問題
你只要用快取，就可能會涉及到快取與資料庫雙儲存雙寫，你只要是雙寫，就一定會有資料一致性的問題，那麼你如何解決一致性問題？
分析
先做一個說明，從理論上來說，有兩種處理思維，一種需保證資料強一致性，這樣效能肯定大打折扣；另外我們可以採用最終一致性，保證效能的基礎上，允許一定時間內的資料不一致，但最終資料是一致的。
一致性問題是如何產生的？
對於讀取過程：
- 首先，讀快取；
- 如果快取裡沒有值，那就讀取資料庫的值；
- 同時把這個值寫進快取中。
雙更新模式：操作不合理，導致資料一致性問題
我們來看下常見的一個錯誤編碼方式：
public void putValue(key,value){
// 儲存到redis
putToRedis(key,value);
// 儲存到MySQL
putToDB(key,value);//操作失敗了
}比如我要更新一個值，首先刷了快取，然後把資料庫也更新了。但過程中，更新資料庫可能會失敗，發生了回滾。所以，最後“快取裡的資料”和“資料庫的資料”就不一樣了，也就是出現了資料一致性問題。
你或許會說：我先更新資料庫，再更新快取不就行了？
public void putValue(key,value){
// 儲存到MySQL
putToDB(key,value);
// 儲存到redis
putToRedis(key,value);
}這依然會有問題。
考慮到下面的場景：操作 A 更新 a 的值為 1，操作 B 更新 a 的值為 2。由於資料庫和 Redis 的操作，並不是原子的，它們的執行時長也不是可控制的。當兩個請求的時序發生了錯亂，就會發生快取不一致的情況。
放到實操中，就如上圖所示：A 操作在更新資料庫成功後，再更新 Redis；但在更新 Redis 之前，另外一個更新操作 B 執行完畢。那麼操作 A 的這個 Redis 更新動作，就和資料庫裡面的值不一樣了。
那麼怎麼辦呢？其實，我們把“快取更新”改成“刪除”就好了。
不再更新快取，直接刪除，為什麼？
- 業務角度考慮
原因很簡單，很多時候，在複雜點的快取場景，快取不單單是資料庫中直接取出來的值。比如可能更新了某個表的一個欄位，然後其對應的快取，是需要查詢另外兩個表的資料並進行運算，才能計算出快取最新的值的。
- 價效比角度考慮
更新快取的代價有時候是很高的。如果頻繁更新快取，需要考慮這個快取到底會不會被頻繁訪問？
舉個例子，一個快取涉及的表的欄位，在 1 分鐘內就修改了 20 次，或者是 100 次，那麼快取更新 20 次、100 次；但是這個快取在 1 分鐘內只被讀取了 1 次，有大量的冷資料。實際上，如果你只是刪除快取的話，那麼在 1 分鐘內，這個快取不過就重新計算一次而已，開銷大幅度降低。用到快取才去算快取。
“後刪快取”能解決多數不一致
因為每次讀取時，如果判斷 Redis 裡沒有值，就會重新讀取資料庫，這個邏輯是沒問題的。
唯一的問題是：我們是先刪除快取？還是後刪除快取？
答案是後刪除快取。
1.如果先刪快取
我們來看一下先刪除快取會有什麼問題：
public void putValue(key,value){
// 刪除redis資料
deleteFromRedis(key);
// 儲存到資料庫
putToDB(key,value);
}
就和上面的圖一樣。操作 B 刪除了某個 key 的值，這時候有另外一個請求 A 到來，那麼它就會擊穿到資料庫，讀取到舊的值, 然後寫入redis，無論操作 B 更新資料庫的操作持續多長時間，都會產生不一致的情況。
2.如果後刪快取
而把刪除的動作放在後面，就能夠保證每次讀到的值都是最新的。
public void putValue(key,value){
// 儲存到資料庫
putToDB(key,value);
// 刪除redis資料
deleteFromRedis(key);
}這就是我們通常說的Cache-Aside Pattern，也是我們平常使用最多的模式。我們看一下它的具體方式。
先看一下資料的讀取過程，規則是“先讀 cache，再讀 db”，詳細步驟如下：
- 每次讀取資料，都從 cache 裡讀；
- 如果讀到了，則直接返回，稱作 cache hit；
- 如果讀不到 cache 的資料，則從 db 裡面撈一份，稱作 cache miss；
- 將讀取到的資料塞入到快取中，下次讀取時，就可以直接命中。
再來看一下寫請求，規則是“先更新 db，再刪除快取”，詳細步驟如下：
- 將變更寫入到資料庫中；
- 刪除快取裡對應的資料。
大廠高併發，“後刪快取”依舊不一致
這種情況不存在併發問題麼？不是的。假設這會有兩個請求，一個請求A做查詢操作，一個請求B做更新操作，那麼會有如下情形產生
- 快取剛好失效
- 請求A查詢資料庫，得一箇舊值
- 請求B將新值寫入資料庫
- 請求B刪除快取
- 請求A將查到的舊值寫入快取
如果發生上述情況，確實是會發生髒資料。
然而，發生這種情況的概率又有多少呢？
