01 youtube官網打不開如何清除緩存數據一致性是指(經典好文--如何保證緩存和數據庫的雙寫一致性)

緩存一致性指的是什么?

首先明白什么是緩存，緩存是介于物理存儲與CPU處理之間的一段內存空間，主要用于存儲從物理存儲讀出、或者要寫入的數據，這需要硬件或者軟件支持。如果讀取或寫入物理存儲中的一個字節或一段數據，如果沒有緩存，那么每次的讀寫請求都會直接訪問物理存儲，而物理存儲的速度一般都比較慢，而且物理定位也比較慢，緩存使用后，可以一次性讀出需要的數據相鄰的數據，暫時存儲在緩存中，下面如果還要讀取，而這部分數據已經在緩存了，就不需要再去讀取物理存儲，同樣，如果是寫操作，可以先將需要寫入的數據暫時保存在緩存中，等到緩存過期或者強行清空時，再一次寫入物理存儲。這樣可以把多次的物理存儲訪問，變成一次物理存儲的訪問，提高訪問效率。具體的操作算法這里不多作闡述。

緩存的一致性就是指緩存中的數據是否和目標存儲中的數據是一樣的，也就是說緩存中已經修改得數據是否已經保存到了物理存儲中，物理存儲中已經被修改得內容，是否與緩存的內容是一樣的。這就是一致性的概念。

經典好文--如何保證緩存和數據庫的雙寫一致性

面試題如何保證緩存與數據庫的雙寫一致性？

面試官心理分析你只要用緩存，就可能會涉及到緩存與數據庫雙存儲雙寫，你只要是雙寫，就一定會有數據一致性的問題，那么你如何解決一致性問題？

面試題剖析一般來說，如果允許緩存可以稍微的跟數據庫偶爾有不一致的情況，也就是說如果你的系統不是嚴格要求“緩存+數據庫” 必須保持一致性的話，最好不要做這個方案，即：讀請求和寫請求串行化，串到一個內存隊列里去。

串行化可以保證一定不會出現不一致的情況，但是它也會導致系統的吞吐量大幅度降低，用比正常情況下多幾倍的機器去支撐線上的一個請求。

Cache Aside Pattern最經典的緩存+數據庫讀寫的模式，就是 Cache Aside Pattern。

讀的時候，先讀緩存，緩存沒有的話，就讀數據庫，然后取出數據后放入緩存，同時返回響應。更新的時候，先更新數據庫，然后再刪除緩存。為什么是刪除緩存，而不是更新緩存？

原因很簡單，很多時候，在復雜點的緩存場景，緩存不單單是數據庫中直接取出來的值。

比如可能更新了某個表的一個字段，然后其對應的緩存，是需要查詢另外兩個表的數據并進行運算，才能計算出緩存最新的值的。

另外更新緩存的代價有時候是很高的。是不是說，每次修改數據庫的時候，都一定要將其對應的緩存更新一份？也許有的場景是這樣，但是對于比較復雜的緩存數據計算的場景，就不是這樣了。如果你頻繁修改一個緩存涉及的多個表，緩存也頻繁更新。但是問題在于，這個緩存到底會不會被頻繁訪問到？

舉個栗子，一個緩存涉及的表的字段，在 1 分鐘內就修改了 20 次，或者是 100 次，那么緩存更新 20 次、100 次；但是這個緩存在 1 分鐘內只被讀取了 1 次，有大量的冷數據。實際上，如果你只是刪除緩存的話，那么在 1 分鐘內，這個緩存不過就重新計算一次而已，開銷大幅度降低。用到緩存才去算緩存。

其實刪除緩存，而不是更新緩存，就是一個 lazy 計算的思想，不要每次都重新做復雜的計算，不管它會不會用到，而是讓它到需要被使用的時候再重新計算。像 mybatis，hibernate，都有懶加載思想。查詢一個部門，部門帶了一個員工的 list，沒有必要說每次查詢部門，都里面的 1000 個員工的數據也同時查出來啊。80% 的情況，查這個部門，就只是要訪問這個部門的信息就可以了。先查部門，同時要訪問里面的員工，那么這個時候只有在你要訪問里面的員工的時候，才會去數據庫里面查詢 1000 個員工。

