如何保证MySQL和Redis的数据一致性？

  

图片来自 包图网

【.com原创稿件】今天给大家剖析一下工作中常见的何保和 MySQL 和 Redis 数据一致性问题。

什么是何保和数据的一致性

一致性就是数据保持一致，在分布式系统中，何保和可以理解为多个节点中数据的何保和值是一致的。

而一致性又可以分为强一致性与弱一致性。何保和强一致性可以理解为在任意时刻，何保和所有节点中的何保和数据是一样的。

同一时间点，何保和你在节点 A 中获取到的何保和值与在节点 B 中获取到的值应该都是一样的。

弱一致性包含很多种不同的何保和实现，目前分布式系统中广泛实现的何保和是最终一致性。

所谓最终一致性，何保和就是何保和不保证在任意时刻任意节点上的同一份数据都是相同的，服务器托管但是何保和随着时间的迁移，不同节点上的何保和同一份数据总是在向趋同的方向变化。

也可以简单的理解为在一段时间后，节点间的数据会最终达到一致状态。

当下互联网绝大部分公司都进行了数据库拆分和服务化(SOA)微服务。在这种情况下，完成某一个业务功能可能需要横跨多个服务，操作多个数据库(包含关系型数据库，非关系型数据库)。

这就涉及到需要操作的资源位于多个资源服务器上，而应用需要保证对于多个资源服务器的数据的操作，要么全部成功，要么全部失败，因此我们必须保证不同资源服务器的数据一致性。

那么数据一致性有哪些类型呢?我在这里给他做个具体的分类，让大家实现数据一致性到底在什么场景下需要实现数据一致性。

①跨库数据一致性

库数据量比较大或者预期未来的数据量比较大，都会进行分库分表存储。那就意味着同一个表的数据可能存储在不同库中。云服务器此时也存储分布式场景下数据一致性问题。

②微服务拆分

现在互联网企业都使用微服务架构，服务被拆分成很多不同的相互独立的系统，系统之间通过网络进行通信，每一个服务都自己独立的数据库。

例如：某个应用同时操作了多个库，这样的应用业务逻辑必然非常复杂，对于开发人员是极大的挑战，应该拆分成不同的独立服务，以简化业务逻辑。拆分后，独立服务之间通过 RPC 框架来进行远程调用，实现彼此的通信。

此时上图所描述的架构中对应 2 个对应分布式事务处理点：

多个服务之间事务处理(一个服务调用多个服务) 多数据源事务处理(一个服务访问多个数据源)

Service A 完成某个功能需要直接操作数据库，同时需要调用 Service B 和 Service C，而 Service B 又同时操作了 2 个数据库，Service C 也操作了一个库。

需要保证这些跨服务的对多个数据库的操作要不都成功，要不都失败，实际上这可能是最典型的数据一致性场景。源码下载

③基于不同类型数据存储

数据一致性另一个场景就是同时操作不同的种类的数据库，但同时还需要满足不同的数据库的数据一致性问题。

缓存数据一致基本上是指：如果缓存中有数据，那么缓存的数据值等于数据库中的值。

但是根据缓存中是有数据为依据，则”一致“可以包含以下的两种情况：

缓存中有数据，那么缓存的数据值等同于数据库中的值(需均为最新值，本文将“旧值的一致”归类为“不一致状态”)。 缓存中本没有数据，那么数据库中的值等同于最新值(有请求查询数据库时，会将数据写入缓存，则变为上面的“一致”状态)。

数据不一致：缓存的数据值不等同于数据库中的值;缓存或者数据库中存在旧值，导致其他线程读到旧数据。

本文将会带大家详细了解一下缓存一致性如何实现，以及缓存一致性的原理是什么样的。

数据不一致情况及应对策略

根据是否接收写请求，可以把缓存分成读写缓存和只读缓存：

只读缓存：只在缓存进行数据查找，即可以使用 “更新数据库+删除缓存” 策略。 读写缓存：需要在缓存中对数据进行增删改查，即可以使用 “更新数据库+更新缓存”策略。

