亿级流量，如何保证Redis与MySQL的一致性？失败如何设计补偿？
说在前面
只要使用到缓存，无论是本地缓存还是使用Redis做缓存，那么就会存在数据同步不一致的问题。
1、 先读取缓存，缓存数据有，则立即返回结果；
2、 如果缓存中没有数据，则从数据库中读取数据；
3、 把读取到的数据同步到缓存中，提供下次读请求返回数据；
这样的作法是大多数人使用缓存的方式，这样能有效减轻数据库压力，但是如果修改删除数据，因为缓存无法感知到数据在数据库中的修改。
这样就会造成数据库中的数据与缓存中数据不一致。
那么该如何解决呢？
有下面4种解决方案：
1、 先更新缓存，再更新数据库；
2、 先更新数据库，再更新缓存；
3、 先删除缓存，后更新数据库；
4、 先更新数据库，后删除缓存；
下面我们一一来看下每个方案的可行性：
一、先更新缓存，再更新数据库
这个方案我们一般不考虑。原因是更新缓存成功，但是更新数据库出现异常了。
会导致缓存数据与数据库数据完全不一致，而且很难察觉，因为缓存中的数据一直都存在。
二、先更新DB，再更新缓存
这个方案我们一般也是不考虑，原因跟方案1一样，数据库更新成功了，缓存更新失败，同样会出现数据不一致问题，且不容易被发现，因为缓存中一直存在数据。
三、先删除缓存，后更新DB
这个方案再并发场景下也会出问题，具体出现的原因如下：
两个并发请求：请求A（更新操作）和请求B（读取操作）
1、 请求A会先删除Redis中的数据，然后去更新数据库；
2、 此时请求B看到Redis中的数据是空的，回去数据库中查询该值，补充到Redis缓存中；
3、 此时请求A并没有更新成功，或者是事务还未提交（MySQL的事务隔离级别，会导致未提交的事务数据不会被另一个线程看到），请求B去数据库查询得到旧值.；
这时候就会产生数据库和Redis数据不一致的问题。
因此一般也不建议这种方式
虽然不建议，但是如果你是采用了这种方式，该如何解决数据不一致的问题呢？
其实最简单的办法就是延时双删的策略：
1、 先淘汰缓存；
2、 再写数据库；
3、 休眠1s，再次淘汰缓存；
这样做，可以将1s内所造成的缓存脏数据，再次删除。
但是，但是，这个1s怎么确定的，具体该休眠多久呢？
1、 自行评估自己的项目的读数据业务逻辑的耗时（这个我们可以利用SkyWalking等监控工具评估耗时）；
2、 评估写数据的休眠时间（在读数据业务耗时的基础上，加几百ms即可）；
这样做的目的，就是确保读请求结束，写请求可以删除读请求造成的缓存脏数据。
延时双删就能彻底解决不一致吗？如果面试官这样问你，你千万不能回答是的。
第一，我们评估的延时时间（读请求耗时+几百毫秒），并不能完全代表实际运行过程中的耗时，运行过程如果因为系统压力过大，我们评估的耗时就是不准确，仍然会导致数据不一致的出现
第二，延时双删虽然在保证事务提交完以后再进行删除缓存，但是如果你使用的是MySQL的读写分离的机构，主从同步之间其实也会有时间差。
此时该如何解决呢？
解决办法有两个：
1、 还是使用延时双删策略，只是睡眠时间改为在主从同步的延时时间基础上，加几百毫秒（读接口耗时+主从延迟时间+几百毫秒）；
2、 对Redis进行填充数据查询（更新缓存时查询数据库），强制走主库查询，那么我们延时双删就没必要增加主从延时时间了（增加个主从延时时间也会增加更大的不确定性，因为主从延时时间也是不稳定的）；
如果面试官继续深入的问你，采用这种同步延时双删的淘汰策略，接口的吞吐量降低怎么办？（数据变更时，更新接口都要多休眠一个延时时间）
既然同步会降低吞吐量，那就同步改异步（性能优化的常用手段）。
将第二次删除的操作，异步起一个线程，异步删除，这样写的请求就不用沉睡一段时间后才能返回了。
总的来说，先删除缓存，再更新数据库的方式，还是瑕疵较多，发生数据一致性的问题和性能问题的概率更大。比如：
1、 先删除缓存可能导致读请求因缓存缺失而大量访问数据库（尤其是高并发场景的电商，可能一瞬间就把数据库打挂了）；
2、 读请求接口的耗时和写缓存的时间，估算不够准确，会导致延迟双删中的sleep时间不好设置；
