需求起因
在高併發的業務場景下，數據庫大多數情況都是用戶併發訪問最薄弱的環節。所以，就需要使用redis做一個緩衝操作，讓請求先訪問到redis，而不是直接訪問MySQL等數據庫。
這個業務場景，主要是解決讀數據從Redis緩存，一般都是按照下圖的流程來進行業務操作。
讀取緩存步驟一般沒有什麼問題，但是一旦涉及到數據更新：數據庫和緩存更新，就容易出現緩存(Redis)和數據庫（MySQL）間的數據一致性問題。
不管是先寫MySQL數據庫，再刪除Redis緩存；還是先刪除緩存，再寫庫，都有可能出現數據不一致的情況。舉一個例子：
1.如果刪除了緩存Redis，還沒有來得及寫庫MySQL，另一個線程就來讀取，發現緩存爲空，則去數據庫中讀取數據寫入緩存，此時緩存中爲髒數據。
2.如果先寫了庫，在刪除緩存前，寫庫的線程宕機了，沒有刪除掉緩存，則也會出現數據不一致情況。
因爲寫和讀是併發的，沒法保證順序,就會出現緩存和數據庫的數據不一致的問題。
如來解決？這裏給出兩個解決方案，先易後難，結合業務和技術代價選擇使用。
爲什麼是刪除緩存，而不是更新緩存
原因很簡單，很多時候，在複雜點的緩存場景，緩存不單單是數據庫中直接取出來的值。
比如可能更新了某個表的一個字段，然後其對應的緩存，是需要查詢另外兩個表的數據並進行運算，才能計算出緩存最新的值的。
另外更新緩存的代價有時候是很高的。是不是每次修改數據庫的時候，都一定要將其對應的緩存更新一份？也許有的場景是這樣，但是對於比較複雜的緩存數據計算的場景，就不是這樣了。如果你頻繁修改一個緩存涉及的多個表，緩存也頻繁更新。但是問題在於，這個緩存到底會不會被頻繁訪問到？舉個栗子，一個緩存涉及的表的字段，在 1 分鐘內就修改了 20 次，或者是 100 次，那麼緩存更新 20 次、100 次；但是這個緩存在 1 分鐘內只被讀取了 1 次，有大量的冷數據。實際上，如果你只是刪除緩存的話，那麼在 1 分鐘內，這個緩存不過就重新計算一次而已，開銷大幅度降低，用到緩存纔去算緩存。其實刪除緩存，而不是更新緩存，就是一個 lazy 計算的思想，不要每次都重新做複雜的計算，不管它會不會用到，而是讓它到需要被使用的時候再重新計算。
像 mybatis，hibernate，都有懶加載思想。查詢一個部門，部門帶了一個員工的 list，沒有必要說每次查詢部門，都裏面的 1000 個員工的數據也同時查出來。80% 的情況，查這個部門，就只是要訪問這個部門的信息就可以了。先查部門，同時要訪問裏面的員工，那麼這個時候只有在你要訪問裏面的員工的時候，纔會去數據庫裏面查詢 1000 個員工。
緩存和數據庫一致性解決方案
1.第一種方案：採用延時雙刪策略
在寫庫前後都進行redis.del(key)操作，並且設定合理的超時時間。
僞代碼如下
public void write(String key,Object data){
redis.delKey(key);
db.updateData(data);
Thread.sleep(500);
redis.delKey(key);
}
1.1 具體的步驟就是：
1）先刪除緩存
2）再寫數據庫
3）休眠500毫秒
4）再次刪除緩存
1.2 那麼，這個500毫秒怎麼確定的，具體該休眠多久呢？
需要評估自己的項目的讀數據業務邏輯的耗時。這麼做的目的，就是確保讀請求結束，寫請求可以刪除讀請求造成的緩存髒數據。
當然這種策略還要考慮redis和數據庫主從同步的耗時。最後的的寫數據的休眠時間：則在讀數據業務邏輯的耗時基礎上，加幾百ms即可。比如：休眠1秒。
