目录
[策略一：Cache-Aside Pattern（旁路缓存模式）](#策略一：Cache-Aside Pattern（旁路缓存模式）)
[策略二：Write-Through / Read-Through Pattern（穿透读写模式）](#策略二：Write-Through / Read-Through Pattern（穿透读写模式）)
[策略三：Write-Behind Pattern（异步写回模式）](#策略三：Write-Behind Pattern（异步写回模式）)
[方案三：通过数据库 Binlog 同步（最优解）](#方案三：通过数据库 Binlog 同步（最优解）)
前言
首先，我们必须明确一个核心观点 ：在分布式环境下，要实现强一致性（在任何时刻读取的数据都是最新的）是极其困难且代价高昂的，通常会严重牺牲性能。因此，在实践中，我们通常追求最终一致性，即允许在短暂的时间内数据不一致，但通过一些手段保证数据最终会保持一致。
下面我将从基础概念、各种策略、最佳实践到最新方案，为你详细讲解。
一、基础概念：为什么会有不一致？
在一个包含 MySQL（作为可靠数据源）和 Redis（作为缓存）的系统中，所有的写操作（增、删、改）都必须同时处理这两个地方。
这个过程中，任何一步失败或延迟都会导致不一致：
- 写 MySQL 成功，写 Redis 失败：导致 Redis 中是旧数据。
- 写 Redis 成功，写 MySQL 失败：导致 Redis 中是"脏数据"，数据库中不存在。
- 并发读写：一个线程在更新数据库，但还没更新缓存时，另一个线程读取了旧的缓存数据。
二、核心策略与模式
解决双写一致性有多种策略，我们需要根据业务场景（对一致性的要求、读写的比例等）进行选择。
策略一：Cache-Aside Pattern（旁路缓存模式）
这是最常用、最经典的缓存模式。核心原则是：应用程序直接与数据库和缓存交互，缓存不作为写入的必经之路。
- 读流程：
-
- 收到读请求。
- 首先查询 Redis，如果数据存在（缓存命中），直接返回。
- 如果 Redis 中没有数据（缓存未命中），则从 MySQL 中查询。
- 将从 MySQL 查询到的数据写入 Redis（以便后续读取），然后返回数据。
- 写流程：
-
- 收到写请求。
- 更新 MySQL 中的数据。
- 删除 Redis 中对应的缓存。
为什么是删除（Invalidate）缓存，而不是更新缓存？
这是一个关键设计点！
- 性能：如果更新缓存，每次数据库写操作都要伴随一次缓存写操作，如果该数据并不经常被读取，那么这次缓存写入就是浪费资源的。
- 并发安全：在并发写场景下，更新缓存的顺序可能与更新数据库的顺序不一致，导致缓存中是旧数据。而删除操作是幂等的，更为安全。
Cache-Aside 如何保证一致性？
它通过"先更新数据库，再删除缓存"来尽力保证。但它依然存在不一致的窗口期：
- 线程 A 更新数据库。
- 线程 B 读取数据，发现缓存不存在，从数据库读取旧数据（因为 A 还没提交或刚提交）。
- 线程 B 将旧数据写入缓存。
- 线程 A 删除缓存。
这种情况发生的概率较低，因为通常数据库写操作（步骤1）会比读操作（步骤2）耗时更长（因为涉及锁、日志等），所以步骤2在步骤1之前完成的概率很小。但这是一种理论上的可能。
策略二：Write-Through / Read-Through Pattern（穿透读写模式）
在这种模式下，缓存层（或一个独立的服务）自己负责与数据库交互。对应用来说，它只与缓存交互。
- 写流程 ：应用写入缓存，缓存组件同步地写入数据库。只有两个都成功后才会返回成功。
- 读流程：应用读取缓存，如果未命中，缓存组件自己从数据库加载并填充缓存，然后返回。
优点 ：逻辑对应用透明，一致性比 Cache-Aside 更好。
缺点：性能较差，因为每次写操作都必然涉及一次数据库写入。通常需要成熟的缓存中间件支持。
策略三：Write-Behind Pattern（异步写回模式）