下面我们来看最后一种解决方案，这个解决方式是4个方案中发生数据不一致性的概率最低的。
四、先更新DB，后删除缓存
读的时候，先读缓存，缓存没有的话，就读数据库，然后取出数据后放入缓
存，同时返回响应。更新的时候，先更新数据库，然后再删除缓存。
这种方案下就不存在数据不一致性的问题了么？
其实是依然存在的，尤其是在大型互联网电商，高并发系统中，并发问题导致的数据一致性的数据量非常大。
假设两个请求，请求A和请求B，请求A做查询操作（读请求），请求B做更新操作（写请求）
当高并发场景下，会有如下情形出现：
1、 缓存刚好失效；
2、 请求A查询数据库，得到一个旧值；
3、 请求B将新值写入数据库；
4、 请求B删除缓存；
5、 请求A将查到的旧值写入缓存；
高并发场景下，确实有可能会发生上述的情况，产生脏数据。
然而，发生这种的概率又有多少呢？
❝
发生上述情况的一个先天性条件，就是步骤（3）的写数据库操作比步骤（2）的读数据库操作耗时更短，才有可能使得步骤（4）先于步骤（5）。
可是，大家想想，数据库的读操作的速度远快于写操作的（不然做读写分离干嘛，做读写分离的意义就是因为读操作比较快，耗资源少）。
因此步骤（3）耗时比步骤（2） 更短，这一情形很难出现。
但是，如果面试官问你：如果我的业务属性要求一定要解决怎么办？那么如何解决上述并发问题？
首先，给缓存设置过期时间是一种有效的方案。
如果你的业务数据对实时性要求不是很高，可以接受数据的短时间数据不一致的场景，我们此种方案就可以解决了（比如商品详情中的描述、属性等）
其次，仍可以采用异步延时删除的策略。
参考方案3中的异步延时删除策略方案，删除的方案其实还有问题，这个我们放在后面说
一般采用这些手段几乎就已经把Redis缓存和数据库数据不一致的概率降到了极低。
如果非要强一致性，极低的数据不一致的概率都不能接受，那么该如何解决呢？
其实也有解决方案：那就是加锁，在读请求加一个读锁，所有的读请求不阻塞，在写请求加一个写锁，一旦有写请求，则暂时阻塞读，等写请求处理完，删除完缓存再放开读。
如果你的业务并发要求不高，读多写少，且对数据一致性有很高的要求，可以采用这种方案，但是保证强一致性的同时，就会损失一些性能，所以该不该用这种方案，大家可以根据自己业务的属性做好权衡。
方案补充（重要）
3、 4都属于删除缓存类，其实删除缓存类都会有一个共同的问题，那就是在删除缓存的阶段出错了怎么办？此时再读取缓存的时候每次都是错误的数据了；
此时解决方案有两个：
一、利用消息队列进行删除失败的补偿
具体的业务逻辑如下：
1、 请求A先对数据库进行更新操作；
2、 在对Redis进行删除操作的时候发现报错，删除失败；
3、 此时将Redis的key作为消息体发送到消息队列中；
4、 系统接收到消息队列发送的消息后；
5、 再次对Redis进行删除操作；
但是这个方案会有一个缺点，就是会对业务代码造成大量的侵入，深深的耦合在一起。
所以还有一个优化的方案
二、订阅MySQL的binlog日志，异步删除
我们知道对 Mysql 数据库更新操作后 ，在 binlog日志中我们都能够找到相应的操作，那么我们可以订阅 Mysql数据库 的 binlog日志对缓存进行操作，这样就达到了一个解耦的目的了。
业务代码流程如下：
1、 更新数据库，更新完成后，触发binlog消息；
2、 经常B（消费者）订阅binlog消息，执行缓存删除操作；
3、 缓存删除失败，将删除任务丢到消息队列中；
4、 进程B获取删除失败任务；
5、 执行二次删除redis缓存；
说到底就是通过数据库的 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。
先更新DB，后删除缓存，这种方式，被称为 Cache Aside Pattern，属于缓存更新的经典设计模式之一。
所以如果大家做缓存与数据库的同步，推荐大家选择这一种方式。
总结
至此，亿级电商流量，高并发下Redis与MySQL的数据一致性如何保证的方案，非常圆满了。以上的内容，如果大家能烂熟于心、对答如流、如数家珍，基本上 面试官会被你 震惊到、吸引到。
