
- 读取binlog异步删除缓存
4.1 缓存延时双删
有些小伙伴可能会说，不一定要先操作数据库呀，采用缓存延时双删策略就好啦？什么是延时双删呢？
延时双删的步骤：
1 先删除缓存
2 再更新数据库
3 休眠一会(比如1秒)，再次删除缓存。
参考代码如下：
这个休眠一会，一般多久呢？都是1秒？
这个休眠时间 = 读业务逻辑数据的耗时 + 几百毫秒。
为了确保读请求结束，写请求可以删除读请求可能带来的缓存脏数据。
4.2 删除缓存重试机制
不管是延时双删还是旁路缓存的先操作数据库再删除缓存，如果第二步的删除缓存失败呢?
删除失败会导致脏数据哦~
删除失败就多删除几次呀，保证删除缓存成功呀~所以可以引入删除缓存重试机制
删除缓存重试机制的大致步骤：
- 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
4.3 同步binlog异步删除缓存
重试删除缓存机制还可以，就是会造成好多业务代码入侵。其实，还可以通过数据库的binlog来异步淘汰key。
以mysql为例可以使用阿里的canal将binlog日志采集发送到MQ队列里面，然后编写一个简单的缓存删除消息者订阅binlog日志，根据更新log删除缓存，并且通过ACK机制确认处理这条更新log，保证数据缓存一致性。
4.3.1 如何确保消费成功
PushConsumer为了保证消息肯定消费成功，只有使用方明确表示消费成功，RocketMQ才会认为消息消费成功。中途断电，抛出异常等都不会认为成功——即都会重新投递。首先，消费的时候，我们需要注入一个消费回调，具体sample代码如下：
consumer.registerMessageListener(new MessageListenerConcurrently() {
@Override
public ConsumeConcurrentlyStatus consumeMessage(List<MessageExt> msgs,
ConsumeConcurrentlyContext context) {
System.out.println(Thread.currentThread().getName() + " Receive New Messages: " + msgs);
delcache(key);//执行真正删除
return ConsumeConcurrentlyStatus.CONSUME_SUCCESS;//返回消费成功
}
});
业务实现消费回调的时候，当且仅当此回调函数返回ConsumeConcurrentlyStatus.CONSUME_SUCCESS，RocketMQ才会认为这批消息(默认是1条)是消费完成的。如果这时候消息消费失败，例如数据库异常，余额不足扣款失败等一切业务认为消息需要重试的场景，只要返回ConsumeConcurrentlyStatus.RECONSUME_LATER，RocketMQ就会认为这批消息消费失败了。
为了保证消息是肯定被至少消费成功一次，RocketMQ会把这批消费失败的消息重发回Broker(topic不是原topic而是这个消费租的RETRY topic)，在延迟的某个时间点(默认是10秒，业务可设置)后，再次投递到这个ConsumerGroup。而如果一直这样重复消费都持续失败到一定次数(默认16次)，就会投递到DLQ(死信队列)。应用可以监控死信队列来做人工干预。
4.3.2 pub/sub的订阅实现
Pub/Sub功能(means Publish，Subscribe)即发布及订阅功能。Pub/Sub是目前广泛使用的通信模型，它采用事件作为基本的通信机制，提供大规模系统所要求的松散耦合的交互模式：订阅者(如客户端)以事件订阅的方式表达出它有兴趣接收的一个事件或一类事件；发布者(如服务器)可将订阅者感兴趣的事件随时通知相关订阅者。熟悉设计模式的朋友应该了解这与23种设计模式中的观察者模式极为相似。
Redis的pub/sub订阅实现
Redis通过publish和subscribe命令实现订阅和发布的功能。订阅者可以通过subscribe向redis server订阅自己感兴趣的消息类型。redis将信息类型称为通道(channel)。当发布者通过publish命令向redis server发送特定类型的信息时，订阅该消息类型的全部订阅者都会收到此消息。
4.3.3 主从数据库通过binlog异步删除
但是还有个问题，「如果是主从数据库呢」？
因为主从DB同步存在延时时间。如果删除缓存之后，数据同步到备库之前已经有请求过来时，「会从备库中读到脏数据」，如何解决呢？解决方案如下流程图：
五、总结
综上所述，在分布式系统中，缓存和数据库同时存在时，如果有写操作的时候，「先操作数据库，再操作缓存」。如下：
- 读取缓存中是否有相关数据
- 如果缓存中有相关数据
value，则返回 - 如果缓存中没有相关数据，则从数据库读取相关数据放入缓存中
key -> value，再返回 - 如果有更新数据，则先更新数据库，再删除缓存
- 为了保证第四步删除缓存成功，使用
binlog异步删除 - 如果是主从数据库，
binglog取自于从库 - 如果是一主多从，每个从库都要采集
binlog，然后消费端收到最后一台binlog数据才删除缓存，或者为了简单，收到一次更新log，删除一次缓存
