系统中的数据库与缓存一致性

1.什么是数据一致性？

简单来说，在一个复杂系统中，一定会对一些数据做出非常复杂的处理，而且，可能涉及多个不同子系统，甚至是多个服务。
对一个数据按照一定的顺序依次做出复杂的业务逻辑的执行，最终可能会产出一份宝贵的核心数据，落地到存储里去，比如说在数据库里存储。

从上图可以看出，多个系统对一个数据依次处理，最终拿到一份核心数据，并落地到存储中去（图中括号的内容是结合自己思考，如何对现有工作进行包装分析。）那么在这个过程中，就可能会产生所谓的数据不一致问题。
什么意思呢？给大家举一个最简单的例子，我们本来期望数据的变化过程是：数据 1 -> 数据 2 -> 数据 3 -> 数据 4。
那么最后落地到数据库里的应该是数据 4，对不对？
结果呢？不知道为啥，经过上面那个复杂的分布式系统中的各个子系统，或者是各个服务的协作处理，最后居然搞出来一个数据 87。
搞了半天，搞了一个跟数据 4 风马牛不相及的一个东西，最后落地到了数据库里。
然后啊，这套系统的最终用户，可能通过前台的界面看到了一个莫名其妙的数据 87。
这就尴尬了，用户明显会觉得这个数据有错误，就会反馈给公司的客服，此时就会上报 bug 到工程师团队，大家就开始吭哧吭哧的找问题。
上面说的这个场景，其实就是一种数据不一致的问题，也是我们接下来几篇文章要讨论的一个问题。
实际上，在任何一个大规模分布式系统里，都会存在类似的问题。无论是电商，O2O，还是本文举例的数据平台系统，都一样。

2.一个数据计算链路梳理

分析一下，是什么问题可能会导致一个最终落地存储的数据异常呢？首先看数据链路是什么样子的？

如上图所示，其实从最简单的一个角度来说，数据计算的链路大概是上面那个样子。

• 首先，通过mysql binlog 采集中间件获取到数据，转发给数据接入层
• 然后数据接入层会把原始数据落地到kv存储中去。
• 接着，是实时计算平台会从kv存储里提取数据进行计算
• 最好将计算结果数据库+缓存的集群中（集市是我自己加的），数据查询平台会从数据库+缓存的集群中提取数据，支持用户来进行查询。

看似简单的数据计算链路，绝不是这么简单。实际上一条原始数据进入到系统，一直到最后落地到存储里，计算链路还包含下面的东西：

• 接入层的限流处理
• 实时计算层的失败重试
• 实时计算层的本地内存存储的降级机制
• 数据分片的聚合与计算，单条数据在这里可能会进入一个数据分片里
• 数据查询层的多级缓存机制
• …

  3.数据计算链路的bug

  在一个复杂系统里，一份核心数据可能是经过一个极为复杂的计算链路的处理，中间百转千回，任何可能的情况都会发生。那么就可以理解在大型分布式系统中，数据不一致的问题是如何产生的了。
  其实原因非常的简单，说白了，就是数据计算链路的 bug。
  也就是说，在数据的计算过程中，某个子系统出现了 bug，并没有按照我们预期的行为去处理，导致最终产出去的数据变得错误了。
  那么，为什么会在数据计算链路中出现这种 bug 呢？
  原因很简单，如果大家曾经参与过上百人协作的大型分布式系统，或者是主导过上百人协作开发的大型分布式系统的架构设计，应该对核心数据的异常和错误非常熟悉，并且会感到头疼不已。
  大规模分布式系统中，动辄上百人协作开发。很可能某个子系统或者是某个服务的负责人，对数据的处理逻辑理解偏差了，代码里写了一个隐藏的 bug。
  而这个 bug，轻易不会触发，并且在 QA 测试环境还没测出来，结果带着一颗定时炸弹，系统上线。
  最后在线上某种特殊的场景下，触发了这个 bug，导致最终的数据出现问题。

  4.电商库存数据的不一致问题

  在大规模电商系统中，库存数据是核心中的核心，实际上，在一个分布式系统中，很多系统可能都会采用一定的逻辑来更新库存。
  这可能导致跟上述说的场景类似，就是多个系统都更新库存，但是某个系统对库存的更新出现了bug。这样导致的结果就是，系统里的库存和仓库中实际的库存，死活对不上。但就是不知道到底哪个环节出了问题，导致库存数据出错。
  这个，其实就是一个典型的数据不一致的问题。

