当前位置：首页 > article >正文

如何选择缓存模式？

article 2026/3/21 3:33:01

如何选择缓存模式

当一个系统引入缓存后，最大的挑战之一便是如何确保缓存与后端数据库的一致性。目前，常见的解决方案主要有Cache Aside、Read/Write Throught和Write Back这三种缓存更新策略。

Read/Write Throught策略

读操作方面，如果缓存失效，则从数据库回源数据并设置到缓存中；写操作时，会同时更新数据库和缓存。这种策略的优点是能够保证缓存不会因为更新而失效，从而避免大量请求直接进入数据库。但其缺点也较为明显，容易出现数据不一致的情况。
在这里插入图片描述

产生不一致的情况

在这里插入图片描述

如下图所示，当缓存失效后，系统从数据库查询到v1版本数据。此时，如果发生数据更新操作，在数据库和缓存都更新完成后（数据库为v2版本，Redis缓存也为v2版本），查询流程可能会将之前从数据库回源的v1版本数据写回缓存，最终导致数据库为v2版本，而Redis缓存为v1版本，出现数据不一致的情况。这种不一致状态会一直持续到下一次数据修改或者缓存再次失效。
在这里插入图片描述
一般来说，在查询操作不复杂的情况下，其速度通常快于写操作。但出现上述数据不一致情况的原因主要有以下两点：

如果查询操作复杂且未命中mysql buffer，可能会慢于写操作，毕竟写操作有redo log的优化，执行速度也较快。
网络波动也可能对数据读写的顺序和时效性产生影响。

同样并发更新也可能产生问题
在更新操作并发的情况下，也可能出现数据不一致的问题。例如，多个并发的写操作可能会导致缓存和数据库之间的数据状态混乱，具体表现为不同操作的先后顺序和数据覆盖问题，从而引发数据不一致。
在这里插入图片描述

Cache Aside策略

此策略即为前文提到的只读缓存模式。读操作时，如果命中缓存则直接返回数据；若未命中，则从后端数据库加载数据到缓存后再返回。写操作则直接更新数据库，然后删除缓存。这种策略的优势在于始终以后端数据库的数据为准，能够有效保证缓存和数据库的一致性。然而，其缺点是写操作会使缓存失效，对于查询请求频繁的业务，可能会导致大量请求回源到数据库。在实际软件开发中，当使用Memcached或Redis时，这是一种较为常用的方案。不过，该策略虽然避免了并发更新导致的不一致问题，但缓存失效导致的数据不一致情况仍然存在。
在这里插入图片描述

Write Back策略

这一策略类似于前文所述的读写缓存模式 + 异步写回策略。
写操作仅对缓存进行，操作相对简单，系统会定时将缓存数据同步回数据库。
读操作方面，如果命中缓存则直接返回数据；若未命中，则从数据库加载数据到缓存中。当缓存已满时，会先将需要淘汰的缓存数据写回到后端数据库，然后再将对应的数据放入缓存中。
此外，当数据即将过期时，还需判断是否为脏数据，若是，则需先进行持久化操作，然后再让数据过期。
这种策略的优点是写操作速度极快（因为只写缓存），但其缺点是如果数据还未来得及写入后端数据库，系统就发生异常，可能会导致缓存和数据库的数据不一致。这种策略常用于操作系统的Page Cache中，或者在应对大量写操作的数据库引擎中也较为常见。

全量缓存

这种适用于缓存内容较少，或性能要求极高的场景，比如一些系统配置；这时往往通过定时任务+事件监听的方式，将数据库修改同步到内存和redis，如果缓存中访问不到不会在回源到数据库。

如何解决不一致

重试机制

在缓存或数据库操作过程中，除了正常流程外，还需考虑操作发生异常时的处理方式。例如，当缓存操作成功但数据库操作失败，或者反之，都可能导致数据不一致的问题。

对于一致性要求不高的业务场景，可以根据业务特点设计好更新缓存和数据库的先后顺序，以此降低数据不一致的影响；或者通过给缓存设置较短的有效期，来缩短不一致状态的持续时间。
而对于需要严格保证缓存和数据库一致性，即确保两者操作原子性的场景，这就涉及到分布式事务问题了。常见的解决方案包括两阶段提交（2PC）、三阶段提交（3PC）、TCC、消息队列等。不过，这些方案通常较为复杂，一般应用于对一致性要求极高的业务场景。

