跳到主要内容
约 9 分钟3 张卡

缓存一致性

缓存一致性说的是缓存里的副本和数据库里的权威数据之间有多大差异、差异能持续多久。缓存和数据库分别更新时,两步操作之间会有时间差,还可能有一步失败。设计缓存时,要明确旧值最多允许存在多久、故障后怎样恢复一致。

具体到更新流程,为什么要先提交数据库再删缓存?删完缓存为什么还会被旧值填回去?删除失败后又靠什么继续重试?

1. 面试核心​

先记住这几条,再读正文
  • Cache-aside 未命中时回源数据库,更新时先提交数据库,再删除缓存。卡 · Cache-aside
  • 缓存删除成功后,一个更早开始的慢读请求仍可能把旧值回填进缓存。卡 · 旧值回填与版本水位
  • TTL 从缓存写入时开始计时,所以旧值回填会让旧副本重新获得一整段 TTL。卡 · 旧值回填与版本水位
  • 删除失败要靠持久化的失效事件来重试;Redis Pub/Sub 断线期间的消息会丢,不能单独承担这件事。卡 · 可靠失效事件
  • 必须读到最新值时,到数据库主库发起新查询;MySQL RR 事务里已经建立的快照仍会返回旧版本。

2. 适合缓存的数据​

适合放进缓存的,是读得多、并且允许短暂读到旧值的数据,比如商品详情、用户资料。回源越贵,缓存的收益越大。反过来,如果每次判断都必须基于当前最新状态,比如扣库存前检查余量,这个判断就应该交给数据库完成。

决定缓存一类数据之前,先把这几件事定下来:

  • 数据库是权威来源,缓存只保存随时可以重建的副本。
  • 接口能接受多久的旧值,要和业务方约定清楚。
  • 每类 key 的大小、访问频率和 TTL 要有记录。
  • 缓存整体丢失时,数据库能承受多大的重建流量,并且有办法限流。

明确这些条件后,才能判断 TTL、失效重试等措施是否满足业务要求。

3. Cache-aside​

Cache-aside(旁路缓存)是由应用自己负责缓存和数据库读写的模式,缓存本身不知道数据库的存在:

读取:查缓存 → 未命中时查数据库 → 回填缓存
更新:提交数据库 → 删除缓存

更新时删除缓存而不是直接写入新值,是因为删除之后,下一次读取会走统一的回源逻辑重建缓存,重建只有这一条路径。如果改成直接更新缓存,多个写入者到达缓存的顺序可能和它们提交数据库的顺序不同,就得额外协调顺序,常见问题里有具体例子。

TTL 给每个缓存副本设了寿命上限,即使后面讲的竞态让旧值留了下来,到期后也会被清掉。不过过期后回源的那次数据库查询,本身也要读到足够新的数据,否则只是把旧值换个时间再写一遍。

4. 更新顺序​

更新时应该先提交数据库,再删缓存。反过来先删缓存的话,数据库里还是旧值,这时有读请求进来,缓存未命中,就会从数据库读到旧值并回填;之后写事务才提交,缓存里留下的就是一份旧副本,要等 TTL 到期才会消失。

先提交再删除,可以避免回源发生时写事务尚未提交的问题。不过,回源查询仍可能受旧快照或副本延迟影响,见强一致读取。另一种风险是数据库提交成功了,删除缓存却失败了,比如 Redis 超时。数据库提交和 Redis 删除是两个系统里的两步操作,本地数据库事务只能保证前一步,所以删除失败后必须有办法继续重试:

  • 每个缓存副本都设置符合业务要求的 TTL,作为最后的兜底。
  • 同步删除限制重试次数和耗时,不让写请求一直卡在缓存上。
  • 用持久化的失效事件记下「这个 key 还需要删除」,供后续重试,做法见可靠失效事件。
  • 事件积压、缓存与数据库长期存在版本差异时,触发监控告警。

5. 并发竞态​

先提交再删除也不能完全避免旧值,因为读请求可能在删除之前就已经读到了旧值:

  1. 读请求未命中缓存,从数据库读到旧值。
  2. 写请求提交新值,随后删除缓存。
  3. 读请求这时才恢复执行,把手里的旧值写进缓存。

第 3 步发生在删除之后,所以删除挡不住它。窗口有多大,取决于数据库查询有多慢、进程会不会暂停(比如 GC 停顿)。它的触发条件比「先删缓存」苛刻:读请求要在写请求提交之前读完数据库,又要在删除之后才写缓存。

怎么处理,取决于业务能接受多久的旧值:

  • 短 TTL 缩短一份旧副本最多能留多久。
  • 版本校验让已经落后的回填写不进去,见下一节。
  • 热点 key 的加载合并成一个请求,减少同时在跑的旧查询。
  • 余额、库存这类关键判断交给数据库,用一条语句原子完成检查和更新。