發生上述情況有一個先天性條件，就是步驟（3）的寫資料庫操作比步驟（2）的讀資料庫操作耗時更短，才有可能使得步驟（4）先於步驟（5）。可是，大家想想，資料庫的讀操作的速度遠快於寫操作的，因此步驟（3）耗時比步驟（2）更短，這一情形很難出現。
這種場景的出現，不僅需要快取失效且讀寫併發執行，而且還需要讀請求查詢資料庫的執行早於寫請求更新資料庫，同時讀請求的執行完成晚於寫請求。這種不一致場景產生的條件非常嚴格，一般業務是達不到這個量級的，所以一般公司不去處理這種情況，但高併發業務就非常常見了。
那如果是讀寫分離的場景下呢？如果按照如下所述的執行序列，一樣會出問題：
- 請求A更新主庫
- 請求A刪除快取
- 請求B查詢快取，沒有命中，查詢從庫得到舊值
- 從庫同步完畢
- 請求B將舊值寫入快取
如果資料庫主從同步比較慢的話，同樣會出現資料不一致的問題。事實上就是如此，畢竟我們操作的是兩個系統，在高併發的場景下，我們很難去保證多個請求之間的執行順序，或者就算做到了，也可能會在效能上付出極大的代價。
加鎖？
可以採用加鎖在寫請求中保證“更新資料庫&刪除快取”的序列執行為原子性操作（同理也可對讀請求中快取的更新加鎖）。加鎖勢必會導致吞吐量的下降，故採取加鎖的方案應該對效能的損耗有所預期。
如何解決高併發的不一致問題？
大家看上面這種不一致情況發生的場景，歸根結底還是“刪除操作”發生在“更新操作”之前了。
延時雙刪
假如我有一種機制，能夠確保刪除動作一定被執行，那就可以解決問題，起碼能縮小資料不一致的時間視窗。
常用的方法就是延時雙刪，依然是先更新再刪除，唯一不同的是：我們把這個刪除動作，在不久之後再執行一次，比如 5 秒之後。
public void putValue(key,value){
putToDB(key,value);
deleteFromRedis(key);
// 數秒後重新執行刪除操作
deleteFromRedis(key,5);
}這個休眠時間 = 讀業務邏輯資料的耗時 + 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快取髒資料。
這種方案還算可以，只有休眠那一會，可能有髒資料，一般業務也會接受的。
其實在討論最後一個方案時，我們沒有考慮運算元據庫或者操作快取可能失敗的情況，而這種情況也是客觀存在的。
那麼在這裡我們簡單討論下，首先是如果更新資料庫失敗了，其實沒有太大關係，因為此時資料庫和快取中都還是老資料，不存在不一致的問題。假設刪除快取失敗了呢？此時確實會存在資料不一致的情況。除了設定快取過期時間這種兜底方案之外，如果我們希望儘可能保證快取可以被及時刪除，那麼我們必須要考慮對刪除操作進行重試。
刪除快取重試機制
你當然可以直接在程式碼中對刪除操作進行重試，但是要知道如果是網路原因導致的失敗，立刻進行重試操作很可能也是失敗的，因此在每次重試之間你可能需要等待一段時間，比如幾百毫秒甚至是秒級等待。為了不影響主流程的正常執行，你可能會將這個事情交給一個非同步執行緒來執行。
而刪除動作也有多種選擇：
- 如果開執行緒去執行，會有隨著 JVM 程式的死亡，丟失更新的風險；
- 如果放在 MQ 中，會增加編碼的複雜性。
所以到了這個時候，並沒有一個能夠行走天下的解決方案。我們得綜合評價很多因素去做設計，比如團隊的水平、工期、不一致的忍受程度等。
非同步優化方式：訊息佇列
- 寫請求更新資料庫
- 快取因為某些原因，刪除失敗
- 把刪除失敗的key放到訊息佇列
- 消費訊息佇列的訊息，獲取要刪除的key
- 重試刪除快取操作
非同步優化方式：基於訂閱binlog的同步機制
那如果是讀寫分離場景呢？我們知道資料庫（以Mysql為例）主從之間的資料同步是通過binlog同步來實現的，因此這裡可以考慮訂閱binlog（可以使用canal之類的中介軟體實現），提取出要刪除的快取項，然後作為訊息寫入訊息佇列，然後再由消費端進行慢慢的消費和重試。
- 更新資料庫資料
- 資料庫會將操作資訊寫入binlog日誌當中
- 訂閱程式提取出所需要的資料以及key
- 另起一段非業務程式碼，獲得該資訊
- 嘗試刪除快取操作，發現刪除失敗
- 將這些資訊傳送至訊息佇列
- 重新從訊息佇列中獲得該資料，重試操作。
小結
針對 Redis 的快取一致性問題，我們聊了很多。可以看到，無論你怎麼做，一致性問題總是存在，只是機率慢慢變小了。
隨著對不一致問題的忍受程度越來越低、併發量越來越高，我們所採用的方案也越來越極端。一般情況下，到了延時雙刪這一步，就證明你的併發量已經夠大了；再往下走，無不是對高可用、成本、一致性的權衡，進入到了特事特辦的場景，甚至要考慮基礎設施，關於這些每個公司的策略都是不一樣的。
除了 Cache-Aside Pattern，一致性常見的還有 Read-Through、Write-Through、Write-Behind 等模式，它們都有自己的應用場景，你可以再深入瞭解一下。