缓存与数据库一致性系列

原文出处:缓存与数据库一致性系列

作者:陶笛日记

目录

缓存与数据库一致性系列-01

缓存与数据库一致性系列-02

缓存与数据库一致性系列-03

缓存与数据库一致性系列-04

 

缓存与数据库一致性系列-01

今天,我们来分析一下,缓存与数据库被使用次数最多的一种使用方法

写流程:

第一步先删除缓存,删除之后再更新DB,之后再异步将数据刷回缓存

读流程:

第一步先读缓存,如果缓存没读到,则去读DB,之后再异步将数据刷回缓存

方案分析

优点剖析

1. 实现起来简单

What Should I Say ?

2. “先淘汰缓存,再写数据库” 合理

为什么说这也算优点呢?试想一下

如果把写流程改一下:先更新缓存,再更新DB。 如果我们更新缓存成功,而更新数据库失败,就会导致缓存中的数据是错误的,而我们大部分的业务一般能忍受数据延迟,但是数据错误这是无法接受的,所以先淘汰缓存是比较合理的。 如果把写流程改一下:不删缓存,先更新DB,再更新缓存。 如果我们更新DB成功,而更新缓存失败,则会导致缓存中就会一直是旧的数据(也算是一种错误数据),所以先淘汰缓存是比较合理的。

3. 异步刷新,补缺补漏

在很多业务场景中,缓存只是辅助,所以在很多业务中,缓存的读写失败不会影响主流程,啥意思呢?就是说很多情况下,即使操作缓存失败(比如步骤1.1中的’DEL缓存失败’),程序还是会继续往下走(继续步骤1.2 更新数据库),所以这个时候异步刷新就能在一定程度上,对1.1的失败进行错误数据的修补

说完优点,我们再来看看缺点

缺点剖析

1. 容灾不足

在分布式领域,“Everything will fails”,任何可能出现问题的地方都会出现问题

我们来分析一下写流程,第一步,’DEL缓存失败’怎么办?流程是否还继续走?如果继续执行,那么从’更新完DB’到异步’刷新缓存’缓存期间,数据处于滞后状态。而且如果缓存处于不可写状态,那么异步刷新那步也可能会失败,那缓存就会长期处于旧数据,问题就比较严重了

2. 并发问题

写写并发:试想一下,同时有多个服务器的多个线程进行’步骤1.2更新DB’,更新DB完成之后,它们就要进行异步刷缓存,我们都知道多服务器的异步操作,是无法保证顺序的,所以后面的刷新操作存在相互覆盖的并发问题,也就是说,存在先更新的DB操作,反而很晚才去刷新缓存,那这个时候,数据也是错的

读写并发:再试想一下,服务器A在进行’读操作’,,在A服务器刚完成2.2时,服务器B在进行’写操作’,假设B服务器1.3完成之后,服务器A的1.3才被执行,这个时候就相当于更新前的老数据写入缓存,最终数据还是错的

方案总结

今天介绍的这个方案呢,适合大部分的业务场景,很多人都在用,香还是很香的,实现起来也简单。
适合使用的场景:并发量、一致性要求都不是很高的情况。
我觉得这个方案有一个比较大的缺陷在于刷新缓存有可能会失败,而失败之后缓存中数据就一直会处于错误状态,所以它并不能保证数据的最终一致性,那怎么解决这个问题呢,篇幅有限,我们后续文章再继续分享

 

缓存与数据库一致性系列-02

《缓存与数据库一致性系列-01》文章,我们提到,“它的一个比较大的缺陷在于刷新缓存有可能会失败,而失败之后缓存中数据就一直会处于错误状态,所以它并不能保证数据的最终一致性”

为了保证“数据最终一致性”,我们引入binlog,通过解析binlog来刷新缓存,这样即使刷新失败,依然可以进行日志回放,再次刷新缓存

写流程:

第一步先删除缓存,删除之后再更新DB,我们监听从库(资源少的话主库也ok)的binlog,通过分析binlog我们解析出需要需要刷新的数据,然后读主库把最新的数据写入缓存。

这里需要提一下:最后刷新前的读主库或者读从库,甚至不读库直接通过binlog解析出需要的数据都是ok的,这由业务决定,比如刷新的数据只是表的一行,那直接通过binlog就完全能解析出来;然而如果需要刷新的数据来自多行,多张表,甚至多个库的话,那就需要读主库或是从库才行

读流程:

