缓存与数据库一致性的核心方案

一、旁路缓存 (Cache Aside)

适用场景：读多写少的业务场景，是目前业务开发中最常用的缓存一致性方案。

1. 核心执行逻辑

读流程

优先查询缓存，若缓存未命中，再查询数据库，最后将数据库查询结果回写至缓存，供后续请求复用。

写流程

先更新数据库，再删除缓存数据。

核心说明 ：写操作优先选择删除缓存而非更新缓存。删除操作具备简单、幂等的特性，能够有效规避并发写场景下的数据一致性问题，避免缓存数据与数据库数据错乱。

2. 核心痛点及解决方案

痛点一：高并发读写一致性问题

受网络延迟、读写并发、数据库主从同步延迟、事务未提交等因素影响，会出现缓存数据被污染的问题，具体执行流程如下：

线程A执行数据更新操作，率先完成数据库数据更新；
线程A随即删除对应缓存数据；
此时线程B发起数据读取请求，缓存为空触发数据库查询逻辑；
因数据库主从同步延迟、线程A事务未完全提交等原因，线程B查询到数据库旧数据；
线程B将查询到的旧数据回写入缓存，最终形成数据库为新数据、缓存为旧数据的不一致状态，且该错误数据会一直留存，直至缓存过期。

常规优化方案 ：延迟双删策略，延迟时间常规设置为 200ms~500ms，错开读写并发的时间窗口，避免旧数据回写缓存。

痛点二：缓存删除失败问题

若直接删除缓存失败，会导致缓存留存旧数据，引发数据不一致。可将缓存删除操作交由MQ处理，依托MQ的消息重试、持久化机制，保障缓存删除操作最终执行成功。

3. 终极解决方案：Canal 监听 Binlog

通过Canal组件监听MySQL的Binlog日志（读写分离架构下监听从库Binlog），异步感知数据库数据变更，自动执行缓存删除或更新操作。该方案对业务代码完全无侵入，可靠性极高，可同时解决上述两大痛点。

方案核心原理（MySQL 两阶段提交机制）

Prepare阶段：InnoDB引擎将数据写入redo log日志，并将事务状态标记为prepare；
Binlog写入阶段：记录数据逻辑变更信息，写入Binlog日志并刷盘持久化；
Commit阶段：InnoDB将redo log事务状态更新为commit，完成事务提交。

MySQL宕机恢复机制：若事务在Commit阶段宕机，重启后MySQL会校验Binlog完整性。只要Binlog日志已完整写入，即便redo log处于prepare状态，MySQL也会判定事务有效并自动提交。因此，只要Canal读取到Binlog日志，即可判定数据库数据已提交生效，以此保障缓存更新的准确性。

方案优势

传统MQ手动更新方案需改造业务代码，针对Redis、ES、大数据平台等不同中间件单独发送消息，代码冗余且扩展性差。而Canal可作为统一数据分发中心，通过下游配置多组消费者，分别处理Redis缓存更新、ES索引更新、HBase数据同步等需求，大幅简化业务架构。

4. 实战落地

实际开发中，可基于RedisTemplate、Jedis等主流Redis客户端，二次封装通用的CacheService缓存工具类，统一处理缓存查询、删除、更新等操作。

二、读/写直通 (Read/Write Through)

核心特性 ：保障缓存与数据库强一致性，适用于对数据准确性、一致性要求极高的核心业务场景。

1. Read Through（读直通）

由缓存服务统一接管数据查询逻辑。业务请求查询数据时，若缓存未命中，缓存服务主动同步查询数据库，将数据加载至缓存后，再返回结果给业务应用，应用无需直接操作数据库。

2. Write Through（写直通）

由缓存服务统一接管数据写入逻辑。业务应用仅需写入缓存，缓存服务会同步将数据更新至数据库，仅当数据库写入成功后，才向应用返回写入成功结果。

3. 核心痛点

所有读写操作均需同步联动数据库，链路耗时较长，接口响应延迟高，并发性能较差。

4. 技术实现

Ehcache缓存框架原生提供CacheLoader（读加载）、CacheWriter（写写入）接口，开发者完成配置后，调用cache.put()等缓存方法，框架会自动执行数据库CRUD操作，无需手动编写SQL。

三、异步写回 (Write Back / Write Behind)

核心特性：以数据一致性为代价，极致提升写入并发性能，适用于高并发、弱一致性业务场景。

1. 执行逻辑

业务应用写入数据时，仅更新缓存即可立即返回成功结果，无需等待数据库写入。缓存服务会异步、批量将缓存中的增量数据刷入数据库，大幅提升接口吞吐能力。

2. 解决问题

完美适配超高并发写入场景，避免大量高频写请求直接冲击MySQL，导致数据库压力过载、宕机。

3. 核心痛点

存在数据丢失风险。若缓存节点在数据异步落库前宕机，未同步至数据库的缓存更新数据会永久丢失，无法恢复。

4. 典型应用场景

社交媒体统计数据：点赞数、阅读量、浏览量等场景，少量数据误差不影响用户体验，但并发量极高，无法直接落地数据库；
操作系统磁盘缓存：系统write()文件写入调用，采用的就是Write Back机制，数据先写入内存Page Cache，再由内核线程异步刷入硬盘。