概述

只要用缓存，就可能会涉及到缓存与数据库双存储双写，只要是双写，就一定会有数据一致性问题，如何保证缓存与数据库的双写一致性？

读写串行化

一般来说，如果允许缓存可以稍微跟数据库偶尔有不一致，也就是说系统不是严格要求缓存+数据库必须保持一致性的话，可以采用读写请求串行化：
即读请求和写请求串到一个内存队列里去，从而达到防止并发请求导致数据错乱的问题。
值得注意的是，串行化可以保证一定不会出现不一致的情况，但是它也会导致系统的吞吐量大幅度降低。

代码实现大致如下（网上找的）：

/**
 * 请求异步处理的service实现
 * @author Administrator
 *
 */
@Service("requestAsyncProcessService") 
public class RequestAsyncProcessServiceImpl implements RequestAsyncProcessService {
 @Override
 public void process(Request request) {
 try {
 // 先做读请求的去重
 RequestQueue requestQueue = RequestQueue.getInstance();
 Map<Integer, Boolean> flagMap = requestQueue.getFlagMap();
 if(request instanceof ProductInventoryDBUpdateRequest) {
 // 如果是一个更新数据库的请求，那么就将那个productId对应的标识设置为true
 flagMap.put(request.getProductId(), true);
 } else if(request instanceof ProductInventoryCacheRefreshRequest) {
 Boolean flag = flagMap.get(request.getProductId());
 // 如果flag是null
 if(flag == null) {
 flagMap.put(request.getProductId(), false);
 }
 // 如果是缓存刷新的请求，那么就判断，如果标识不为空，而且是true，就说明之前有一个这个商品的数据库更新请求
 if(flag != null && flag) {
 flagMap.put(request.getProductId(), false);
 }
 // 如果是缓存刷新的请求，而且发现标识不为空，但是标识是false
 // 说明前面已经有一个数据库更新请求+一个缓存刷新请求了，大家想一想
 if(flag != null && !flag) {
 // 对于这种读请求，直接就过滤掉，不要放到后面的内存队列里面去了
 return;
 }
 }
 // 做请求的路由，根据每个请求的商品id，路由到对应的内存队列中去
 ArrayBlockingQueue<Request> queue = getRoutingQueue(request.getProductId());
 // 将请求放入对应的队列中，完成路由操作
 queue.put(request);
 } catch (Exception e) {
 e.printStackTrace();
 }
 }
 /**
 * 获取路由到的内存队列
 * @param productId 商品id
 * @return 内存队列
 */
 private ArrayBlockingQueue<Request> getRoutingQueue(Integer productId) {
 RequestQueue requestQueue = RequestQueue.getInstance();
 // 先获取productId的hash值
 String key = String.valueOf(productId);
 int h;
 int hash = (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16);
 // 对hash值取模，将hash值路由到指定的内存队列中，比如内存队列大小8
 // 用内存队列的数量对hash值取模之后，结果一定是在0~7之间
 // 所以任何一个商品id都会被固定路由到同样的一个内存队列中去的
 int index = (requestQueue.queueSize() - 1) & hash;
 System.out.println("===========日志===========: 路由内存队列，商品id=" + productId + ", 队列索引=" + index); 
 return requestQueue.getQueue(index);
 }
}

Cache Aside Pattern

Cache Aside Patten：经典的缓存+数据库读写模式。

读的时候，先读缓存，缓存没有的话，就读数据库，然后取出数据后放入缓存，同时返回响应。更新的时候，先删除缓存，然后再更新数据库。

为什么是删除缓存，而不是更新缓存？

之所以更新的时候只是删除缓存，因为对于一些复杂有逻辑的缓存数据，每次数据变更都更新一次缓存会造成额外的负担，只是删除缓存，让该数据下一次被使用的时候再去执行读的操作来重新缓存，这里采用的是懒加载的策略。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，那么缓存更新20次，100次;但是这个缓存在1分钟内就被读取了1次，因此每次更新缓存就会有大量的冷数据，对于缓存符合28黄金法则，20%的数据，占用了80%的访问量。

最初级的缓存不一致问题及解决方案

问题：
先修改数据库，再删除缓存。如果删除缓存失败了，那么导致数据库中是新数据，缓存中是旧数据，数据就会出现不一致性。

解决思路：
先删除缓存，再修改数据库。如果数据库修改失败了，那么数据库中是旧数据，缓存中是空的，那么数据就不会不一致。
因为读的时候缓存中没有，则读数据库中的旧数据，然后再更新到缓存中。

比较复杂的数据不一致问题

问题：
数据发生了变更，先删除了缓存，然后要去修改数据库，但是还没来得及修改，一个请求过来，去读缓存，发现缓存是空的，去查询数据库，查到了修改前的旧数据，放到了缓存中，
随后数据变更的程序完成了数据库的修改，这样就会造成数据库和缓存中的数据不一致。

解决思路：
更新数据的时候，根据数据的唯一标识，将操作路由到一个JVM的内部队列中。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+更新缓存的操作，根据唯一标识路由之后，也发送同一个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，然后一条一条的执行。这样，一个数据变更的操作，先删除缓存，再去更新数据库，但是还没完成更新，此时一个
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的队列中，此时会在队列中积压，然后同步等待缓存更新完成。

这样有一个优点：一个队列中多个更新缓存的请求串在一起是没意义的，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，那么不再放更新缓存的请求操作进去，直接等待前面的更新操作完成即可。

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，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。

如果请求还在等待时间范围内，不断轮询发现可以取到值了，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。

高并发场景下，该方案要注意如下的问题：

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。

该方案最大的风险点在于，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。

所以务必通过一些模拟真实的测试，看看更新数据的频率是怎样的。

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积压 100 个商品的库存修改操作，每个库存修改操作要耗费 10ms 去完成。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。

因此，一定要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，看高峰期，内存队列可能会积压多少更新操作，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，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。

如果一个内存队列中可能积压的更新操作特别多，那就要加机器，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。

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。像这种针对读高并发、读缓存架构的项目，一般来说写请求是非常少的，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，分成 5 个时间片，每 200ms 就 100 个写操作，放到 20 个内存队列中，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，一般是在 20ms 左右就完成，那么针对每个内存队列的数据的读请求，也就最多 Hang 一会儿，200ms 以内肯定能返回了。

经过简单的测算，单机支撑的写 QPS 在几百是没问题的，如果写 QPS 扩大了 10 倍，那么就扩容机器，扩容 10 倍的机器，每个机器 20 个队列。

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时，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，看服务能不能扛的住，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，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。

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。

比如对同一个商品的读写请求，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，也可以用 Nginx 的 Hash 路由功能等等。