5.实施方案

典型场景

一般业务系统中 最经典的缓存+数据库读写的模式，cache aside pattern

1、Cache Aside Pattern

（1）读的时候，先读缓存，缓存没有的话，那么就读数据库，然后取出数据后放入缓存，同时返回响应

（2）更新的时候，先删除缓存，然后再更新数据库

2、为什么是删除缓存，而不是更新缓存呢？

原因很简单，很多时候，复杂点的缓存的场景，因为缓存有的时候，不简单是数据库中直接取出来的值。商品详情页的系统，修改库存，只是修改了某个表的某些字段，但是要真正把这个影响的最终的库存计算出来，可能还需要从其他表查询一些数据，然后进行一些复杂的运算，才能最终计算出。
现在最新的库存是多少，然后才能将库存更新到缓存中去
比如可能更新了某个表的一个字段，然后其对应的缓存，是需要查询另外两个表的数据，并进行运算，才能计算出缓存最新的值的。更新缓存的代价是很高的，是不是说，每次修改数据库的时候，都一定要将其对应的缓存去跟新一份？也许有的场景是这样的，但是对于比较复杂的缓存数据计算的场景，就不是这样了。如果你频繁修改一个缓存涉及的多个表，那么这个缓存会被频繁的更新，频繁的更新缓存。但是问题在于，这个缓存到底会不会被频繁访问到？？？
举个例子，一个缓存涉及的表的字段，在1分钟内就修改了20次，或者是100次，那么缓存跟新20次，100次; 但是这个缓存在1分钟内就被读取了1次，有大量的冷数据
28法则，黄金法则，20%的数据，占用了80%的访问量
实际上，如果你只是删除缓存的话，那么1分钟内，这个缓存不过就重新计算一次而已，开销大幅度降低
每次数据过来，就只是删除缓存，然后修改数据库，如果这个缓存，在1分钟内只是被访问了1次，那么只有那1次，缓存是要被重新计算的，用缓存才去算缓存。其实删除缓存，而不是更新缓存，就是一个lazy计算的思想，不要每次都重新做复杂的计算，不管它会不会用到，而是让它到需要被使用的时候再重新计算

mybatis，hibernate，懒加载，思想

查询一个部门，部门带了一个员工的list，没有必要说每次查询部门，都里面的1000个员工的数据也同时查出来啊
80%的情况，查这个部门，就只是要访问这个部门的信息就可以了
先查部门，同时要访问里面的员工，那么这个时候只有在你要访问里面的员工的时候，才会去数据库里面查询1000个员工。

基本思路

从比较简单的那一块开始做，实时性要求比较高的那块数据的缓存去做
实时性比较高的数据缓存，选择的就是库存的服务，
库存可能会修改，每次修改都要去更新这个缓存数据; 每次库存的数据，在缓存中一旦过期，或者是被清理掉了，前端的nginx服务都会发送请求给库存服务，去获取相应的数据。库存这一块，写数据库的时候，直接更新redis缓存
实际上没有这么的简单，这里，其实就涉及到了一个问题，数据库与缓存双写，数据不一致的问题
围绕和结合实时性较高的库存服务，把数据库与缓存双写不一致问题以及其解决方案，分析学习一下，数据库与缓存双写不一致，很常见的问题，大型的缓存架构中，第一个解决方案

1、最初级的缓存不一致问题以及解决方案

问题：先修改数据库，再删除缓存，如果删除缓存失败了，那么会导致数据库中是新数据，缓存中是旧数据，数据出现不一致

解决思路
先删除缓存，再修改数据库，如果删除缓存成功了，如果修改数据库失败了，那么数据库中是旧数据，缓存中是空的，那么数据不会不一致
因为读的时候缓存没有，则读数据库中旧数据，然后更新到缓存中

2、比较复杂的数据不一致问题分析

数据发生了变更，先删除了缓存，然后要去修改数据库，此时还没修改
一个请求过来，去读缓存，发现缓存空了，去查询数据库，查到了修改前的旧数据，放到了缓存中
数据变更的程序完成了数据库的修改，完了，数据库和缓存中的数据不一样了。所以有了延时双删的策略。

3、为什么上亿流量高并发场景下，缓存会出现这个问题？

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

4、数据库与缓存更新与读取操作进行异步串行化

更新数据的时候，根据数据的唯一标识，将操作路由之后，发送到一个jvm内存队列中。读取数据的时候，如果发现数据不在缓存中，那么将重新读取数据+更新缓存，根据唯一标识路由之后，也发送到同一个JVM内部队列中。一个队列对应一个工作线程。
每个工作线程串行拿到对应的操作，之后一条一条的执行。这样的话，一个数据更新操作，先执行，删除缓存操作，然后再去更新数据库，在没完成更新的情况下，如果后面一个读请求过来，读到了空的缓存，那么可以先将缓存更新的请求发送到队列中，此时会在队列中积压，然后同步等待缓存更新完成。
这里有一个优化点，一个队列中，其实多个更新缓存请求串在一起没有意义，因此可以做过滤，如果发现队列中已经有一个更新缓存的请求，那么就不用再放更新缓存的请求进去了，直接等待前面的更新操作完成即可。将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，才会去执行下一个操作，也就是缓存更新的操作，此时会从数据库中读取最新的值，然后写入缓存中。
如果请求在等待时间范围内，不断轮询发现可以取到值，那么就直接返回，如果请求等待的时间超过一定时长，那么这一次直接从数据库中读取当前的旧值。
如果数据库中压根没有没有这条数据，那么就不应该将读请求操作压入队列中，而是直接返回空就可以了。
其实上述操作都是为了减少内存队列中的请求积压，内存队列中积压的请求越多，就可能导致每个读请求hang住的时间越长。