6. 旧值回填与版本水位​

旧值回填的危害比看上去大,因为 TTL 从回填那一刻才开始计时。假设数据库更新后,一个持有旧结果的查询又暂停了 30 秒,恢复时用 60 秒的 TTL 回填。从数据库更新到这份旧副本过期,就经过了约 90 秒,超过了 TTL 本身。

直觉上的办法是在缓存值里带一个版本号,回填时比较版本,旧的不写。问题在于删除缓存时,版本号也跟着被删掉了。缓存里什么都没有,旧回填找不到可比较的新版本,照样能写进去。

所以版本信息要和缓存值分开存。版本水位是为每个 key 单独保存的最低可接受版本:失效事件在清除旧副本的同时,原子地把水位提高到新版本;回填用一段脚本先比较版本和水位,只有版本不低于水位的数据才写入。水位要保留足够久,直到所有可能还在跑的旧加载请求都已经结束。

这套方案要成立,还得限制单次加载最多能跑多久,并考虑失效事件本身的投递延迟。它是读写双方共同遵守的业务协议,不是给缓存值加一个 version 字段就能完成的。

7. 可靠失效事件​

删除失败后要能继续重试,前提是「需要删除这个 key」被持久化下来。常见做法是 Outbox:在同一个数据库事务里,同时写入业务数据和一条失效事件记录。事务提交后,消费者读取事件、删除缓存,成功后再确认事件。删除同一个 key 执行多少次结果都一样,所以消费者可以放心重试。

另一种做法是订阅数据库的 binlog,从数据变更里推导出要删除的 key。这时要保存消费位点,中断后能接着消费,并监控积压。事件可能乱序到达,维护版本水位时不能让旧事件把较新的水位改回去。

Redis Pub/Sub 不能单独承担这个角色。它是至多一次投递:订阅端断线期间发布的消息不会保留下来等它重连后补收,这段时间的失效通知就丢了。

8. Read-through 与 Write-through​

Cache-aside 之外,还有几种把协调工作交给缓存组件的模式:

  • Read-through:缓存组件在未命中时自己加载数据,应用只和缓存打交道。
  • Write-through:写入缓存组件时,由它同步写入权威存储。
  • Write-behind:缓存组件先接收更新,再异步写回权威存储。

这些模式把一致性的责任从应用代码移到了数据访问组件里,问题本身并没有消失。Write-behind 尤其要小心:更新在写回之前只存在于缓存中,需要持久化的队列、写入顺序控制和失败恢复。只有业务能接受数据异步落库时,才适合用它。

9. 多级缓存​

加上进程内缓存后,进程内缓存、Redis 和数据库就是三份状态。只删掉 Redis 里的 key,各个应用实例内存里的旧值还在,同样需要失效。

Redis 6.0 起提供服务端辅助的客户端缓存(client-side caching):Redis 记录客户端读过哪些 key,这些 key 被修改时,向跟踪连接发送失效通知。跟踪连接断开后,客户端收不到这期间的通知,所以要清空相关的本地缓存,或者重新验证。

不用这项功能、自己维护本地缓存时,同样需要失效广播加 TTL。不管有几层,每一层都要有一条故障之后能重新收敛的路径。

10. 强一致读取​

必须读到刚提交的新值时,绕开缓存,到数据库主库发起一次新查询。这里有两个条件容易忽略:MySQL 在可重复读(RR)隔离级别下,一个事务里已经建立的快照会继续返回旧版本;从只读副本读取,又会受复制延迟影响。

库存或余额这类「先检查再更新」的操作,可以直接写成条件 UPDATE,让检查和更新在同一条数据库语句里完成,中间没有其他请求插进来的机会。

延迟双删、重试这些手段只能缩小部分缓存竞态。如果真要求缓存和数据库跨系统强一致,需要的是完整的一致性协议。

11. 缓存指标​

缓存指标要按接口和 key 前缀拆开看,整体数字会掩盖问题:

  • 命中率与回源量,反映缓存带来了多少收益。
  • TTL 与副本版本,反映旧值会保留多久。
  • 加载耗时与并发量,反映重建时数据库的压力。
  • 失效事件积压与失败次数,反映故障恢复的进度。
  • 定期抽样比对缓存和数据库,发现长期不一致。

整体命中率很高时,个别接口仍可能一直在回源。做缓存故障演练时,要同时观察数据库能不能扛住。

12. 常见问题​

12.1 为什么不在更新数据库后直接更新缓存?​

更新时直接写缓存,可能让旧值覆盖新值,因为数据库提交顺序和缓存写入顺序可以不同。比如两个写请求在数据库里先提交 A、再提交 B,写缓存时却是 B 先到、A 后到,最后缓存里留下的是旧值 A。改成删除缓存后,新值统一由回源读取,写入者之间不需要再协调顺序。

12.2 延迟双删能彻底解决旧值回填吗?​

13. 面试题卡片​

14. 参考资料​

来源:Coding 101 原文 · 免费阅读,引用请保留出处。内容使用说明