缓存挡在数据库前面,就冒出新问题:同一份数据,一份在缓存一份在库,改了库里忘了缓存,用户看到旧数据。缓存一致性(缓存与数据库内容保持一致的难题)没有完美解,只有「够用的权衡」。这篇把主流方案和它们各自的脏数据窗口讲透。
Cache Aside(旁路缓存模式,业务代码自己管缓存的读写)是事实标准:
读:先读缓存 → 命中返回
→ 未命中查库 → 写入缓存(带TTL) → 返回
写:先更新数据库 → 再删除缓存
两个「为什么」是面试的胜负手。
为什么删缓存,不更新缓存?
1. 写多读少时更新缓存是白干——改十次没人读一次
2. 并发写时两个线程更新缓存的顺序可能颠倒,缓存里留下旧值;删除没有顺序问题,下次读自然回填最新值
为什么先更库再删缓存,不反过来?
先删缓存的风险窗口:删完、库还没更,另一个线程读缓存未命中 → 把旧库数据回填缓存 → 从此长期不一致。先更库再删缓存也有理论漏洞(更完库、删缓存前有读旧缓存请求),但概率低得多——写库通常比读缓存慢,两个操作恰好夹住的概率极小。
拿时间线看最清楚(读线程 R、写线程 W):
反例(先删缓存):
W删缓存 → R未命中读库(旧值) → W更新库 → R回填旧值 ← 脏数据长期驻留
正例(先更库):
W更新库 → W删缓存 → R未命中读库(新值)回填 ← 自愈
正例也有理论破绽:R 在「更库前」读了旧值、在「删缓存后」才回填——读缓存未命中、读库、回填三步跨越了 W 的两步。但这要求「一次读比一次写还慢」,现实中概率极低。架构选的是概率,不是绝对。
补丁一:延迟双删。对「先删缓存」流派或读写分离场景:删缓存 → 更库 → 等 500ms 左右再删一次,把窗口期被回填的旧值清掉。延迟取「读请求的耗时上浮」,常配异步定时任务执行第二次删除。
补丁二:binlog 订阅(Canal)。业务代码只写库,Canal(伪装成 MySQL 从库、实时订阅 binlog 变更的组件)捕获变更后异步删缓存。好处:业务零侵入、不会漏删(哪怕凌晨手工改库也通知到);代价:多一个中间件、链路变长。不少团队线上主用这招。部署形态一般是「Canal 挂在主库旁边 + 下游接 MQ 扇出到各缓存消费方」,删缓存失败也能靠 MQ 重试兜住——链路虽长,每一环都可靠。
对账任务是最后一块拼图:定时抽一批 key,比缓存值和库值,不一致就修并告警。它抓的是所有方案的漏网之鱼,也是「数据真的对了」的证据来源。没有对账的一致性方案,等于考试不批卷。
补丁三:TTL 兜底。任何方案都可能漏,给所有缓存设 TTL(哪怕几小时),把不一致的存活时间封顶。TTL 是最后防线,不是设计方案——没有它,一次失误能脏到天荒地老。
| 方案 | 一致性 | 侵入 | 复杂度 | 适用 |
|---|---|---|---|---|
| Cache Aside | 最终一致(秒级窗口) | 业务代码 | 低 | 绝大多数场景 |
| 延迟双删 | 收窄先删流派的窗口 | 业务代码 | 低 | 读写分离、短暂不一致可容忍 |
| Canal 订阅 | 最终一致 + 不漏删 | 零侵入 | 高 | 多服务共用缓存、手工改库多 |
要强一致就得「缓存和库同生共死」:要么一个事务里改两处(缓存不支持回滚,删缓存失败怎么办),要么给读写全加全局锁(性能回到解放前)。所以业界的共识是最终一致 + TTL 封顶,再把对账任务挂上(定时抽样比对库和缓存,发现脏数据修复)。
读多写少的配置、热点 key 的 ttl 抖动这些细节,和 10.4 的防雪崩是同一套动作,两篇可以连着复习。
一致性讲「改数据之后」,预热讲「服务刚上线」——缓存全空,第一波流量全部穿透到 DB(正是 10.4 的穿透模型)。标准动作:上线前把热点数据批量灌进缓存(TTL 加抖动,别重蹈雪崩复辙);灰度放量,让回填按小流量先跑通。预热脚本最好和 Cache Aside 读路径复用同一套「查库 + 回填」代码,别维护两份逻辑——两份代码意味着两种一致性语义。
不是不能用,是不能裸用。「先删 + 延迟双删」组合是读写分离场景的常客:主库更完、从库还没同步,读请求从未同步的从库读到旧值回填——第二删等的正是主从追平。延迟取「主从延迟监控值再上浮一点」,比拍脑袋五百毫秒靠谱。你看,方案没有绝对的对错,只有和场景的匹配度。
缓存一致性的标准姿势是「先更库、再删缓存」,删而不更是为了躲并发乱序,TTL 和对账是最后防线——接受秒级最终一致,才配谈工程师的架构清醒。