最初級的緩存不一致問題及解決方案問題：先修改數據庫，再刪除緩存。如果刪除緩存失敗了，那么會導致數據庫中是新數據，緩存中是舊數據，數據就出現了不一致。

解決思路：先刪除緩存，再修改數據庫。如果數據庫修改失敗了，那么數據庫中是舊數據，緩存中是空的，那么數據不會不一致。因為讀的時候緩存沒有，則讀數據庫中舊數據，然后更新到緩存中。

比較復雜的數據不一致問題分析數據發生了變更，先刪除了緩存，然后要去修改數據庫，此時還沒修改。一個請求過來，去讀緩存，發現緩存空了，去查詢數據庫，查到了修改前的舊數據，放到了緩存中。隨后數據變更的程序完成了數據庫的修改。完了，數據庫和緩存中的數據不一樣了...

為什么上億流量高并發場景下，緩存會出現這個問題？

只有在對一個數據在并發的進行讀寫的時候，才可能會出現這種問題。其實如果說你的并發量很低的話，特別是讀并發很低，每天訪問量就 1 萬次，那么很少的情況下，會出現剛才描述的那種不一致的場景。但是問題是，如果每天的是上億的流量，每秒并發讀是幾萬，每秒只要有數據更新的請求，就可能會出現上述的數據庫+緩存不一致的情況。

解決方案如下：

更新數據的時候，根據數據的唯一標識，將操作路由之后，發送到一個 jvm 內部隊列中。讀取數據的時候，如果發現數據不在緩存中，那么將重新讀取數據+更新緩存的操作，根據唯一標識路由之后，也發送同一個 jvm 內部隊列中。

一個隊列對應一個工作線程，每個工作線程串行拿到對應的操作，然后一條一條的執行。這樣的話，一個數據變更的操作，先刪除緩存，然后再去更新數據庫，但是還沒完成更新。此時如果一個讀請求過來，讀到了空的緩存，那么可以先將緩存更新的請求發送到隊列中，此時會在隊列中積壓，然后同步等待緩存更新完成。

這里有一個優化點，一個隊列中，其實多個更新緩存請求串在一起是沒意義的，因此可以做過濾，如果發現隊列中已經有一個更新緩存的請求了，那么就不用再放個更新請求操作進去了，直接等待前面的更新操作請求完成即可。

待那個隊列對應的工作線程完成了上一個操作的數據庫的修改之后，才會去執行下一個操作，也就是緩存更新的操作，此時會從數據庫中讀取最新的值，然后寫入緩存中。

如果請求還在等待時間范圍內，不斷輪詢發現可以取到值了，那么就直接返回；如果請求等待的時間超過一定時長，那么這一次直接從數據庫中讀取當前的舊值。

高并發的場景下，該解決方案要注意的問題：

讀請求長時阻塞由于讀請求進行了非常輕度的異步化，所以一定要注意讀超時的問題，每個讀請求必須在超時時間范圍內返回。

該解決方案，最大的風險點在于說，可能數據更新很頻繁，導致隊列中積壓了大量更新操作在里面，然后讀請求會發生大量的超時，最后導致大量的請求直接走數據庫。務必通過一些模擬真實的測試，看看更新數據的頻率是怎樣的。

另外一點，因為一個隊列中，可能會積壓針對多個數據項的更新操作，因此需要根據自己的業務情況進行測試，可能需要部署多個服務，每個服務分攤一些數據的更新操作。如果一個內存隊列里居然會擠壓 100 個商品的庫存修改操作，每隔庫存修改操作要耗費 10ms 去完成，那么最后一個商品的讀請求，可能等待 10 * 100 = 1000ms = 1s 后，才能得到數據，這個時候就導致讀請求的長時阻塞。

一定要做根據實際業務系統的運行情況，去進行一些壓力測試，和模擬線上環境，去看看最繁忙的時候，內存隊列可能會擠壓多少更新操作，可能會導致最后一個更新操作對應的讀請求，會 hang 多少時間，如果讀請求在 200ms 返回，如果你計算過后，哪怕是最繁忙的時候，積壓 10 個更新操作，最多等待 200ms，那還可以的。

