deletemapping和get请求一致吗_怎么保证缓存与数据库的双写一致性？

点击上方“Java秃头哥”&＃xff0c;选择“星标”

每天分享优质干货

• Cache Aside Pattern
• 最初级的缓存不一致问题及解决方案
• 比较复杂的数据不一致问题分析

只要用缓存&＃xff0c;就可能会涉及到缓存与数据库双存储双写&＃xff0c;你只要是双写&＃xff0c;就一定会有数据一致性的问题&＃xff0c;那么你如何解决一致性问题&＃xff1f;

面试题剖析

一般来说&＃xff0c;如果允许缓存可以稍微的跟数据库偶尔有不一致的情况&＃xff0c;也就是说如果你的系统不是严格要求 “缓存&＃43;数据库” 必须保持一致性的话&＃xff0c;最好不要做这个方案&＃xff0c;即&＃xff1a;读请求和写请求串行化&＃xff0c;串到一个内存队列里去。

串行化可以保证一定不会出现不一致的情况&＃xff0c;但是它也会导致系统的吞吐量大幅度降低&＃xff0c;用比正常情况下多几倍的机器去支撑线上请求。

最经典的缓存&＃43;数据库读写的模式&＃xff0c;就是 Cache Aside Pattern。

读的时候&＃xff0c;先读缓存&＃xff0c;缓存没有的话&＃xff0c;就读数据库&＃xff0c;然后取出数据后放入缓存&＃xff0c;同时返回响应。

更新的时候&＃xff0c;先更新数据库&＃xff0c;然后再删除缓存。

为什么是删除缓存&＃xff0c;而不是更新缓存&＃xff1f;

原因很简单&＃xff0c;很多时候&＃xff0c;在复杂点的缓存场景&＃xff0c;缓存不单单是数据库中直接取出来的值。

比如可能更新了某个表的一个字段&＃xff0c;然后其对应的缓存&＃xff0c;是需要查询另外两个表的数据并进行运算&＃xff0c;才能计算出缓存最新的值的。

另外更新缓存的代价有时候是很高的。是不是说&＃xff0c;每次修改数据库的时候&＃xff0c;都一定要将其对应的缓存更新一份&＃xff1f;也许有的场景是这样&＃xff0c;但是对于比较复杂的缓存数据计算的场景&＃xff0c;就不是这样了。如果你频繁修改一个缓存涉及的多个表&＃xff0c;缓存也频繁更新。但是问题在于&＃xff0c;这个缓存到底会不会被频繁访问到&＃xff1f;

举个栗子&＃xff0c;一个缓存涉及的表的字段&＃xff0c;在 1 分钟内就修改了 20 次&＃xff0c;或者是 100 次&＃xff0c;那么缓存更新 20 次、100 次&＃xff1b;但是这个缓存在 1 分钟内只被读取了 1 次&＃xff0c;有大量的冷数据。实际上&＃xff0c;如果你只是删除缓存的话&＃xff0c;那么在 1 分钟内&＃xff0c;这个缓存不过就重新计算一次而已&＃xff0c;开销大幅度降低&＃xff0c;用到缓存才去算缓存。

其实删除缓存&＃xff0c;而不是更新缓存&＃xff0c;就是一个 lazy 计算的思想&＃xff0c;不要每次都重新做复杂的计算&＃xff0c;不管它会不会用到&＃xff0c;而是让它到需要被使用的时候再重新计算。像 mybatis&＃xff0c;hibernate&＃xff0c;都有懒加载思想。查询一个部门&＃xff0c;部门带了一个员工的 list&＃xff0c;没有必要说每次查询部门&＃xff0c;都里面的 1000 个员工的数据也同时查出来啊。80% 的情况&＃xff0c;查这个部门&＃xff0c;就只是要访问这个部门的信息就可以了。先查部门&＃xff0c;同时要访问里面的员工&＃xff0c;那么这个时候只有在你要访问里面的员工的时候&＃xff0c;才会去数据库里面查询 1000 个员工。

“

推荐一个艿艿写的 6000&＃43; Star 的 SpringBoot &＃43; SpringCloud &＃43; Dubbo 教程的仓库&＃xff1a;https://github.com/YunaiV/SpringBoot-Labs

问题&＃xff1a;先修改数据库&＃xff0c;再删除缓存。如果删除缓存失败了&＃xff0c;那么会导致数据库中是新数据&＃xff0c;缓存中是旧数据&＃xff0c;数据就出现了不一致。

解决思路&＃xff1a;先删除缓存&＃xff0c;再修改数据库。如果数据库修改失败了&＃xff0c;那么数据库中是旧数据&＃xff0c;缓存中是空的&＃xff0c;那么数据不会不一致。因为读的时候缓存没有&＃xff0c;则读数据库中旧数据&＃xff0c;然后更新到缓存中。

