1 什么是一致性？

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。

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，用户体验性好，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 三个经典的缓存模式

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？有三种经典的缓存使用模式：

• Cache-Aside Pattern；
• Read-Through / Write-Through
• Write-behind

(1) Cache-Aside

Cache-Aside Pattern, 即旁路缓存模式。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。

a. Cache-Aside读流程

Cache-Aside Pattern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，从数据库中取出数据，放入缓存后，同时返回响应； b.Cache-Aside写流程

Cache-Aside Pattern的写请求流程如下：

更新得到时候，先更新数据库，然后再删除缓存。

当这个数据在下一次需要的时候，使用Cache-Aside模式将会在获取数据的时候，同时从数据仓库中获取数据，并且写到Cache之中。

(2) Read-Through/Write-Through（读写穿透）

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。

a.Read-Through

Read-Through读的简要流程如下：

从缓存中读取数据，读到直接返回；

如果读取不到的话，从数据库中加载，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 实际上只是在Cache-Aside之上进行了一层封装，它会让程序代码变得更加简洁，同时也减少数据源上的负载。

b.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：

(3) Write-behind（异步缓存写入）

Write-behind跟Read-Through/Write-Through有很多相似的地方，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。

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机制就是用到这种模式。

3 操作缓存的时候，到底是删除缓存呢，还是更新缓存？

日常开发中，我们一般使用的就是Cache-Aside模式。但这里我们注意到Cache-Aside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？这里通过一个例子来说明一下：

线程A先发起一个写操作，第一步先更新数据库；线程B先发起一个写操作，第二步后更新数据库；但是由于网络等原因，线程B先更新了缓存；线程A更新缓存；

此外, 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，就浪费性能了；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。 4 双写的情况下，先操作数据库还是先操作缓存呢？

Cache-Aside缓存模式中，有些小伙伴还是会有疑问，在写请求过来的时候，为什么是先操作数据库呢？为什么不先操作缓存呢？

例子：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。

线程A发起一个写操作，第一步del cache；此时线程B发起一个读操作，cache miss；线程B继续读DB，读出来一个老数据，此时线程B把老数据设置入cache；线程A写入DB更新数据；

这里就存在这样的一个问题了：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，Cache-Aside缓存模式，选择了先操作数据库而不是先操作缓存。

但可能这时候有小伙伴会思考：先操作数据库再操作缓存，不一样也会导致不一致嘛？它俩又不是原子性操作的。这个是会的。但是这种方式，一般会因为删除缓存失败等原因，才会导致脏数据，这个概率就很低。

那么针对这种删除缓存失败的情况，如何保证一致性呢？

数据库和缓存数据保持强一致，可以嘛？

实际上，没办法做到数据库和缓存的绝对的一致性。

加锁可以嘛？并发写期间加锁，任何读操作不写入缓存？缓存以及数据库封装CAS乐观锁，更新缓存时通过lua脚本？分布式事务，3PC?TCC？

其实，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 。个人觉得，追求绝对一致性的业务场景，不适合引入缓存。

CAP理论，指的是在一个分布式戏中，Consistency（一致性）、Availability（可用性）、Partition tolerance（分区容错性）。三者不可兼得

5 几种方案保证数据库与缓存的一致性 (1) 缓存延时双删

有些小伙伴可能会说，并不一定要先操作数据库呀，采用缓存延时双删策略，就可以保证数据的一致性拉。那么什么是延时双删呢？

先删除缓存；再更新数据库；再休眠一会(比如1秒)，再次删除缓存；

那么这个休眠一会，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；

这种方案还算可以，只有休眠那一会（比如就那1秒），可能有脏数据，一般业务也会接受的。但是如果第二次删除缓存失败呢？缓存和数据库的数据还是可能不一致，对吧？给Key设置一个自然的expire过期时间，让它自动过期怎样？那业务要接受过期时间内，数据的不一致咯？还是有其他更佳方案呢？

(2) 删除缓存重试机制

不管是延时双删还是Cache-Aside的先操作数据库再删除缓存， 都可能会存在第二步的删除缓存失败，导致的数据不一致问题。可以使用这个方案优化：删除失败就多删除几次呀，保证删除缓存成功就可以了呀~ 所以可以引入删除缓存重试机制。

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； (3) 读取binlog异步删除缓存

重试删除缓存机制还可以，但是会造成好多业务代码入侵。其实，还可以这样优化：通过数据库的binlog来异步淘汰key。

以上就是Redis与MySQL双写一致性如何保证呢的详细内容，更多关于Redis与MySQL双写一致性的资料请关注脚本之家其它相关文章！