①针对只读缓存

只读缓存：新增数据时，直接写入数据库;更新(修改/删除)数据时，先删除缓存。

后续，访问这些增删改的数据时，会发生缓存缺失，进而查询数据库，更新缓存。

新增数据时，写入数据库;访问数据时，缓存缺失，查数据库，更新缓存(始终是处于”数据一致“的状态，不会发生数据不一致性问题)。

更新(修改/删除)数据时，会有个时序问题：更新数据库与删除缓存的顺序(这个过程会发生数据不一致性问题)。

在更新数据的过程中，可能会有如下问题：

无并发请求下，其中一个操作失败的情况。 并发请求下，其他线程可能会读到旧值。

因此，要想达到数据一致性，需要保证两点：

无并发请求下，保证 a 和 b 步骤都能成功执行。 并发请求下，在 a 和 b 步骤的间隔中，避免或消除其他线程的影响。

接下来，我们针对有/无并发场景，进行分析并使用不同的策略。

②无并发情况

无并发请求下，在更新数据库和删除缓存值的过程中，因为操作被拆分成两步，那么就很有可能存在“步骤 1 成功，步骤 2 失败” 的情况发生。

由于单线程中步骤 1 和步骤 2 是串行执行的，不太可能会发生 “步骤 2 成功，步骤 1 失败” 的情况。

先删除缓存，再更新数据库：

先更新数据库，再删除缓存：

因此，如果先删除缓存，后更新数据库，那么删除缓存成功，更新数据库失败，以致于请求无法命中缓存，读取数据库旧值，存在一致性问题。

如果先更新数据库，后删除缓存，那么更新数据库成功，删除缓存失败，以致于请求命中缓存，读取命中缓存旧值，也存在一致性问题

那么它的解决策略是什么呢?消息队列+异步重试。

无论使用哪一种执行时序，可以在执行步骤 1 时，将步骤 2 的请求写入消息队列，当步骤 2 失败时，就可以使用重试策略，对失败操作进行 “补偿”。

③高并发情况

使用以上策略后，可以保证在单线程/无并发场景下的数据一致性。但是，在高并发场景下，由于数据库层面的读写并发，会引发的数据库与缓存数据不一致的问题(本质是后发生的读请求先返回了)。

(1) 先删除缓存，再更新数据库

假设线程 1 删除缓存值后，由于网络延迟等原因导致未及更新数据库，而此时，线程 2 开始读取数据时会发现缓存缺失，进而去查询数据库。

而当线程 2 从数据库读取完数据、更新了缓存后，线程 1 才开始更新数据库，此时，会导致缓存中的数据是旧值，而数据库中的是最新值，产生“数据不一致”。

其本质就是，本应后发生的“线程 2-读请求” 先于 “线程 1-写请求” 执行并返回了。

那么针对这种问题，我们的解决策略如下所示：

设置缓存过期时间 + 延时双删：通过设置缓存过期时间，若发生上述淘汰缓存失败的情况，则在缓存过期后，读请求仍然可以从 DB 中读取最新数据并更新缓存，可减小数据不一致的影响范围。虽然在一定时间范围内数据有差异，但可以保证数据的最终一致性。

此外，还可以通过延时双删进行保障：在线程 1 更新完数据库值以后，让它先 sleep 一小段时间，确保线程 2 能够先从数据库读取数据，再把缺失的数据写入缓存，然后，线程 1 再进行删除。

后续，其它线程读取数据时，发现缓存缺失，会从数据库中读取最新值。

redis.delKey(X) db.update(X) Thread.sleep(N) redis.delKey(X) 

sleep 时间：在业务程序运行的时候，统计下线程读数据和写缓存的操作时间，以此为基础来进行估算。

(2) 先更新数据库，再删除缓存

如果线程 1 更新了数据库中的值，但还没来得及删除缓存值，线程 2 就开始读取数据了，那么此时，线程 2 查询缓存时，发现缓存命中，就会直接从缓存中读取旧值。

其本质也是，本应后发生的“2 线程-读请求” 先于 “1 线程-删除缓存” 执行并返回了。

或者，在”先更新数据库，再删除缓存”方案下，“读写分离+主从库延迟”也会导致不一致。

以上问题的解决方案如下所示：

延迟消息：凭借经验发送「延迟消息」到队列中，延迟删除缓存，同时也要控制主从库延迟，尽可能降低不一致发生的概率。

订阅 binlog，异步删除：通过数据库的 binlog 来异步淘汰 key，利用工具(canal)将 binlog 日志采集发送到 MQ 中，然后通过 ACK 机制确认处理删除缓存。

