談談一致性
一致性就是數據保持一致，在分布式系統中，可以理解為多個節點中數據的值是一致的。
- 強一致性：這種一致性級別是最符合用戶直覺的，它要求系統寫入什么，讀出來的也會是什么，用戶體驗好，但實現起來往往對系統的性能影響大
- 弱一致性：這種一致性級別約束了系統在寫入成功后，不承諾立即可以讀到寫入的值，也不承諾多久之后數據能夠達到一致，但會盡可能地保證到某個時間級別（比如秒級別）后，數據能夠達到一致狀態
- 最終一致性：最終一致性是弱一致性的一個特例，系統會保證在一定時間內，能夠達到一個數據一致的狀態。這里之所以將最終一致性單獨提出來，是因為它是弱一致性中非常推崇的一種一致性模型，也是業界在大型分布式系統的數據一致性上比較推崇的模型
三個經典的緩存模式
緩存可以提升性能、緩解數據庫壓力，但是使用緩存也會導致數據不一致性的問題。一般我們是如何使用緩存呢？有三種經典的緩存使用模式：
- Cache-Aside Pattern
- Read-Through/Write-through
- Write-behind
Cache-Aside Pattern
Cache-Aside Pattern，即旁路緩存模式，它的提出是為了盡可能地解決緩存與數據庫的數據不一致問題。
Cache-Aside讀流程
Cache-Aside Pattern的讀請求流程如下：
Cache-Aside讀請求
- 讀的時候，先讀緩存，緩存命中的話，直接返回數據
- 緩存沒有命中的話，就去讀數據庫，從數據庫取出數據，放入緩存后，同時返回響應。
Cache-Aside 寫流程
Cache-Aside Pattern的寫請求流程如下：
Cache-Aside寫請求
更新的時候，先更新數據庫，然后再刪除緩存。
Read-Through/Write-Through（讀寫穿透）
Read/Write-Through模式中，服務端把緩存作為主要數據存儲。應用程序跟數據庫緩存交互，都是通過抽象緩存層完成的。
Read-Through
Read-Through的簡要流程如下
Read-Through簡要流程
- 從緩存讀取數據，讀到直接返回
- 如果讀取不到的話，從數據庫加載，寫入緩存后，再返回響應。
這個簡要流程是不是跟Cache-Aside很像呢？其實Read-Through就是多了一層Cache-Provider而已，流程如下：
Read-Through流程
Read-Through實際只是在Cache-Aside之上進行了一層封裝，它會讓程序代碼變得更簡潔，同時也減少數據源上的負載。
Write-Through
Write-Through模式下，當發生寫請求時，也是由緩存抽象層完成數據源和緩存數據的更新,流程如下：
Write-behind （異步緩存寫入）
Write-behind 跟Read-Through/Write-Through有相似的地方，都是由Cache Provider來負責緩存和數據庫的讀寫。它們又有個很大的不同：Read/Write-Through是同步更新緩存和數據的，Write-Behind則是只更新緩存，不直接更新數據庫，通過批量異步的方式來更新數據庫。
Write behind流程
這種方式下，緩存和數據庫的一致性不強，對一致性要求高的系統要謹慎使用。但是它適合頻繁寫的場景，MySQL的InnoDB Buffer Pool機制就使用到這種模式。
操作緩存的時候，到底是刪除緩存呢，還是更新緩存？
日常開發中，我們一般使用的就是Cache-Aside模式。有些小伙伴可能會問， Cache-Aside在寫入請求的時候，為什么是刪除緩存而不是更新緩存呢？
Cache-Aside寫入流程
我們在操作緩存的時候，到底應該刪除緩存還是更新緩存呢？我們先來看個例子：
- 線程A先發起一個寫操作，第一步先更新數據庫
- 線程B再發起一個寫操作，第二步更新了數據庫
- 由於網絡等原因，線程B先更新了緩存
- 線程A更新緩存。
