一天，老板說「最近公司的用戶越來越多了，但是服務器的訪問速度越來越差的，阿旺幫我優化下，做好了給你畫個餅!」。

程序員阿旺聽到老板口中的「畫餅」后就非常期待，沒有任何猶豫就接下了老板給的這個任務。

阿旺登陸到了服務器，經過一番排查后，確認服務器的性能瓶頸是在數據庫。

這好辦，給服務器加上 Redis，讓其作為數據庫的緩存。

這樣，在客戶端請求數據時，如果能在緩存中命中數據，那就查詢緩存，不用在去查詢數據庫，從而減輕數據庫的壓力，提高服務器的性能。

先更新數據庫，還是先更新緩存?

阿旺有了這個想法后，就準備開始著手優化服務器，但是擋在在他前面的是這樣的一個問題。

由于引入了緩存，那么在數據更新時，不僅要更新數據庫，而且要更新緩存，這兩個更新操作存在前后的問題：

• 先更新數據庫，再更新緩存;
• 先更新緩存，再更新數據庫;

阿旺沒想到太多，他覺得最新的數據肯定要先更新數據庫，這樣才可以確保數據庫里的數據是最新的，于是他就采用了「先更新數據庫，再更新緩存」的方案。

阿旺經過幾個夜晚的折騰，終于「優化好了服務器」，然后就直接上線了，自信心滿滿跑去跟老板匯報。

老板不懂技術，自然也沒多慮，就讓后續阿旺觀察下服務器的情況，如果效果不錯，就跟阿旺談畫餅的事情。

阿旺觀察了好幾天，發現數據庫的壓力大大減少了，訪問速度也提高了不少，心想這事肯定成的了。

好景不長，突然老板收到一個客戶的投訴，客戶說他剛發起了兩次更新年齡的操作，但是顯示的年齡確還是第一次更新時的年齡，而第二次更新年齡并沒有生效。

老板立馬就找了阿旺，訓斥著阿旺說：「這么簡單的更新操作，都有 bug?我臉往哪兒放?你的餅還要不要了?」

聽到自己準備到手的餅要沒了的阿旺瞬間就慌了，立馬登陸服務器排查問題，阿旺查詢緩存和數據庫的數據后發現了問題。

數據庫的數據是客戶第二次更新操作的數據，而緩存確還是第一次更新操作的數據，也就是出現了數據庫和緩存的數據不一致的問題。

這個問題可大了，阿旺經過一輪的分析，造成緩存和數據庫的數據不一致的現象，是因為并發問題!

先更新數據庫，再更新緩存

舉個例子，比如「請求 A 」和「請求 B 」兩個請求，同時更新「同一條」數據，則可能出現這樣的順序：

A 請求先將數據庫的數據更新為 1，然后在更新緩存前，請求 B 將數據庫的數據更新為 2，緊接著也把緩存更新為 2，然后 A 請求更新緩存為 1。

此時，數據庫中的數據是 2，而緩存中的數據卻是 1，出現了緩存和數據庫中的數據不一致的現象。

先更新緩存，再更新數據庫

那換成「先更新緩存，再更新數據庫」這個方案，還會有問題嗎?

依然還是存在并發的問題，分析思路也是一樣。

假設「請求 A 」和「請求 B 」兩個請求，同時更新「同一條」數據，則可能出現這樣的順序：

A 請求先將緩存的數據更新為 1，然后在更新數據庫前，B 請求來了， 將緩存的數據更新為 2，緊接著把數據庫更新為 2，然后 A 請求將數據庫的數據更新為 1。

此時，數據庫中的數據是 1，而緩存中的數據卻是 2，出現了緩存和數據庫中的數據不一致的現象。

所以，無論是「先更新數據庫，再更新緩存」，還是「先更新緩存，再更新數據庫」，這兩個方案都存在并發問題，當兩個請求并發更新同一條數據的時候，可能會出現緩存和數據庫中的數據不一致的現象。

先更新數據庫，還是先刪除緩存?

