?2016-2026 Matools All rights reserved,
粵ICP備17059708號
能堅持別人不能堅持的，才能擁有別人不能擁有的。
?
文章首發(fā)于左上角公眾號，同步到博客園會延遲一到兩天。
關注編程大道公眾號，讓我們一同堅持心中所想，一起成長??！
Redis
是企業(yè)級系統(tǒng)高并發(fā)、高可用架構中非常重要的一個環(huán)節(jié)。Redis主要解決了關系型數(shù)據(jù)庫并發(fā)量低的問題，有助于緩解關系型數(shù)據(jù)庫在高并發(fā)場景下的壓力，提高系統(tǒng)的吞吐量（具體Redis是如何提高系統(tǒng)的性能、吞吐量，后面會專門講）。
而我們在Redis的實際使用過程中，難免會遇到緩存與數(shù)據(jù)庫雙寫時數(shù)據(jù)不一致
的問題，這也是我們必須要考慮的問題。如果還有同學不了解這個問題，可以搬小板凳來聽聽啦。
一、數(shù)據(jù)庫+緩存雙寫不一致問題引入
要講數(shù)據(jù)庫+緩存雙寫不一致的問題，就需要先講一下這個問題是怎么發(fā)生的。我們選擇電商系統(tǒng)中要求數(shù)據(jù)實時性較高的庫存服務來舉例講講這個問題。
庫存可能會修改，每次修改數(shù)據(jù)庫的同時也都要去更新這個緩存數(shù)據(jù);；每次庫存的數(shù)據(jù)，在緩存中一旦過期，或者是被清理掉了，前端對庫存數(shù)據(jù)的請求都會發(fā)送給庫存服務，去獲取相應的數(shù)據(jù)。
庫存這一塊，寫數(shù)據(jù)庫的時候，直接更新redis緩存嗎？實際上不是，因為沒有這么簡單。這里，其實就涉及到了一個問題，數(shù)據(jù)庫與緩存雙寫，數(shù)據(jù)不一致的問題。圍繞和結合實時性較高的庫存服務，把數(shù)據(jù)庫與緩存雙寫不一致問題以及其解決方案，給大家分享一下。
二、各種級別的不一致問題及解決方案
1.最初級的緩存不一致問題及解決方案
問題
如果是先修改數(shù)據(jù)庫，再刪除緩存的方案，會有問題，試想，如果刪除緩存失敗了，那么會導致數(shù)據(jù)庫中是新數(shù)據(jù)，緩存中是舊數(shù)據(jù)，出現(xiàn)數(shù)據(jù)不一致的情況。
解決思路
反過來，先刪除緩存，再修改數(shù)據(jù)庫。讀緩存讀不到，查數(shù)據(jù)庫更新緩存的時候就拿到了最新的庫存數(shù)據(jù)。如果刪除緩存成功了，而修改數(shù)據(jù)庫失敗了，那么數(shù)據(jù)庫中依舊是舊數(shù)據(jù)，緩存中是空的，那么數(shù)據(jù)不會不一致。因為讀的時候緩存沒有，則讀數(shù)據(jù)庫中舊數(shù)據(jù)，然后更新到緩存中。
2.比較復雜的數(shù)據(jù)不一致問題分析
當庫存數(shù)據(jù)發(fā)生了變更，我們先刪除了緩存，然后要去修改數(shù)據(jù)庫。
設想一下，如果這個時候修改數(shù)據(jù)庫的操作還沒來及完成，突然一個請求過來，去讀緩存，發(fā)現(xiàn)緩存空了，去查詢數(shù)據(jù)庫，查到了修改前的舊數(shù)據(jù)，放到了緩存中。
數(shù)據(jù)變更的操作完成后數(shù)據(jù)庫的庫存被修改成了新值，但緩存中又變成了舊數(shù)據(jù)。那么這個時候是不是還會出現(xiàn)緩存和數(shù)據(jù)庫不一致的情況？
3.為何上億流量高并發(fā)時會出現(xiàn)該問題？
上述問題，只有在對一個數(shù)據(jù)在并發(fā)的進行讀寫的時候，才可能會出現(xiàn)。
其實如果并發(fā)量很低的話，特別是讀并發(fā)很低，每天訪問量就1萬次，那么很少的情況下，會出現(xiàn)剛才描述的那種不一致的場景。
但是問題是，高并發(fā)了以后，問題是很多的。如果每天的是上億的流量，每秒并發(fā)讀是幾萬，每秒只要有數(shù)據(jù)更新的請求，就可能會出現(xiàn)上述的數(shù)據(jù)庫+緩存不一致的情況。
怎么解決？
4.更新與讀取操作進行異步串行化
這里說一種解決方案。
不就是還沒更新數(shù)據(jù)庫的就查數(shù)據(jù)庫讀到舊數(shù)據(jù)嗎？不就是因為讀在更新前面了嗎？那我就讓你排隊執(zhí)行唄。
