缓存同步 - 技术栈

一、前言：为什么缓存同步如此重要？

在现代互联网架构中，我们普遍采用多级缓存（本地缓存 + Redis + 数据库）来提升性能。但随之而来的是一个经典难题：

当数据库数据更新后，如何确保各级缓存中的数据也同步更新？

若处理不当，将导致：

❌ 用户看到过期商品价格
❌ 管理员修改配置后不生效
❌ 订单状态不一致引发资损

缓存同步的本质 ：在性能与一致性之间找到最佳平衡点。

本文将系统性地介绍5 大主流缓存同步策略 ，并提供生产级选型建议。

二、核心挑战：缓存不一致是如何产生的？

场景 1：并发写操作

场景 2：多级缓存不同步

服务 A 更新了 Redis，但服务 B 的本地缓存仍是旧值
跨机房部署时，缓存失效消息未广播到所有节点

三、五大缓存同步策略详解

策略 1：Cache-Aside（旁路缓存）------ 最常用 ✅

流程：

读请求：先查缓存 → 未命中则查 DB → 回填缓存
写请求：先更新 DB → 再删除缓存

python 复制代码

# 伪代码
def update_user(user_id, name):
    # 1. 更新数据库
    db.update("users", {"id": user_id, "name": name})
    # 2. 删除缓存（不是更新！）
    cache.delete(f"user:{user_id}")

优点：简单、高效、避免脏数据
缺点：存在短暂不一致窗口

策略 2：延迟双删（Delayed Double Delete）------ 应对高并发 ⚡

适用场景：高并发写 + 读场景（如秒杀库存）

流程：

删除缓存
更新数据库
延迟 N 毫秒后再次删除缓存

python 复制代码

def update_stock(product_id, new_stock):
    cache.delete(f"stock:{product_id}")      # 第一次删
    db.update("products", {"id": product_id, "stock": new_stock})
    time.sleep(500)                          # 延迟 500ms
    cache.delete(f"stock:{product_id}")      # 第二次删

原理：覆盖"读请求在写操作中间"导致的脏读
注意：延迟时间需 > 一次 DB 主从同步 + 业务查询耗时

策略 3：订阅 Binlog（异步监听）------ 企业级方案 🏢

架构：

优势：

解耦：业务代码无需关心缓存
可靠：基于数据库日志，不丢事件
支持多级缓存同步

缺点：

架构复杂
存在秒级延迟（最终一致性）

💡 典型应用：阿里 Canal + RocketMQ 实现缓存同步

策略 4：Write-Through（写透模式）------ 强一致性 🔒

流程：

写请求同时更新 DB 和缓存
读请求只查缓存

python 复制代码

def write_through(key, value):
    db.set(key, value)
    cache.set(key, value)  # 同步更新

适用场景 ：对一致性要求极高（如金融交易）
缺点：写性能下降，缓存不可用时写失败

策略 5：读写锁 / 分布式锁 ------ 极端强一致 ⚠️

流程：

写操作前加全局锁
确保"读-改-写"原子性

python 复制代码

with distributed_lock("user_update"):
    old = cache.get("user:1001")
    new = update_in_db(old)
    cache.set("user:1001", new)

警告：严重降低吞吐量，仅用于极少数核心场景

四、特殊场景补充策略

4.1 热点 Key 一致性

问题：单个 Key 被百万 QPS 查询，更新时易不一致
方案：
- 本地缓存 + Redis 二级架构
- 更新时通过 MQ 广播失效消息到所有节点

4.2 跨机房缓存同步

问题：北京机房更新数据，上海机房缓存未失效
方案：
- 全局消息队列（如 Kafka）广播缓存失效事件
- 设置较短 TTL（如 30s）作为兜底

4.3 缓存与 DB 并发冲突

经典问题："先删缓存 vs 先更新 DB"？
结论：先更新 DB，再删缓存 （Cache-Aside 标准做法）
- 即使出现不一致，下次读也会修复（自愈）

五、生产环境最佳实践

5.1 策略选型指南

业务场景	推荐策略	一致性级别
商品详情页	Cache-Aside + TTL	最终一致
秒杀库存	延迟双删	准实时一致
用户余额	Write-Through + 分布式锁	强一致
配置中心	Binlog 监听	最终一致

5.2 必须遵守的原则

删除缓存，而非更新缓存（避免并发写覆盖）
设置合理的 TTL（兜底机制，防永久不一致）
监控缓存命中率 & 不一致率（如对比 DB 与缓存差异）
避免大 Value 缓存（更新成本高，易雪崩）

5.3 代码防御示例

java 复制代码

// Spring Boot 示例：更新后删除缓存
@Transactional
public void updateUser(Long id, String name) {
    // 1. 更新数据库
    userMapper.update(id, name);
    
    // 2. 删除缓存（使用 @CacheEvict）
    // 注意：放在事务提交后执行！
    applicationEventPublisher.publishEvent(new UserUpdatedEvent(id));
}

@EventListener
@Async
public void handleUserUpdate(UserUpdatedEvent event) {
    redisTemplate.delete("user:" + event.getId());
}

六、常见误区与陷阱

误区	正确做法
"先删缓存，再更新 DB"	→ 易导致缓存被旧值回填
"更新缓存而不是删除"	→ 并发写可能覆盖新值
"不设 TTL"	→ 一旦同步失败，数据永久错误
"本地缓存不处理失效"	→ 多实例部署必出问题

七、结语

感谢您的阅读！如果你有任何疑问或想要分享的经验，请在评论区留言交流！