删除消息写入数据库：通过比对数据库中的数据，进行删除确认 先更新数据库再删除缓存，有可能导致请求因缓存缺失而访问数据库，给数据库带来压力，也就是缓存穿透的问题。针对缓存穿透问题，可以用缓存空结果、布隆过滤器进行解决。

加锁：更新数据时，加写锁;查询数据时，加读锁 保证两步操作的“原子性”，使得操作可以串行执行。“原子性”的本质是什么?不可分割只是外在表现，其本质是多个资源间有一致性的要求，操作的中间状态对外不可见。

建议，优先使用“先更新数据库再删除缓存”的执行时序，原因主要有两个：

先删除缓存值再更新数据库，有可能导致请求因缓存缺失而访问数据库，给数据库带来压力。 业务应用中读取数据库和写缓存的时间有时不好估算，进而导致延迟双删中的 sleep 时间不好设置。

④针对读写缓存

读写缓存：增删改在缓存中进行，并采取相应的回写策略，同步数据到数据库中

同步直写：使用事务，保证缓存和数据更新的原子性，并进行失败重试(如果 Redis 本身出现故障，会降低服务的性能和可用性)。

异步回写：写缓存时不同步写数据库，等到数据从缓存中淘汰时，再写回数据库(没写回数据库前，缓存发生故障，会造成数据丢失) 该策略在秒杀场中有见到过，业务层直接对缓存中的秒杀商品库存信息进行操作，一段时间后再回写数据库。

一致性：同步直写>异步回写，因此，对于读写缓存，要保持数据强一致性的主要思路是：利用同步直写，同步直写也存在两个操作的时序问题：更新数据库和更新缓存。

无并发情况：

高并发情况，有四种场景会造成数据不一致：

针对场景 1 和 2 的解决方案是：保存请求对缓存的读取记录，延时消息比较，发现不一致后，做业务补偿。

针对场景 3 和 4 的解决方案是：对于写请求，需要配合分布式锁使用。

写请求进来时，针对同一个资源的修改操作，先加分布式锁，保证同一时间只有一个线程去更新数据库和缓存;没有拿到锁的线程把操作放入到队列中，延时处理。用这种方式保证多个线程操作同一资源的顺序性，以此保证一致性。

其中，分布式锁的实现可以使用以下策略：

乐观锁：使用版本号、updatetime;缓存中只容许高版本覆盖低版本。 Watch 实现 Redis 乐观锁：Watch 监控 Rediskey 的状态值，创建 Redis 事务，key+1，执行事务，key 被修改过则回滚。 Setnx：获取锁：set/setnx;释放锁：del/lua。

Redisson 分布式锁：利用 Redis 的 hash 结构作为储存单元，将业务指定的名称作为 key，将随机 UUID 和线程 ID 作为 fleld，最后将加锁的次数作为 value 来储存，线程安全。

⑤强一致性策略

上述策略只能保证数据的最终一致性。要想做到强一致，最常见的方案是 2PC、3PC、Paxos、Raft 这类一致性协议，但它们的性能往往比较差，而且这些方案也比较复杂，还要考虑各种容错问题。

如果业务层要求必须读取数据的强一致性，可以采取以下策略：

暂存并发读请求：在更新数据库时，先在 Redis 缓存客户端暂存并发读请求，等数据库更新完、缓存值删除后，再读取数据，从而保证数据一致性。

串行化：读写请求入队列，工作线程从队列中取任务来依次执行，修改服务 Service 连接池，id 取模选取服务连接，能够保证同一个数据的读写都落在同一个后端服务上。

修改数据库 DB 连接池，id 取模选取 DB 连接，能够保证同一个数据的读写在数据库层面是串行的。

使用 Redis 分布式读写锁：将淘汰缓存与更新库表放入同一把写锁中，与其他读请求互斥，防止其间产生旧数据。

读写互斥、写写互斥、读读共享，可满足读多写少的场景数据一致，也保证了并发性。并根据逻辑平均运行时间、响应超时时间来确定过期时间。

作者：JackHu

简介：水滴健康基础架构资深技术专家

编辑：陶家龙

征稿：有投稿、寻求报道意向技术人请联络 editor@51cto.com

【原创稿件，合作站点转载请注明原文作者和出处为.com】