4.1 異步串行化
我在系統(tǒng)內部維護n個內存隊列，更新數(shù)據(jù)的時候，根據(jù)數(shù)據(jù)的唯一標識，將該操作路由之后，發(fā)送到其中一個jvm內部的內存隊列中（對同一數(shù)據(jù)的請求發(fā)送到同一個隊列）。讀取數(shù)據(jù)的時候，如果發(fā)現(xiàn)數(shù)據(jù)不在緩存中，并且此時隊列里有更新庫存的操作，那么將重新讀取數(shù)據(jù)+更新緩存的操作，根據(jù)唯一標識路由之后，也將發(fā)送到同一個jvm內部的內存隊列中。然后每個隊列對應一個工作線程，每個工作線程串行地拿到對應的操作，然后一條一條的執(zhí)行。
這樣的話，一個數(shù)據(jù)變更的操作，先執(zhí)行刪除緩存，然后再去更新數(shù)據(jù)庫，但是還沒完成更新的時候，如果此時一個讀請求過來，讀到了空的緩存，那么可以先將緩存更新的請求發(fā)送到隊列中，此時會在隊列中積壓，排在剛才更新庫的操作之后，然后同步等待緩存更新完成，再讀庫。
4.2 讀操作去重
多個讀庫更新緩存的請求串在同一個隊列中是沒意義的，因此可以做過濾，如果發(fā)現(xiàn)隊列中已經(jīng)有了該數(shù)據(jù)的更新緩存的請求了，那么就不用再放進去了，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（數(shù)據(jù)庫的修改）之后，才會去執(zhí)行下一個操作（讀庫更新緩存），此時會從數(shù)據(jù)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(fā)現(xiàn)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(shù)據(jù)庫中讀取當前的舊值。（返回舊值不是又導致緩存和數(shù)據(jù)庫不一致了么？那至少可以減少這個情況發(fā)生，因為等待超時也不是每次都是，幾率很小吧。這里我想的是，如果超時了就直接讀舊值，這時候僅僅是讀庫后返回而不放緩存）
5.高并發(fā)的場景下，該方案要注意的問題
高并發(fā)的場景下，該解決方案其實還是有一些問題需要特別注意的。
5.1 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，數(shù)據(jù)更新很頻繁的情況下導致隊列中積壓了大量更新操作在里面，然后讀請求會發(fā)生大量的超時，最后導致大量的請求直接走數(shù)據(jù)庫取到了舊值。所以，務必通過一些模擬真實的測試，看看更新數(shù)據(jù)頻繁的場景下是怎樣的。
另外一點，因為一個隊列中，可能會積壓針對多個數(shù)據(jù)項的更新操作，因此需要根據(jù)自己的業(yè)務情況進行測試，確定一個實例中創(chuàng)建多少個內存隊列，且可能需要部署多個服務，每個服務分攤一些數(shù)據(jù)的更新操作。
如果一個內存隊列里積壓100個商品的庫存修改操作，每個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(shù)據(jù)。
這個時候就導致讀請求的長時阻塞。
一定要做根據(jù)實際業(yè)務系統(tǒng)的運行情況，去進行一些壓力測試，和模擬線上環(huán)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，而且你計算過后，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(shù)據(jù)，那么每個內存隊列中積壓的更新操作就會越少。
Tips:
其實根據(jù)之前的項目經(jīng)驗，一般來說數(shù)據(jù)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。
針對讀高并發(fā)，讀緩存架構的項目，一般寫請求相對讀來說，是非常非常少的，每秒的QPS能到幾百就不錯了。
假如一秒500的寫操作，可以看成5份，每200ms就100個寫操作。對于單機器，如果又20個內存隊列，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，一般在20ms左右就完成。