关键步骤：

• 线程池+队列初始化
• 两种请求对象封装
• 请求异步执行，service封装
• 两种请求controller封装（更新缓存，更新数据库）
• 读请求去重化。
• 空数据读请求过滤优化

  5、高并发的场景下，该解决方案要注意的问题

  （1）读请求长时阻塞
  由于读请求进行了非常轻度的异步化，所以一定要注意读超时的问题，每个读请求必须在超时时间范围内返回，该解决方案，最大的风险点在于说，可能数据更新很频繁，导致队列中积压了大量更新操作在里面，然后读请求会发生大量的超时，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，看看更新数据的频繁是怎样的
  另外一点，因为一个队列中，可能会积压针对多个数据项的更新操作，因此需要根据自己的业务情况进行测试，可能需要部署多个服务，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，每隔库存修改操作要耗费10ms区完成，那么最后一个商品的读请求，可能等待10 100 = 1000ms = 1s后，才能得到数据。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，去进行一些压力测试，和模拟线上环境，去看看最繁忙的时候，内存队列可能会挤压多少更新操作，可能会导致最后一个更新操作对应的读请求，会hang多少时间，如果读请求在200ms返回，如果你计算过后，哪怕是最繁忙的时候，积压10个更新操作，最多等待200ms，那还可以的
  如果一个内存队列可能积压的更新操作特别多，那么你就要加机器，让每个机器上部署的服务实例处理更少的数据，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，一般来说数据的写频率是很低的，因此实际上正常来说，在队列中积压的更新操作应该是很少的
  针对读高并发，读缓存架构的项目，一般写请求相对读来说，是非常非常少的，每秒的QPS能到几百就不错了，一秒，500的写操作，5份，每200ms，就100个写操作。单机器，20个内存队列，每个内存队列，可能就积压5个写操作，每个写操作性能测试后，一般在20ms左右就完成，那么针对每个内存队列中的数据的读请求，也就最多hang一会儿，200ms以内肯定能返回了。
  写QPS扩大10倍，但是经过刚才的测算，就知道，单机支撑写QPS几百没问题，那么就扩容机器，扩容10倍的机器，10台机器，每个机器20个队列，200个队列，大部分的情况下，应该是这样的，大量的读请求过来，都是直接走缓存取到数据的。少量情况下，可能遇到读跟数据更新冲突的情况，如上所述，那么此时更新操作如果先入队列，之后可能会瞬间来了对这个数据大量的读请求，但是因为做了去重的优化，所以也就一个更新缓存的操作跟在它后面。等数据更新完了，读请求触发的缓存更新操作也完成，然后临时等待的读请求全部可以读到缓存中的数据
  （2）读请求并发量过高
  这里还必须做好压力测试，确保恰巧碰上上述情况的时候，还有一个风险，就是突然间大量读请求会在几十毫秒的延时hang在服务上，看服务能不能抗的住，需要多少机器才能抗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，缓存也不会同一时间失效，所以每次可能也就是少数数据的缓存失效了，然后那些数据对应的读请求过来，并发量应该也不会特别大。按1:99的比例计算读和写的请求，每秒5万的读QPS，可能只有500次更新操作，如果一秒有500的写QPS，那么要测算好，可能写操作影响的数据有500条，这500条数据在缓存中失效后，可能导致多少读请求，发送读请求到库存服务来，要求更新缓存。
  一般来说，1:1，1:2，1:3，每秒钟有1000个读请求，会hang在库存服务上，每个读请求最多hang多少时间，200ms就会返回，在同一时间最多hang住的可能也就是单机200个读请求，同时hang住。单机hang200个读请求，还是ok的，1:20，每秒更新500条数据，这500秒数据对应的读请求，会有20 500 = 1万。1万个读请求全部hang在库存服务上，就死定了
  （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，那么必须保证说，执行数据更新操作，以及执行缓存更新操作的请求，都通过nginx服务器路由到相同的服务实例上
  （4）热点商品的路由问题，导致请求的倾斜
  万一某个商品的读写请求特别高，全部打到相同的机器的相同的队列里面去了，可能造成某台机器的压力过大。就是说，因为只有在商品数据更新的时候才会清空缓存，然后才会导致读写并发，所以更新频率不是太高的话，这个问题的影响并不是特别大。但是的确可能某些机器的负载会高一些