阿旺定位出問題后，思考了一番后，決定在更新數據時，不更新緩存，而是刪除緩存中的數據。然后，到讀取數據時，發現緩存中沒了數據之后，再從數據庫中讀取數據，更新到緩存中。

阿旺想的這個策略是有名字的，是叫 Cache Aside 策略，中文是叫旁路緩存策略。

該策略又可以細分為「讀策略」和「寫策略」。

寫策略的步驟：

• 更新數據庫中的數據;
• 刪除緩存中的數據。

讀策略的步驟：

• 如果讀取的數據命中了緩存，則直接返回數據;
• 如果讀取的數據沒有命中緩存，則從數據庫中讀取數據，然后將數據寫入到緩存，并且返回給用戶。

阿旺在想到「寫策略」的時候，又陷入更深層次的思考，到底該選擇哪種順序呢?

• 先刪除緩存，再更新數據庫;
• 先更新數據庫，再刪除緩存。

阿旺這次經過上次教訓，不再「想當然」的亂選方案，因為老板這次給的餅很大啊，必須把握住。

于是阿旺用并發的角度來分析，看看這兩種方案哪個可以保證數據庫與緩存的數據一致性。

先刪除緩存，再更新數據庫

阿旺還是以用戶表的場景來分析。

假設某個用戶的年齡是 20，請求 A 要更新用戶年齡為 21，所以它會刪除緩存中的內容。這時，另一個請求 B 要讀取這個用戶的年齡，它查詢緩存發現未命中后，會從數據庫中讀取到年齡為 20，并且寫入到緩存中，然后請求 A 繼續更改數據庫，將用戶的年齡更新為 21。

最終，該用戶年齡在緩存中是 20(舊值)，在數據庫中是 21(新值)，緩存和數據庫的數據不一致。

可以看到，先刪除緩存，再更新數據庫，在「讀 + 寫」并發的時候，還是會出現緩存和數據庫的數據不一致的問題。

先更新數據庫，再刪除緩存

繼續用「讀 + 寫」請求的并發的場景來分析。

假如某個用戶數據在緩存中不存在，請求 A 讀取數據時從數據庫中查詢到年齡為 20，在未寫入緩存中時另一個請求 B 更新數據。它更新數據庫中的年齡為 21，并且清空緩存。這時請求 A 把從數據庫中讀到的年齡為 20 的數據寫入到緩存中。

最終，該用戶年齡在緩存中是 20(舊值)，在數據庫中是 21(新值)，緩存和數據庫數據不一致。

從上面的理論上分析，先更新數據庫，再刪除緩存也是會出現數據不一致性的問題，但是在實際中，這個問題出現的概率并不高。

因為緩存的寫入通常要遠遠快于數據庫的寫入，所以在實際中很難出現請求 B 已經更新了數據庫并且刪除了緩存，請求 A 才更新完緩存的情況。

而一旦請求 A 早于請求 B 刪除緩存之前更新了緩存，那么接下來的請求就會因為緩存不命中而從數據庫中重新讀取數據，所以不會出現這種不一致的情況。

所以，「先更新數據庫 + 再刪除緩存」的方案，是可以保證數據一致性的。

而且阿旺為了確保萬無一失，還給緩存數據加上了「過期時間」，就算在這期間存在緩存數據不一致，有過期時間來兜底，這樣也能達到最終一致。

阿旺思考到這一步后，覺得自己真的是個小天才，因為他竟然想到了個「天衣無縫」的方案，他二話不說就采用了這個方案，又經過幾天的折騰，終于完成了。

他自信滿滿的向老板匯報，已經解決了上次客戶的投訴的問題了。老板覺得阿旺這小伙子不錯，這么快就解決問題了，然后讓阿旺在觀察幾天。

事情哪有這么順利呢?結果又沒過多久，老板又收到客戶的投訴了，說自己明明更新了數據，但是數據要過一段時間才生效，客戶接受不了。

老板面無表情的找上阿旺，讓阿旺盡快查出問題。

阿旺得知又有 Bug 就更慌了，立馬就登錄服務器去排查問題，查看日志后得知了原因。

「先更新數據庫， 再刪除緩存」其實是兩個操作，前面的所有分析都是建立在這兩個操作都能同時執行成功，而這次客戶投訴的問題就在于，在****刪除緩存(第二個操作)的時候失敗了，導致緩存中的數據是舊值。

好在之前給緩存加上了過期時間，所以才會出現客戶說的過一段時間才更新生效的現象，假設如果沒有這個過期時間的兜底，那后續的請求讀到的就會一直是緩存中的舊數據，這樣問題就更大了。

所以新的問題來了，如何保證「先更新數據庫 ，再刪除緩存」這兩個操作能執行成功?

