【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
五岳几秒前
深入研究使用DozerMapper复制List<Ojbect>前后元素类型不一致的问题
java·爬坑
人生在勤,不索何获-白大侠10 分钟前
day15——Java常用API(二):常见算法、正则表达式与异常处理详解
java·算法·正则表达式
Bug退退退12313 分钟前
RabbitMQ 高级特性之消息确认
java·分布式·rabbitmq
云动雨颤1 小时前
Java并发性能优化|读写锁与互斥锁解析
java
ldj20201 小时前
Centos 安装Jenkins
java·linux
hqxstudying1 小时前
Intellij IDEA中Maven的使用
java·maven·intellij-idea
SimonKing1 小时前
拯救大文件上传:一文彻底彻底搞懂秒传、断点续传以及分片上传
java·后端·架构
深栈解码1 小时前
JUC并发编程 内存布局和对象头
java·后端
前端小巷子1 小时前
跨域问题解决方案:开发代理
前端·javascript·面试
天涯学馆1 小时前
JavaScript 跨域、事件循环、性能优化面试题解析教程
前端·javascript·面试