【Java面试】你是怎么控制缓存的更新?

🔄 一、数据实时同步失效(强一致性)

原理 :数据库变更后立即 失效或更新缓存,保证数据强一致。
实现方式

  1. Cache Aside(旁路缓存)

    • 读流程:读缓存 → 未命中则读库 → 回填缓存。
    • 写流程 :更新数据库 → 删除缓存(非更新)。
    • 关键优化
      • 延迟双删:更新DB后删除缓存,延迟500ms再删一次,防止并发读导致的脏数据。
      • 加锁防击穿 :缓存未命中时,用分布式锁(如Redis SETNX)控制单线程读库回填。
    • 适用场景:金融交易、库存扣减等强一致性场景。
  2. Read/Write Through(读写穿透)

    • 应用只操作缓存,由缓存服务同步更新数据库(如Ehcache + DB集成)。
    • 优点 :业务无侵入;缺点:写延迟高,依赖缓存服务可靠性。

⏱️ 二、数据准实时更新(最终一致性)

原理 :数据库变更后异步 更新缓存,延迟通常在毫秒~秒级。
实现方式

  1. 消息队列解耦

    • 更新数据库 → 发MQ(如Kafka) → 消费者异步更新缓存。
    • 关键设计
      • 消息顺序性:同一数据的更新需保证顺序消费(如Kafka分区键用数据ID)。
      • 幂等处理:消费端校验版本号或唯一ID,防重复更新。
  2. Binlog监听

    • 工具监听数据库Binlog(如Canal) → 解析变更事件 → 更新缓存。
    • 优点:与业务解耦,适合多服务协作场景。

适用场景:电商商品详情页、社交动态等可容忍短暂不一致的场景。


三、任务调度更新(最终一致性)

原理定时任务 批量同步数据库与缓存,延迟分钟~小时级。
实现方式

  1. 增量同步

    • 任务扫描DB变更记录(如update_time字段),仅同步增量数据。
    • 优化:分页查询 + 时间窗口滚动,避免全表扫描。
  2. 全量同步

    • 定期全量刷缓存(如每日凌晨),兜底数据一致性。
    • 风险:大数据量时可能引发数据库负载陡增,需分批次执行。

适用场景:BI报表、排行榜等低频变更、高计算耗时的数据。


🔧 四、增量 vs 全量更新策略

策略 适用场景 技术要点
增量更新 数据变更频繁,需高效同步 基于Binlog/更新时间戳,仅同步变更部分。
全量更新 数据量小或变更极少 定时全量扫描,配合缓存预热机制。

💡 五、选型建议与避坑指南

  1. 一致性要求

    • 强一致:实时同步 + 延迟双删(如支付系统)。
    • 最终一致:消息队列/Binlog异步(如内容展示页)。
  2. 性能与风险平衡

    • 频繁写场景避免直接更新缓存,优先删除(防无效写入)。
    • 热点数据用逻辑过期:缓存永不过期,后台异步更新数据。
  3. 兜底设计

    • 所有策略需叠加 TTL过期,防逻辑漏洞导致长期脏数据。

总结

  • 实时同步:强一致首选,但需应对并发问题(延迟双删 + 锁)。
  • 准实时更新:平衡性能与一致性,依赖消息顺序与幂等。
  • 任务调度 :最终一致兜底,适合离线计算场景。
    最终建议 :90%场景用 Cache Aside + 异步补偿(如MQ),配合TTL过期,兼顾开发效率与稳定性。
相关推荐
黑色的山岗在沉睡12 分钟前
LeetCode 189. 轮转数组
java·算法·leetcode
会飞的小蛮猪18 分钟前
Jenkins运维之路(权限分配&忘记admin密码)
java·运维·经验分享·jenkins·prometheus
slim~32 分钟前
Java基础第9天总结(可变参数、Collections、斗地主)
java·开发语言
wifi歪f1 小时前
📦 qiankun微前端接入实战
前端·javascript·面试
cdcdhj1 小时前
数据库存储大量的json文件怎么样高效的读取和分页,利用文件缓存办法不占用内存
缓存·node.js·json
豆沙沙包?1 小时前
2025年- H118-Lc86. 分隔链表(链表)--Java版
java·数据结构·链表
绝无仅有1 小时前
未来教育行业的 Go 服务开发解决方案与实践
后端·面试·github
A尘埃2 小时前
智能工单路由系统(Java)
java·开发语言·智能工单
失散133 小时前
分布式专题——1.1 Redis单机、主从、哨兵、集群部署
java·数据库·redis·分布式·架构