阿旺分析出問題后，慌慌張張的向老板匯報了問題。

老板知道事情后，又給了阿旺幾天來解決這個問題，畫餅的事情這次沒有再提了。

阿旺會用什么方式來解決這個問題呢?

老板畫的餅事情，能否兌現給阿旺呢?

預知后事，且聽下回阿旺的故事。

小結

阿旺的事情就聊到這，我們繼續說點其他。

「先更新數據庫，再刪除緩存」的方案雖然保證了數據庫與緩存的數據一致性，但是每次更新數據的時候，緩存的數據都會被刪除，這樣會對緩存的命中率帶來影響。

所以，如果我們的業務對緩存命中率有很高的要求，我們可以采用「更新數據庫 + 更新緩存」的方案，因為更新緩存并不會出現緩存未命中的情況。

但是這個方案前面我們也分析過，在兩個更新請求并發執行的時候，會出現數據不一致的問題，因為更新數據庫和更新緩存這兩個操作是獨立的，而我們又沒有對操作做任何并發控制，那么當兩個線程并發更新它們的話，就會因為寫入順序的不同造成數據的不一致。

所以我們得增加一些手段來解決這個問題，這里提供兩種做法：

• 在更新緩存前先加個分布式鎖，保證同一時間只運行一個請求更新緩存，就會不會產生并發問題了，當然引入了鎖后，對于寫入的性能就會帶來影響。
• 在更新完緩存時，給緩存加上較短的過期時間，這樣即時出現緩存不一致的情況，緩存的數據也會很快過期，對業務還是能接受的。

對了，針對「先刪除緩存，再刪除數據庫」方案在「讀 + 寫」并發請求而造成緩存不一致的解決辦法是「延遲雙刪」。

延遲雙刪實現的偽代碼如下：

#刪除緩存
redis.delKey(X)
#更新數據庫
db.update(X)
#睡眠
Thread.sleep(N)
#再刪除緩存
redis.delKey(X)

加了個睡眠時間，主要是為了確保請求 A 在睡眠的時候，請求 B 能夠在這這一段時間完成「從數據庫讀取數據，再把缺失的緩存寫入緩存」的操作，然后請求 A 睡眠完，再刪除緩存。

所以，請求 A 的睡眠時間就需要大于請求 B 「從數據庫讀取數據 + 寫入緩存」的時間。

但是具體睡眠多久其實是個玄學，很難評估出來，所以這個方案也只是盡可能保證一致性而已，極端情況下，依然也會出現緩存不一致的現象。

因此，還是比較建議用「先更新數據庫，再刪除緩存」的方案。

前情回顧

上回程序員阿旺為了提升數據訪問的性能，引入 Redis 作為 MySQL 緩存層，但是這件事情并不是那么簡單，因為還要考慮 Redis 和 MySQL 雙寫一致性的問題。

阿旺經過一番周折，最終選用了「先更新數據庫，再刪緩存」的策略，原因是這個策略即使在并發讀寫時，也能最大程度保證數據一致性。

聰明的阿旺還搞了個兜底的方案，就是給緩存加上了過期時間。

本以為就這樣不會在出現數據一致性的問題，結果將功能上線后，老板還是收到用戶的投訴「說自己明明更新了數據，但是數據要過一段時間才生效」，客戶接受不了。

老板轉告給了阿旺，阿旺得知又有 Bug 就更慌了，立馬就登錄服務器去排查問題，查看日志后得知了原因。

「先更新數據庫， 再刪除緩存」其實是兩個操作，這次客戶投訴的問題就在于，在刪除緩存(第二個操作)的時候失敗了，導致緩存中的數據是舊值，而數據庫是最新值。

好在之前給緩存加上了過期時間，所以才會出現客戶說的過一段時間才更新生效的現象，假設如果沒有這個過期時間的兜底，那后續的請求讀到的就會一直是緩存中的舊數據，這樣問題就更大了。

所以新的問題來了，如何保證「先更新數據庫 ，再刪除緩存」這兩個操作能執行成功?

