什么是数据的一致性

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

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

同一时间点，你在节点 A 中获取到的值与在节点 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实现，目前分布式系统中广泛实现的是最终一致性。

所谓最终一致性，就是不保证在任意时刻任意节点上的同一份数据都是相同的，但是随着时间的迁移，不同节点上的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。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。

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。