利用消息队列重试

在实际应用中，一种常用的一致性解决方案是利用消息队列进行重试。当缓存修改或删除操作失败时，系统会异步发送一条消息，进行重试消费，以此确保缓存和数据库的一致性。

延迟双删

在正常流程下，使用Read/Write Throught和Cache Aside策略时，由于缓存失效可能会导致旧值被重新写入缓存。虽然这种情况发生的概率极低，但在数据库读写分离的架构下，主从同步延迟会增加数据不一致的概率。

读写分离导致的不一致示例

例如，在“先更新数据库，再删除缓存”的方案中，“读写分离 + 主从库延迟”可能会导致如下数据不一致的情况：

线程A更新主库，将X的值从1更新为2。
线程A删除缓存。
线程B查询缓存，未命中，于是查询从库，得到旧值X = 1。
从库完成与主库的同步，此时主从库中X的值都为2。
线程B将从库中查询到的旧值1写入缓存。
最终，X的值在缓存中为1（旧值），而在主从库中为2（新值），出现了数据不一致的情况。

延迟双删解决方案

针对上述问题，最简单的解决办法是进行延迟双删。即在删除缓存后，延迟一段时间再次删除缓存。延迟的时间需要通过具体的测试来确定，同时删除的逻辑也可以异步执行，并进行重试。需要注意的是，延迟双删只能减少数据不一致的可能性，并不能完全避免。

定时矫正

强一致

在实际应用中，要实现缓存和数据库的“强一致”是非常困难的。常见的实现强一致的方案，如2PC、3PC、Paxos、Raft等一致性协议，虽然能够保证数据的强一致性，但其性能往往较差，并且这些方案相对复杂，还需要考虑各种容错问题。
当我们引入缓存时，其主要目的是提升系统性能。在这种情况下，性能和一致性就如同天平的两端，难以同时兼顾。以我们前面提到的方案为例，在操作数据库和缓存的过程中，只要在操作完成之前有其他请求介入，就有可能查询到“中间状态”的数据。
如果非要追求强一致，那么在所有更新操作完成之前，必须禁止“任何请求”进入。虽然我们可以通过加“分布锁”的方式来实现这一目标，但这样做所付出的代价，很可能会超过引入缓存所带来的性能提升。
因此，既然决定使用缓存，就必须在一定程度上容忍“一致性”问题。我们所能做的，就是尽可能降低问题出现的概率。同时，我们也要清楚地认识到，缓存都设置有“失效时间”。即使在某些时间段内存在短期的数据不一致，我们仍然可以依靠缓存的失效时间来兜底，从而实现数据的最终一致性。

总结

引入缓存后，需要着重考虑缓存和数据库的一致性问题。可供选择的方案主要有“更新数据库 + 更新缓存”以及“更新数据库 + 删除缓存”这两种。
“更新数据库 + 更新缓存”方案在并发场景下，难以保证缓存和数据库的数据一致性，并且还可能出现“缓存资源浪费”和“机器性能浪费”的问题。
在“更新数据库 + 删除缓存”的方案中，“先删除缓存，再更新数据库”在并发场景下依然存在数据不一致的风险。针对这一问题，解决方案是“延迟双删”，但延迟时间的评估具有一定难度。因此，通常推荐采用“先更新数据库，再删除缓存”的方案。
在“先更新数据库，再删除缓存”的方案下，为了确保数据库更新和缓存删除这两步操作都能成功执行，需要配合“消息队列”或“订阅变更日志”等方案。其本质是通过“重试”机制来保证数据的一致性。
在“先更新数据库，再删除缓存”的方案下，“读写分离 + 主从库延迟”同样会导致缓存和数据库的数据不一致。缓解这一问题的方案仍然是“延迟双删”，即凭借经验将“延迟消息”发送到队列中，延迟删除缓存。同时，还需要对主从库延迟进行有效控制，尽可能降低数据不一致情况发生的概率。