阿旺分析出問題后，慌慌張張的向老板匯報了問題。

老板知道事情后，又給了阿旺幾天來解決這個問題，畫餅的事情這次沒有再提了。

• 阿旺會用什么方式來解決這個問題呢?
• 老板畫的餅事情，能否兌現給阿旺呢?

如何保證兩個操作都能執行成功?

這次用戶的投訴是因為在刪除緩存(第二個操作)的時候失敗了，導致緩存還是舊值，而數據庫是最新值，造成數據庫和緩存數據不一致的問題，會對敏感業務造成影響。

舉個例子，來說明下。

應用要把數據 X 的值從 1 更新為 2，先成功更新了數據庫，然后在 Redis 緩存中刪除 X 的緩存，但是這個操作卻失敗了，這個時候數據庫中 X 的新值為 2，Redis 中的 X 的緩存值為 1，出現了數據庫和緩存數據不一致的問題。

那么，后續有訪問數據 X 的請求，會先在 Redis 中查詢，因為緩存并沒有 誒刪除，所以會緩存命中，但是讀到的卻是舊值 1。

其實不管是先操作數據庫，還是先操作緩存，只要第二個操作失敗都會出現數據一致的問題。

問題原因知道了，該怎么解決呢?有兩種方法：

• 重試機制。
• 訂閱 MySQL binlog，再操作緩存。

先來說第一種。

重試機制

我們可以引入消息隊列，將第二個操作(刪除緩存)要操作的數據加入到消息隊列，由消費者來操作數據。

• 如果應用刪除緩存失敗，可以從消息隊列中重新讀取數據，然后再次刪除緩存，這個就是重試機制。當然，如果重試超過的一定次數，還是沒有成功，我們就需要向業務層發送報錯信息了。
• 如果刪除緩存成功，就要把數據從消息隊列中移除，避免重復操作，否則就繼續重試。

舉個例子，來說明重試機制的過程。

訂閱 MySQL binlog，再操作緩存

「先更新數據庫，再刪緩存」的策略的第一步是更新數據庫，那么更新數據庫成功，就會產生一條變更日志，記錄在 binlog 里。

于是我們就可以通過訂閱 binlog 日志，拿到具體要操作的數據，然后再執行緩存刪除，阿里巴巴開源的 Canal 中間件就是基于這個實現的。

Canal 模擬 MySQL 主從復制的交互協議，把自己偽裝成一個 MySQL 的從節點，向 MySQL 主節點發送 dump 請求，MySQL 收到請求后，就會開始推送 Binlog 給 Canal，Canal 解析 Binlog 字節流之后，轉換為便于讀取的結構化數據，供下游程序訂閱使用。

下圖是 Canal 的工作原理：

所以，如果要想保證「先更新數據庫，再刪緩存」策略第二個操作能執行成功，我們可以使用「消息隊列來重試緩存的刪除」，或者「訂閱 MySQL binlog 再操作緩存」，這兩種方法有一個共同的特點，都是采用異步操作緩存。

老板發餅啦

阿旺由于對消息隊列比較熟悉，所以他決定采用「消息隊列來重試緩存的刪除」的方案，來解決這次的用戶問題。

經過幾天幾夜的操作，服務器搞定啦，立馬向老板匯報工作。

老板讓阿旺再觀察些時間，如果沒問題，到中秋節就商量“餅”的事情。

時間過的很快，中秋佳節到了，這期間一直都沒有用戶反饋數據不一致的問題。

老板見這次阿旺表現很好，沒有再出現任何差錯，服務器的訪問性能也上來了，于是給阿旺發了這個超級大的月餅，你看這個餅又大又圓，就像你的代碼又長又多。