“

推荐一个艿艿写的 3000&＃43; Star 的 SpringCloud Alibaba 电商开源项目的仓库&＃xff1a;https://github.com/YunaiV/onemall

数据发生了变更&＃xff0c;先删除了缓存&＃xff0c;然后要去修改数据库&＃xff0c;此时还没修改。一个请求过来&＃xff0c;去读缓存&＃xff0c;发现缓存空了&＃xff0c;去查询数据库&＃xff0c;查到了修改前的旧数据&＃xff0c;放到了缓存中。随后数据变更的程序完成了数据库的修改。

完了&＃xff0c;数据库和缓存中的数据不一样了。。。

为什么上亿流量高并发场景下&＃xff0c;缓存会出现这个问题&＃xff1f;

只有在对一个数据在并发的进行读写的时候&＃xff0c;才可能会出现这种问题。其实如果说你的并发量很低的话&＃xff0c;特别是读并发很低&＃xff0c;每天访问量就 1 万次&＃xff0c;那么很少的情况下&＃xff0c;会出现刚才描述的那种不一致的场景。但是问题是&＃xff0c;如果每天的是上亿的流量&＃xff0c;每秒并发读是几万&＃xff0c;每秒只要有数据更新的请求&＃xff0c;就可能会出现上述的数据库&＃43;缓存不一致的情况。

解决方案如下&＃xff1a;

更新数据的时候&＃xff0c;根据数据的唯一标识&＃xff0c;将操作路由之后&＃xff0c;发送到一个 jvm 内部队列中。读取数据的时候&＃xff0c;如果发现数据不在缓存中&＃xff0c;那么将重新读取数据&＃43;更新缓存的操作&＃xff0c;根据唯一标识路由之后&＃xff0c;也发送同一个 jvm 内部队列中。

一个队列对应一个工作线程&＃xff0c;每个工作线程串行拿到对应的操作&＃xff0c;然后一条一条的执行。这样的话&＃xff0c;一个数据变更的操作&＃xff0c;先删除缓存&＃xff0c;然后再去更新数据库&＃xff0c;但是还没完成更新。此时如果一个读请求过来&＃xff0c;读到了空的缓存&＃xff0c;那么可以先将缓存更新的请求发送到队列中&＃xff0c;此时会在队列中积压&＃xff0c;然后同步等待缓存更新完成。

这里有一个优化点&＃xff0c;一个队列中&＃xff0c;其实多个更新缓存请求串在一起是没意义的&＃xff0c;因此可以做过滤&＃xff0c;如果发现队列中已经有一个更新缓存的请求了&＃xff0c;那么就不用再放个更新请求操作进去了&＃xff0c;直接等待前面的更新操作请求完成即可。

待那个队列对应的工作线程完成了上一个操作的数据库的修改之后&＃xff0c;才会去执行下一个操作&＃xff0c;也就是缓存更新的操作&＃xff0c;此时会从数据库中读取最新的值&＃xff0c;然后写入缓存中。

如果请求还在等待时间范围内&＃xff0c;不断轮询发现可以取到值了&＃xff0c;那么就直接返回&＃xff1b;如果请求等待的时间超过一定时长&＃xff0c;那么这一次直接从数据库中读取当前的旧值。

高并发的场景下&＃xff0c;该解决方案要注意的问题&＃xff1a;

1、读请求长时阻塞

由于读请求进行了非常轻度的异步化&＃xff0c;所以一定要注意读超时的问题&＃xff0c;每个读请求必须在超时时间范围内返回。

该解决方案&＃xff0c;最大的风险点在于说&＃xff0c;可能数据更新很频繁&＃xff0c;导致队列中积压了大量更新操作在里面&＃xff0c;然后读请求会发生大量的超时&＃xff0c;最后导致大量的请求直接走数据库。务必通过一些模拟真实的测试&＃xff0c;看看更新数据的频率是怎样的。

另外一点&＃xff0c;因为一个队列中&＃xff0c;可能会积压针对多个数据项的更新操作&＃xff0c;因此需要根据自己的业务情况进行测试&＃xff0c;可能需要部署多个服务&＃xff0c;每个服务分摊一些数据的更新操作。如果一个内存队列里居然会挤压 100 个商品的库存修改操作&＃xff0c;每隔库存修改操作要耗费 10ms 去完成&＃xff0c;那么最后一个商品的读请求&＃xff0c;可能等待 10 * 100 &＃61; 1000ms &＃61; 1s 后&＃xff0c;才能得到数据&＃xff0c;这个时候就导致读请求的长时阻塞。

