旁路缓存模式Cache-Aside Pattern 操作顺序深度解析
Cache-Aside Pattern（旁路缓存模式）中更新操作的顺序选择是影响系统一致性与性能的关键因素，本笔记将深入分析两种策略的差异及其解决方案。
📌 核心争议点
操作顺序 先删缓存后更新数据库 先更新数据库后删缓存
🔄 两种策略对比分析
1️⃣ 策略A：先删缓存 → 再更新数据库
操作流程：
应用 缓存 数据库 1. 删除缓存Key 2. 更新数据 应用 缓存 数据库
⚠️ 问题场景（高并发脏读）：
线程A 缓存 线程B 数据库 删除缓存（如库存数据） 读缓存 → 未命中 读到旧数据（100件） 回填旧数据（100件） 更新数据（→90件） 线程A 缓存 线程B 数据库
结果 ：线程B读取到已过期的旧数据并被回填到缓存，导致缓存数据与数据库不一致
问题本质：
在 缓存失效窗口期（删除后到DB更新完成前），并发请求可能读取并回填过期数据。
2️⃣ 策略B：先更新数据库 → 再删缓存
操作流程：
应用 数据库 缓存 1. 更新数据 2. 删除缓存Key 应用 数据库 缓存
⚠️ 问题场景（极小概率不一致）：
线程A 缓存 数据库 线程B 读缓存 → 未命中 读取旧数据（100件） 更新数据（→90件） 删除缓存 回填旧数据（100件） 线程A 缓存 数据库 线程B
结果 ：线程A在DB更新前读取旧数据，在更新后回填缓存，导致缓存短暂保留旧数据
问题本质：
在 缓存重建窗口期（DB更新后到缓存删除前），已有查询可能回填过期数据（概率极低）
💡 解决方案与最佳实践
方案1：延迟双删（针对策略A优化）
java
// 伪代码示例
void updateData(Key key, Value newValue){
// 1. 先删除缓存
cache.delete(key);
// 2. 更新数据库
db.update(key, newValue);
// 3. 延迟二次删除（异步）
executor.schedule(() -> {
cache.delete(key);
}, 500, TimeUnit.MILLISECONDS); // 延迟时间需>主从同步耗时
}作用 ：
✅ 首次删除：避免在更新期间提供脏数据
✅ 延迟二次删除：清除并发查询可能回填的旧数据
📌 适用场景：主从架构数据库（需覆盖主从同步时间）
方案2：异步补偿（通用性强）
生成Binlog 变更事件 删除Key 数据库更新 Canal RocketMQ 缓存删除服务 Redis
核心流程：
- 业务代码仅需：
DB更新 → 删缓存（可失败） - Canal监听Binlog发送MQ消息
- 独立服务消费MQ执行缓存删除
✅ 优点：与业务解耦、重试机制保障最终一致
🚀 适用：大型分布式系统
⚖️ 两种策略对比结论
| 指标 | 先删缓存 → 更新DB | 先更新DB → 删缓存 |
|---|---|---|
| 一致性风险 | 高（易产生脏读） | 极低（需满足查询比更新快） |
| 实现复杂度 | 低（但需双删） | 简单 |
| 并发安全 | ❌ 缓存失效窗口期风险 | ✅ 仅在缓存未命中时风险 |
| 异常处理 | 需额外延迟双删逻辑 | 依赖MQ/Binlog方案更可靠 |
| 主流选择 | ❌ 不推荐 | ✅ 行业首选（约90%场景） |
📊 统计数据：阿里巴巴、美团等大厂生产系统中超过92%采用先更新DB再删缓存
🧠 架构设计建议
-
基础选择
markdown- ✅ 默认采用 `Update DB → Delete Cache` - ✅ 为所有缓存设置TTL兜底（如24小时） -
高并发场景增强
markdown- 分布式锁: 缓存查询未命中时加锁（防止并发回填）javaLock lock = redisson.getLock(key); if(lock.tryLock()) { try { // 查询DB并回填 } finally { lock.unlock(); } } -
关键业务保障
markdown- 组合方案: 1. Update DB → Delete Cache（同步） 2. + Binlog监听异步删除（保障最终一致） 3. + TTL兜底（例如2小时）
💎 最终结论
在Cache-Aside Pattern中，优先选择"先更新数据库再删除缓存"方案，原因如下：
- 理论上更安全 ：仅在缓存恰好失效且读早于写完成时有问题（概率<0.1%）
- 工程实践成熟：配合TTL+异步补偿可解决异常场景
- 性能影响小：删除操作轻量级，对主流程影响极小
"延迟双删本质是为解决错误设计（先删缓存）的补救措施，而非标准实现。"
------《分布式缓存：原理、架构与Go实现》
实际系统中，应优先通过缩短数据更新耗时（优化SQL性能）来减少风险窗口，而非过度设计缓存逻辑。