這時候，緩存保存的是A的數據（老數據），數據庫保存的是B的數據（新數據），數據不一致了，臟數據出現啦。如果是刪除緩存取代更新緩存則不會出現這個臟數據問題。
更新緩存相對於刪除緩存，還有兩點劣勢：
- 如果你寫入的緩存值，是經過復雜計算才得到的話。更新緩存頻率高的話，就浪費性能啦。
- 在寫數據庫場景多，讀數據場景少的情況下，數據很多時候還沒被讀取到，又被更新了，這也浪費了性能呢(實際上，寫多的場景，用緩存也不是很划算的,哈哈)
雙寫的情況下，先操作數據庫還是先操作緩存？
Cache-Aside緩存模式中，有些小伙伴還是會有疑問，在寫請求過來的時候，為什么是先操作數據庫呢？為什么不先操作緩存呢？
假設有A、B兩個請求，請求A做更新操作，請求B做查詢讀取操作。
- 線程A發起一個寫操作，第一步del cache
- 此時線程B發起一個讀操作，cache miss
- 線程B繼續讀DB，讀出來一個老數據
- 然后線程B把老數據設置入cache
- 線程A寫入DB最新的數據
醬紫就有問題啦，緩存和數據庫的數據不一致了。緩存保存的是老數據，數據庫保存的是新數據。因此，Cache-Aside緩存模式，選擇了先操作數據庫而不是先操作緩存。
- 個別小伙伴可能會問，先操作數據庫再操作緩存，不一樣也會導致數據不一致嘛？它倆又不是原子性操作的。這個是會的，但是這種方式，一般因為刪除緩存失敗等原因，才會導致臟數據，這個概率就很低。小伙伴們可以畫下操作流程圖，自己先分析下哈。接下來我們再來分析這種刪除緩存失敗的情況，如何保證一致性。
數據庫和緩存數據保持強一致，可以嘛？
實際上，沒辦法做到數據庫與緩存絕對的一致性。
- 加鎖可以嘛？並發寫期間加鎖，任何讀操作不寫入緩存？
- 緩存及數據庫封裝CAS樂觀鎖，更新緩存時通過lua腳本？
- 分布式事務，3PC？TCC？
其實，這是由CAP理論決定的。緩存系統適用的場景就是非強一致性的場景，它屬於CAP中的AP。個人覺得，追求絕對一致性的業務場景，不適合引入緩存。
★CAP理論，指的是在一個分布式系統中， Consistency（一致性）、 Availability（可用性）、Partition tolerance（分區容錯性），三者不可得兼。
”
但是，通過一些方案優化處理，是可以保證弱一致性，最終一致性的。
3種方案保證數據庫與緩存的一致性
緩存延時雙刪
有些小伙伴可能會說，並不一定要先操作數據庫呀，采用緩存延時雙刪策略，就可以保證數據的一致性啦。什么是延時雙刪呢？
延時雙刪流程
- 先刪除緩存
- 再更新數據庫
- 休眠一會（比如1秒），再次刪除緩存。
這個休眠一會，一般多久呢？都是1秒？
★這個休眠時間 = 讀業務邏輯數據的耗時 + 幾百毫秒。為了確保讀請求結束，寫請求可以刪除讀請求可能帶來的緩存臟數據。
”
這種方案還算可以，只有休眠那一會（比如就那1秒），可能有臟數據，一般業務也會接受的。但是如果第二次刪除緩存失敗呢？緩存和數據庫的數據還是可能不一致，對吧？給Key設置一個自然的expire過期時間，讓它自動過期怎樣？那業務要接受過期時間內，數據的不一致咯？還是有其他更佳方案呢？
刪除緩存重試機制
不管是延時雙刪還是Cache-Aside的先操作數據庫再刪除緩存，都可能會存在第二步的刪除緩存失敗，導致的數據不一致問題。可以使用這個方案優化：刪除失敗就多刪除幾次呀,保證刪除緩存成功就可以了呀~ 所以可以引入刪除緩存重試機制
刪除緩存重試流程
- 寫請求更新數據庫
- 緩存因為某些原因，刪除失敗
- 把刪除失敗的key放到消息隊列
- 消費消息隊列的消息，獲取要刪除的key
- 重試刪除緩存操作
讀取biglog異步刪除緩存
重試刪除緩存機制還可以吧，就是會造成好多業務代碼入侵。其實，還可以這樣優化：通過數據庫的binlog來異步淘汰key。
以mysql為例吧
- 可以使用阿里的canal將binlog日志采集發送到MQ隊列里面
- 然后通過ACK機制確認處理這條更新消息，刪除緩存，保證數據緩存一致性