一定要做根据实际业务系统的运行情况&＃xff0c;去进行一些压力测试&＃xff0c;和模拟线上环境&＃xff0c;去看看最繁忙的时候&＃xff0c;内存队列可能会挤压多少更新操作&＃xff0c;可能会导致最后一个更新操作对应的读请求&＃xff0c;会 hang 多少时间&＃xff0c;如果读请求在 200ms 返回&＃xff0c;如果你计算过后&＃xff0c;哪怕是最繁忙的时候&＃xff0c;积压 10 个更新操作&＃xff0c;最多等待 200ms&＃xff0c;那还可以的。

如果一个内存队列中可能积压的更新操作特别多&＃xff0c;那么你就要加机器&＃xff0c;让每个机器上部署的服务实例处理更少的数据&＃xff0c;那么每个内存队列中积压的更新操作就会越少。

其实根据之前的项目经验&＃xff0c;一般来说&＃xff0c;数据的写频率是很低的&＃xff0c;因此实际上正常来说&＃xff0c;在队列中积压的更新操作应该是很少的。像这种针对读高并发、读缓存架构的项目&＃xff0c;一般来说写请求是非常少的&＃xff0c;每秒的 QPS 能到几百就不错了。

实际粗略测算一下

如果一秒有 500 的写操作&＃xff0c;如果分成 5 个时间片&＃xff0c;每 200ms 就 100 个写操作&＃xff0c;放到 20 个内存队列中&＃xff0c;每个内存队列&＃xff0c;可能就积压 5 个写操作。每个写操作性能测试后&＃xff0c;一般是在 20ms 左右就完成&＃xff0c;那么针对每个内存队列的数据的读请求&＃xff0c;也就最多 hang 一会儿&＃xff0c;200ms 以内肯定能返回了。

经过刚才简单的测算&＃xff0c;我们知道&＃xff0c;单机支撑的写 QPS 在几百是没问题的&＃xff0c;如果写 QPS 扩大了 10 倍&＃xff0c;那么就扩容机器&＃xff0c;扩容 10 倍的机器&＃xff0c;每个机器 20 个队列。

2、读请求并发量过高

这里还必须做好压力测试&＃xff0c;确保恰巧碰上上述情况的时候&＃xff0c;还有一个风险&＃xff0c;就是突然间大量读请求会在几十毫秒的延时 hang 在服务上&＃xff0c;看服务能不能扛的住&＃xff0c;需要多少机器才能扛住最大的极限情况的峰值。

但是因为并不是所有的数据都在同一时间更新&＃xff0c;缓存也不会同一时间失效&＃xff0c;所以每次可能也就是少数数据的缓存失效了&＃xff0c;然后那些数据对应的读请求过来&＃xff0c;并发量应该也不会特别大。

3、多服务实例部署的请求路由

可能这个服务部署了多个实例&＃xff0c;那么必须保证说&＃xff0c;执行数据更新操作&＃xff0c;以及执行缓存更新操作的请求&＃xff0c;都通过 Nginx 服务器路由到相同的服务实例上。

比如说&＃xff0c;对同一个商品的读写请求&＃xff0c;全部路由到同一台机器上。可以自己去做服务间的按照某个请求参数的 hash 路由&＃xff0c;也可以用 Nginx 的 hash 路由功能等等。

4、热点商品的路由问题&＃xff0c;导致请求的倾斜

万一某个商品的读写请求特别高&＃xff0c;全部打到相同的机器的相同的队列里面去了&＃xff0c;可能会造成某台机器的压力过大。就是说&＃xff0c;因为只有在商品数据更新的时候才会清空缓存&＃xff0c;然后才会导致读写并发&＃xff0c;所以其实要根据业务系统去看&＃xff0c;如果更新频率不是太高的话&＃xff0c;这个问题的影响并不是特别大&＃xff0c;但是的确可能某些机器的负载会高一些。

来源&＃xff1a;blog.csdn.net/chang384915878/article/details/86756463

--END--

1、记一次订单号重复的事故&＃xff0c;快看看你的 uuid 在并发下还正确吗&＃xff1f;

2、太可怕了&＃xff01;差点因为一条SQL被拖出去祭天......

3、6个步骤模拟一次超过 5 万的并发用户&＃xff0c;无压力&＃xff01;

4、鹅厂是如何使用 Git 的&＃xff1f;太高效了&＃xff01;&＃xff01;

5、Java线上故障排查全套路总结&＃xff0c;6000&＃43;字&＃xff0c;30&＃43;张图&＃xff01;

2020年秋招马上就开始啦&＃xff01;我精选了45套大厂简历模版&＃xff0c;需要的朋友关注公众号并回复 简历 领取

文章都看完了不点个 吗