Redis由于将数据保存在内存中，访问速度远远大于基于磁盘的数据库（如MySQL）。但是由于其容量有限，不开启持久化时断电数据容易丢失（开启持久化影响性能）等特点， 因此常常作为数据库的缓存来使用。Redis也主要适合于读多写少，且对一致性要求不是特别高的场景，这是使用Redis的前提。

缓存更新策略

由于引入缓存，数据就会分散在缓存和数据库两处不同的数据源，当数据更新时，事实上很难做到数据一致，除非采用强一致性方案，这里不在进行讨论。关于数据的更新，主要有以下4种模式, 其中Read Through和Write Through放在一起讨论：

• Cache Aside
• Read Through
• Write Through
• Write Back

这四种模式的主要区别在于最新数据在缓存中还是数据库中，由谁进行更新

下面分别对这四种模式进行阐述，为保证行文连贯，先假设更新数据库以及缓存都会事务成功，由于某一种更新导致的不一致性在后续章节讨论

1. Cache Aside

Cache Aside主要有三点：

1. 命中：应用程序从cache中取数据，取到后返回。
2. 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。
3. 更新：先把数据存到数据库中，成功后，应用程序再让缓存失效。

至于为什么是先更新数据库，再让缓存失效， 而不是直接更新缓存，主要是为了保证在并发的情况下，尽可能降低数据不一致出现的概率，具体参考附录，在大概率的情况下先更新数据库再失效缓存能够保证数据一致，也是业界推荐的处理方式，包括Facebook的论文《Scaling Memcache at Facebook》也使用了这个策略。

图片来源于https://coolshell.cn/articles/17416.html

2. Read Through与Write Through

Cache Aside 对缓存以及数据库的更新逻辑是由应用程序去控制的，很显然这是一个很复杂的过程。Write/Read Through对调用方而言，缓存是作为整个的数据存储，而不用关心缓存后面的数据库，数据库的更新则是由缓存统一进行管理，对调用方而言只需要和缓存进行交互，整体过程是透明的。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。如下图，图片来源于Cache (computing)

• Read Through
  查询操作中，当缓存失效的时（过期或LRU换出），由缓存服务负责从数据库中加载数据到缓存中，对应用方是透明的。
• Write Through
  更新数据时，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，然后再由缓存服务自己更新数据库（这是一个同步操作）

3. Write Back

这种模式是当数据更新的时候直接更新缓存数据，然后建立异步任务去更新数据库。这种异步方式请求响应会很快，系统的吞吐量会明显提升。但是，因为是异步更新数据库，数据一致性的保障就会变弱，如果更新数据库失败则会永远的造成系统脏数据，需要很精细设计系统重试的策略，另外如果异步服务宕机的话，还要考虑更新的数据如何持久化，服务重启后能够迅速恢复。在更新数据库时，由于并发多任务的存在，还需要考虑并发写是否会造成脏数据的问题，就需要追溯每次更新数据的时序。使用这种模式需要考虑的细节会有很多，设计出一套好的方案是件很不容易的事情。

图片来源于https://en.wikipedia.org/wiki/Cache_(computing)

数据不一致的原因

1. 数据不一致的原因

1. 逻辑失败造成的数据不一致
   因为异步读写请求在并发情况下的操作时序导致的数据不一致，称之为”逻辑失败“。解决这种因为并发时序导致的问题，核心的解决思想是将异步操作进行串行化。
2. 物理失败造成的数据不一致
   在Cache Aside 模式中先更新数据库再删除缓存以及异步双删策略等等，如果删除缓存失败时都出现数据不一致的情况。出于性能的考虑，数据库及缓存的操作不会放在一个事务中，因为缓存操作失败，导致的数据不一致称之为“物理失败”。大多数情况物理失败的情况会重用重试的方式进行解决。

2. 数据最终一致性解决方案：

在绝大部分业务场景中，追求的是最终一致性，针对物理失败造成的数据不一致常用的方案有：消费消息异步删除缓存以及订阅Binlog的方式，针对逻辑失败造成的数据不一致常用的方案有：队列异步操作同步化。
消费消息异步删除缓存
流程如下图所示，主要包括：

1. 应用程序更新数据库数据；
2. 删除缓存
3. 如果缓存删除失败，将删除失败的key 发送到消息队列
4. 应用程序自己消费消息，获得需要删除的key
5. 继续重试删除操作，直到成功

订阅binlog
消费消息异步删除缓存有一个缺点，对业务线代码有大量的侵入，所以引出了本方案， 主要流程如下：

1. 应用程序更新数据库
2. 通过canal 订阅数据库的binlog
3. 数据更新服务解析binlog
4. 根据解析的binlog更新缓存
5. 对于更新失败的，将失败的key发送到消息队列
6. 缓存服务订阅消息队列， 重试

总结：

无论是4种更新策略，还是缓存的最终一致性方案，Redis缓存与数据库都会有短时间或者小概率的不一致的风险， 这又回到了开篇Redis适合使用的场景，读多写少， 对一致性要求不高，如果是一致性要求特别高的情况，比如交易场景，则只能使用数据库了。

附录

1. 先更新数据库再失效缓存

• 数据库读请求比写请求快，出现数据不一致概率极低
  1. 读请求时，缓存刚好失效（图中1、2）
  2. 读请求从数据库中读取数据并更新缓存期间（图中3、4、9、10），正好有写请求更新数据库并使缓存失效（图中5、6、7、8）， 且读数据库比写数据库慢
• 可以通过异步双删的策略以及过期失效的方式来避免这种不一致

先更新数据库再失效缓存出错情况(概率小)

2. 先失效缓存再更新数据库

• 数据库读请求比写请求快，容易出现数据不一致
  写请求失效缓存并更新数据库期间（图中1、2、7、8），读请求读取数据库旧值并更新缓存（图中3、4、5、6）
• 通过延时双删（影响吞吐率），异步双删降低不一致的影响

先失效缓存再更新数据库数据不一致情况(概率大)

3. 先更新缓存再更新数据库与先更新数据库再更新缓存

• 并发写容易写覆盖造成脏数据问题
  具体如如下两图所示
• 双写不同数据源容易造成数据不一致
  同时写数据库以及缓存数据，任何一个更新失败都会造成数据不一致，即物理失败。另外事务都成功，无论是先更新缓存还是再更新数据库，还是先更新数据库再更新缓存，这两种情况在并发的情况下也很容易出现双写不成功。

• 违背数据懒加载，避免不必要的计算消耗（这点还好）
  如果有些缓存值是需要经过复杂的计算才能得出，所以如果每次更新数据的时候都更新缓存，但是后续在一段时间内并没有读取该缓存数据，这样就白白浪费了大量的计算性能，完全可以后续由读请求的时候，再去计算即可，这样更符合数据懒加载，降低计算开销。

  
  
  先更新数据库再更新缓存数据不一致情况(概率大)

先更新缓存再更新数据库数据不一致情况(概率大)

参考：

1. 缓存更新的套路
2. 响应速度不给力？解锁正确缓存姿势