如果一個內存隊列中可能積壓的更新操作特別多，那么你就要加機器，讓每個機器上部署的服務實例處理更少的數據，那么每個內存隊列中積壓的更新操作就會越少。

其實根據之前的項目經驗，一般來說，數據的寫頻率是很低的，因此實際上正常來說，在隊列中積壓的更新操作應該是很少的。像這種針對讀高并發、讀緩存架構的項目，一般來說寫請求是非常少的，每秒的 QPS 能到幾百就不錯了。

我們來實際粗略測算一下。

如果一秒有 500 的寫操作，如果分成 5 個時間片，每 200ms 就 100 個寫操作，放到 20 個內存隊列中，每個內存隊列，可能就積壓 5 個寫操作。每個寫操作性能測試后，一般是在 20ms 左右就完成，那么針對每個內存隊列的數據的讀請求，也就最多 hang 一會兒，200ms 以內肯定能返回了。

經過剛才簡單的測算，我們知道，單機支撐的寫 QPS 在幾百是沒問題的，如果寫 QPS 擴大了 10 倍，那么就擴容機器，擴容 10 倍的機器，每個機器 20 個隊列。

讀請求并發量過高這里還必須做好壓力測試，確保恰巧碰上上述情況的時候，還有一個風險，就是突然間大量讀請求會在幾十毫秒的延時 hang 在服務上，看服務能不能扛的住，需要多少機器才能扛住最大的極限情況的峰值。

但是因為并不是所有的數據都在同一時間更新，緩存也不會同一時間失效，所以每次可能也就是少數數據的緩存失效了，然后那些數據對應的讀請求過來，并發量應該也不會特別大。

多服務實例部署的請求路由可能這個服務部署了多個實例，那么必須保證說，執行數據更新操作，以及執行緩存更新操作的請求，都通過 Nginx 服務器路由到相同的服務實例上。

比如說，對同一個商品的讀寫請求，全部路由到同一臺機器上。可以自己去做服務間的按照某個請求參數的 hash 路由，也可以用 Nginx 的 hash 路由功能等等。

熱點商品的路由問題，導致請求的傾斜萬一某個商品的讀寫請求特別高，全部打到相同的機器的相同的隊列里面去了，可能會造成某臺機器的壓力過大。就是說，因為只有在商品數據更新的時候才會清空緩存，然后才會導致讀寫并發，所以其實要根據業務系統去看，如果更新頻率不是太高的話，這個問題的影響并不是特別大，但是的確可能某些機器的負載會高一些。--------------------- 作者：你是我的海嘯 來源：CSDN 原文：買粉絲s://blog.csdn.買粉絲/chang384915878/article/details/86756463 版權聲明：本文為博主原創文章，轉載請附上博文鏈接！

經典好文--如何保證緩存和數據庫的雙寫一致性

標簽：單機個數比較輪詢ash操作csdn試題計算

如何保證數據庫緩存的最終一致性？

對于互聯網業務來說，傳統的直接訪問數據庫方式，主要通過數據分片、一主多從等方式來扛住讀寫流量，但隨著數據量的積累和流量的激增，僅依賴數據庫來承接所有流量，不僅成本高、效率低、而且還伴隨著穩定性降低的風險。

鑒于大部分業務通常是讀多寫少（讀取頻率遠遠高于更新頻率），甚至存在讀操作數量高出寫操作多個數量級的情況。因此， 在架構設計中，常采用增加緩存層來提高系統的響應能力 ，提升數據讀寫性能、減少數據庫訪問壓力，從而提升業務的穩定性和訪問體驗。

根據 CAP 原理，分布式系統在可用性、一致性和分區容錯性上無法兼得，通常由于分區容錯無法避免，所以一致性和可用性難以同時成立。對于緩存系統來說， 如何保證其數據一致性是一個在應用緩存的同時不得不解決的問題 。

需要明確的是，緩存系統的數據一致性通常包括持久化層和緩存層的一致性、以及多級緩存之間的一致性，這里我們僅討論前者。持久化層和緩存層的一致性問題也通常被稱為雙寫一致性問題，“雙寫”意為數據既在數據庫中保存一

很赞哦!（86）