Write-Through 的异步版本。应用写入缓存后立即返回，缓存组件在之后某个时间点（例如攒够一批数据或定时）批量异步地更新到数据库。
优点 ：写性能极高。
缺点：有数据丢失风险（缓存宕机），一致性最弱。适用于允许少量数据丢失的场景，如计数、点赞等。
三、保证最终一致性的进阶方案
为了弥补 Cache-Aside 模式中的缺陷，我们可以引入一些额外的机制。
方案一：延迟双删
针对 Cache-Aside 中提到的"先更新数据库，再删除缓存"可能带来的并发问题，可以引入一个延迟删除。
- 线程 A 更新数据库。
- 线程 A 删除缓存。
- 线程 A 休眠一个特定的时间（如 500ms - 1s）。
- 线程 A 再次删除缓存。
第二次删除是为了清理掉在第1次删除后、其他线程可能写入的旧数据。这个休眠时间需要根据业务读写耗时来估算。
优点 ：简单有效，能很大程度上解决并发读写导致的不一致。
缺点：降低了写入吞吐量，休眠时间难以精确设定。
方案二：通过消息队列异步删除
为了解耦和重试，可以将删除缓存的操作作为消息发送到消息队列（如 RocketMQ, Kafka）。
- 更新数据库。
- 向消息队列发送一条删除缓存的消息。
- 消费者消费该消息，执行删除 Redis 的操作。如果删除失败，消息会重试。
这保证了删除缓存的操作至少会被执行一次，大大提高了可靠性。
方案三：通过数据库 Binlog 同步（最优解）
这是目前最成熟、对业务侵入性最小、一致性最好的方案。其核心是利用 MySQL 的二进制日志（Binlog）进行增量数据同步。
工作原理：
- 业务系统正常写入 MySQL。
- 由一个中间件（如 Canal, Debezium）伪装成 MySQL 的从库，订阅 Binlog。
- 中间件解析 Binlog，获取数据的变更详情（增、删、改）。
- 中间件根据变更，调用 Redis 的 API 来更新或删除对应的缓存。
优点：
- 业务无侵入：业务代码只关心写数据库，完全不知道缓存的存在。
- 高性能：数据库和缓存的同步是异步的，不影响主业务链路的性能。
- 强保证：由于基于 Binlog，它能保证只要数据库变了，缓存最终一定会被同步。顺序也与数据库一致。
缺点：
- 架构复杂，需要维护额外的同步组件。
- 同步有毫秒级到秒级的延迟。
四、总结与最佳实践选择
|------------------------|-----------------|----|-----|--------------------------|
| 策略 | 一致性保证 | 性能 | 复杂度 | 适用场景 |
| Cache-Aside + 删除 | 最终一致性（有微弱不一致风险） | 高 | 低 | 绝大多数场景的首选，读多写少 |
| Cache-Aside + 延迟双删 | 更好的最终一致性 | 中 | 低 | 对一致性要求稍高，且能接受一定延迟的写操作 |
| Write-Through | 强一致性 | 中 | 中 | 写多读少，且对一致性要求非常高的场景 |
| Binlog 同步 | 最终一致性（推荐） | 高 | 高 | 大型、高要求项目的最佳实践，对业务无侵入 |
通用建议：
- 首选方案 ：对于大多数应用，从 Cache-Aside（先更新数据库，再删除缓存） 开始。它简单、有效，在大多数情况下已经足够。
- 进阶保障 ：如果 Cache-Aside 的不一致窗口无法接受，可以引入延迟双删 或消息队列异步删除来增强。
- 终极方案 ：当业务发展到一定规模，对一致性和系统解耦有更高要求时，投入资源搭建基于 Binlog 的异步同步方案。这是业界证明最可靠的方案。
- 设置合理的过期时间：无论如何，都给 Redis 中的缓存设置一个过期时间（TTL）。这是一个安全网，即使同步逻辑出现问题，旧数据也会自动失效，最终从数据库加载新数据，保证最终一致性。
- 业务容忍度：最重要的是，与产品经理确认业务对一致性的容忍度。很多时候，1-2秒内的数据不一致用户是感知不到的，不需要为此付出巨大的架构和性能代价。
如果小假的内容对你有帮助，请点赞，评论，收藏。创作不易，大家的支持就是我坚持下去的动力！