1.3 設置緩存過期時間
從理論上來說，給緩存設置過期時間，是保證最終一致性的解決方案。所有的寫操作以數據庫爲準，只要到達緩存過期時間，則後面的讀請求自然會從數據庫中讀取新值然後回填緩存。
1.4 該方案的弊端
結合雙刪策略+緩存超時設置，這樣最差的情況就是在超時時間內數據存在不一致，而且又增加了寫請求的耗時。
另外如果上億流量高併發時，出現了複雜點的情況: 數據發生了變更，先刪除了緩存，然後要去修改數據庫，還沒來得及修改，一個請求過來，去讀緩存，發現緩存空了，去查詢數據庫，查到了修改前的舊數據，放到了緩存中。隨後數據變更的程序完成了數據庫的修改, 結果此時線程宕機了，沒有刪除掉緩存，則也會出現數據不一致情況。
2、第二種方案：異步更新緩存(基於訂閱binlog的同步機制)
2.1 技術整體思路：
MySQL binlog增量訂閱消費+消息隊列+增量數據更新到redis
1）讀Redis：熱數據基本都在Redis
2）寫MySQL:增刪改都是操作MySQL
3）更新Redis數據：MySQ的數據操作binlog，來更新到Redis
2.2 Redis更新
2.2.1 數據操作主要分爲兩大塊：
-
一個是全量(將全部數據一次寫入到redis)
-
一個是增量（實時更新）
這裏說的是增量,指的是mysql的update、insert、delate變更數據。
2.2.2 讀取binlog後分析 ，利用消息隊列,推送更新各臺的redis緩存數據。
這樣一旦MySQL中產生了新的寫入、更新、刪除等操作，就可以把binlog相關的消息推送至Redis，Redis再根據binlog中的記錄，對Redis進行更新。
其實這種機制，很類似MySQL的主從備份機制，因爲MySQL的主備也是通過binlog來實現的數據一致性。
這裏可以結合使用canal(阿里的一款開源框架)，通過該框架可以對MySQL的binlog進行訂閱，而canal正是模仿了mysql的slave數據庫的備份請求，使得Redis的數據更新達到了相同的效果。
當然，這裏的消息推送工具你也可以採用別的第三方：kafka、rabbitMQ等來實現推送更新Redis。
以上就是Redis和MySQL數據一致性詳解，相關的MySQL數據庫主從同步一致性可以參考：高併發架構系列：數據庫主從同步的3種一致性方案實現，優劣比較
3、第三種方案：基於JVM內存隊列（高併發）
讀取數據的時候，如果發現數據不在緩存中，那麼將重新讀取數據+更新緩存的操作，根據唯一標識路由之後，也發送同一個 jvm 內部隊列中。一個隊列對應一個工作線程，每個工作線程串行拿到對應的操作，然後一條一條的執行。
這樣的話，一個數據變更的操作，先刪除緩存，然後再去更新數據庫，但是還沒完成更新。此時如果一個讀請求過來，讀到了空的緩存，那麼可以先將緩存更新的請求發送到隊列中，此時會在隊列中積壓，然後同步等待緩存更新完成。這裏有一個優化點，一個隊列中，其實多個更新緩存請求串在一起是沒意義的，因此可以做過濾。如果發現隊列中已經有一個更新緩存的請求了，那麼就不用再放個更新請求操作進去了，直接等待前面的更新操作請求完成即可。待那個隊列對應的工作線程完成了上一個操作的數據庫的修改之後，纔會去執行下一個操作，也就是緩存更新的操作，此時會從數據庫中讀取最新的值，然後寫入緩存中。如果請求還在等待時間範圍內，不斷輪詢發現可以取到值了，那麼就直接返回；如果請求等待的時間超過一定時長，那麼這一次直接從數據庫中讀取當前的舊值。
高併發的場景下，該解決方案要注意的問題：