那么針對每個內存隊列中的數(shù)據(jù)的讀請求，也就最多hang一會兒，200ms以內肯定能返回了。
假如寫QPS擴大10倍，但是經(jīng)過剛才的測算，就知道，單機支撐寫QPS幾百沒問題，那么就擴容機器，擴容10倍的機器，10臺機器，每個機器20個隊列，200個隊列。
大部分的情況下，應該是這樣的：大量的讀請求過來，都是直接走緩存取到數(shù)據(jù)的。少量情況下，可能遇到讀和數(shù)據(jù)更新沖突的情況。如上所述，那么此時更新操作如果先入隊列，之后可能會瞬間來了對這個數(shù)據(jù)大量的讀請求，但是因為做了去重的優(yōu)化，所以也就一個更新緩存的操作跟在它后面。
等數(shù)據(jù)更新完了，讀請求觸發(fā)的緩存更新操作也完成，然后臨時等待的讀請求全部可以讀到緩存中的數(shù)據(jù)。
5.2 讀請求并發(fā)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，看服務能不能抗的住，需要多少機器才能抗住最大的極限情況的峰值。
但是因為并不是所有的數(shù)據(jù)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(shù)數(shù)據(jù)的緩存失效了，然后那些數(shù)據(jù)對應的讀請求過來，并發(fā)量應該也不會特別大。
Tips:
如果按1:99的比例計算寫和讀的請求，那么每秒5萬的讀QPS，可能只有500次更新操作。
如果一秒有500的寫QPS，那么要測算好，可能寫操作影響的數(shù)據(jù)有500條，這500條數(shù)據(jù)在緩存中失效后，可能導致多少讀緩存的請求，發(fā)送讀請求到庫存服務來，要求更新緩存。
一般來說，按1:2的話，每秒鐘有1000個讀請求去讀這500個正在更新庫的數(shù)據(jù)，就會有1000個請求hang在庫存服務上，如果規(guī)定每個請求200ms就返回，那么每個讀請求最多hang多少時間，這個一定要測算好。
在同一時間最多hang住的可能也就是單機200個讀請求，最壞的同時hang住，單機hang200個讀請求，還是ok的。
但是假如1:20，每秒更新500條數(shù)據(jù)，這500秒數(shù)據(jù)對應的讀請求，會有20 * 500 = 1萬，1萬個讀請求全部hang在庫存服務上，就死定了。
5.3 多服務實例部署的請求路由
可能這個庫存服務部署了多個實例，那么必須保證說，執(zhí)行數(shù)據(jù)更新操作，以及執(zhí)行緩存更新操作的請求，對于同一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的參數(shù)做hash路由，也可以通過nginx服務器hash路由的功能路由到相同的服務實例上。
5.4 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，可能造成某臺機器的壓力過大。
但是因為只有在商品數(shù)據(jù)更新的時候才會清空緩存，然后才會導致讀寫并發(fā)，所以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。
三、總結
一般來說，就是如果你的系統(tǒng)不是嚴格要求緩存+數(shù)據(jù)庫必須一致性的話，緩存可以稍微的跟數(shù)據(jù)庫偶爾有不一致的情況，那最好不要上述的串行化
的這個方案，因為讀請求和寫請求串行化，串到一個內存隊列里去，這樣是可以保證一定不會出現(xiàn)不一致的情況。但是，串行化之后，就會導致系統(tǒng)的吞吐量會大幅度的降低
，你就需要用比正常情況下多幾倍的機器去支撐線上的一個請求。
另外，不是說，講課的、寫文章的就是超人，萬能的。就跟寫書一樣，很可能會寫錯，也可能有些方案里的一些地方，沒考慮到?；蛘哂行┓桨钢皇沁m合某些場景，在某些場景下，可能需要你進行方案的優(yōu)化和調整才能適用于你自己的項目。
如果大家覺得對這些方案有什么疑問或者見解，都可以溝通交流。如果的確覺得是講解的不對，或者有些地方考慮不周，那么都是可以交流的，多多包涵。
整理自中華石杉老師的互聯(lián)網(wǎng)Java突擊面試課程。歡迎一起學習交流。
熱門工具 換一換