3.1 讀請求長時阻塞(即寫請求併發量過高)
由於讀請求進行了非常輕度的異步化，所以一定要注意讀超時的問題，每個讀請求必須在超時時間範圍內返回。
該解決方案，最大的風險點在於，可能數據更新很頻繁，導致隊列中積壓了大量更新操作在裏面，然後讀請求會發生大量的超時，最後導致大量的請求直接走數據庫。務必通過一些模擬真實的測試，看看更新數據的頻率是怎樣的。
另外一點，因爲一個隊列中，可能會積壓針對多個數據項的更新操作，因此需要根據自己的業務情況進行測試，可能需要部署多個服務，每個服務分攤一些數據的更新操作。如果一個內存隊列裏積壓 100 個商品的庫存修改操作，每個庫存修改操作要耗費 10ms 去完成，那麼最後一個商品的讀請求，可能等待 10 * 100 = 1000ms = 1s 後，才能得到數據，這個時候就導致讀請求的長時阻塞。因此，一定要根據實際業務系統的運行情況，去進行一些壓力測試和模擬線上環境，去看看最繁忙的時候，內存隊列可能會積壓多少更新操作，可能會導致最後一個更新操作對應的讀請求，會 hang 多少時間。如果讀請求在 200ms 返回，如果你計算過後，哪怕是最繁忙的時候，積壓 10 個更新操作，最多等待 200ms，那還可以的。
如果一個內存隊列中可能積壓的更新操作特別多，那麼你就要加機器，讓每個機器上部署的服務實例處理更少的數據，那麼每個內存隊列中積壓的更新操作就會越少。
其實根據之前的項目經驗，一般來說，數據的寫頻率是很低的，因此實際上正常來說，在隊列中積壓的更新操作應該是很少的。像這種針對讀高併發、讀緩存架構的項目，一般來說寫請求是非常少的，每秒的 QPS 能到幾百就不錯了。實際粗略測算一下，如果一秒有 500 的寫操作，分成 5 個時間片，每 200ms 就 100 個寫操作，放到 20 個內存隊列中，每個內存隊列，可能就積壓 5 個寫操作。每個寫操作性能測試後，一般是在 20ms 左右就完成，那麼針對每個內存隊列的數據的讀請求，也就最多 hang 一會兒，200ms 以內肯定能返回了。經過剛纔簡單的測算，我們知道，單機支撐的寫 QPS 在幾百是沒問題的，如果寫 QPS 擴大了 10 倍，那麼就擴容機器，擴容 10 倍的機器，每個機器 20 個隊列。
3.2 讀請求併發量過高
這裏還必須做好壓力測試，確保恰巧碰上上述情況的時候，還有一個風險，就是突然間大量讀請求會在幾十毫秒的延時 hang 在服務上，看服務能不能扛的住，需要多少機器才能扛住最大的極限情況的峯值。
但是因爲並不是所有的數據都在同一時間更新，緩存也不會同一時間失效，所以每次可能也就是少數數據的緩存失效了，然後那些數據對應的讀請求過來，併發量應該也不會特別大。
針對大量讀少量寫 且只是簡單數據更新的情況可以將寫db和刪cache放一個事務中來簡化。
3.3 多服務實例部署的請求路由
可能這個服務部署了多個實例，那麼必須保證說，執行數據更新操作，以及執行緩存更新操作的請求，都通過 Nginx 服務器路由到相同的服務實例上。
比如說，對同一個商品的讀寫請求，全部路由到同一臺機器上。可以自己去做服務間的按照某個請求參數的 hash 路由，也可以用 Nginx 的 hash 路由功能等等。
3.4 熱點商品的路由問題，導致請求的傾斜
萬一某個商品的讀寫請求特別高，全部打到相同的機器的相同的隊列裏面去了，可能會造成某臺機器的壓力過大。
因爲只有在商品數據更新的時候纔會清空緩存，然後纔會導致讀寫併發，所以要根據業務系統去看，如果更新頻率不是太高的話，這個問題的影響並不是特別大，但是可能某些機器的負載會高一些。