第一步先读缓存,如果缓存没读到,则去读DB,之后再异步将数据刷回缓存

方案分析

优点剖析

1. 容灾

写步骤1.4或1.5 如果失败,可以进行日志回放,再次重试。
无论步骤1.1是否删除成功,后续的刷新操作是有保证的

妈耶,怎么就一个优点,讲道理这个其实很常用的,那我们再来看看缺点

缺点剖析

分析缺点之前,我们先来看一下知识点

  1. 对于同一张表的同一条记录的更新,Databus会以串行形式的通知下游服务,也就是说,只有当我们正确返回后,它才会推送该记录的下一次更新。

  2. 对于同一张表的不同记录的更新, Databus会以事件时间为顺序的通知下游服务,但并不会等待我们返回后才推送下一条,也就是说它是非串行的。

  3. 对于不同表,根据其下游的消费速度,不同表之间没有明确的时间顺序。

1. 只适合简单业务,复杂业务容易发生并发问题

这里先来解释一下这里说的“简单业务”是啥意思?

简单业务:每次需要刷新的数据,都来自单表单行。

为什么复杂业务就不行呢?我举个例子
我们假设 一个订单 = A表信息 + B表信息

由于A表先变化,经过1,2,3步后,线程1获取了A’B (A表是新数据,B表的老数据),当线程1还没来得及刷新缓存时,并发发生了:

此时,B表发生了更新,经过4,5,6,7将最新的数据A’B’写入缓存,此时此刻缓存数据是符合要求的。

但是,后来线程1进行了第8步,将A’B写入数据,使得缓存最终结果 与 DB 不一致。

缺点1的改进
  • 针对单库多表单次更新的改进:利用事务

当AB表的更新发生在一个事务内时,不管线程1、线程2如何读取,他们都能获取两张表的最新数据,所以刷新缓存的数据都是符合要求的。

但是这种方案具有局限性:那就是只对单次更新有效,或者说更新频率低的情况下才适应,比如我们并发的单独更新C表,并发问题依然会发生。

所以这种方案只针对多表单次更新的情况。

  • 针对多表多次更新的改进:增量更新

每张表的更新,在同步缓存时,只获取该表的字段覆盖缓存。

这样,线程1,线程2总能获取对应表最新的字段,而且Databus对于同表同行会以串行的形式通知下游,所以能保证缓存的最终一致性。

这里有一点需要提一下:更新“某张表多行记录“时,这个操作要在一个事务内,不然并发问题依然存在,正如前面分析的

2. 依然是并发问题

即使对于缺点1我们提出了改进方案,虽然它解决了部分问题,但在极端场景下依然存在并发问题。
这个场景,就是缓存中没有数据的情况:

  • 读的时候,缓存中的数据已失效,此时又发生了更新
  • 数据更新的时候,缓存中的数据已失效,此时又发生了更新

这个时候,我们在上面提到的“增量更新”就不起作用了,我们需要读取所有的表来拼凑出初始数据,那这个时候又涉及到读所有表的操作了,那我们在缺点1中提到的并发问题会再次发生

方案总结

适合使用的场景:业务简单,读写QPS比较低的情况。
今天这个方案呢,优缺点都比较明显,binlog用来刷新缓存是一个很棒的选择,它天然的顺序性用来做同步操作很具有优势;其实它的并发问题来自于Canal 或 Databus。拿Databus来说,由于不同行、表、库的binlog的消费并不是时间串行的,那怎么解决这个问题呢,篇幅有限,我们后续文章再继续分享

参考文献

1. Canal 
2. Databus 
3. Databus & Canal 对比

 

 

 

缓存与数据库一致性系列-03

经过前两篇的讨论,我们离实现“最终一致性”只差一步了

《缓存与数据库一致性系列-02》文章,我们提到上一个方案的并发问题

  • 读的时候,缓存中的数据已失效,此时又发生了更新
  • 数据更新的时候,缓存中的数据已失效,此时又发生了更新

那我们我们可以看到,这个问题就来自于“读数据库” + “写缓存” 之间的交错并发,那怎么来避免呢?
有一个方法就是:串行化,我们利用MQ将所有“读数据库” + “写缓存”的步骤串行化

写流程:

第一步先删除缓存,删除之后再更新DB,我们监听从库(资源少的话主库也ok)的binlog,通过分析binlog我们解析出需要需要刷新的数据标识,然后将数据标识写入MQ,接下来就消费MQ,解析MQ消息来读库获取相应的数据刷新缓存。

关于MQ串行化,大家可以去了解一下 Kafka partition 机制 ,这里就不详述了

读流程:

第一步先读缓存,如果缓存没读到,则去读DB,之后再异步将数据标识写入MQ(这里MQ与写流程的MQ是同一个),接下来就消费MQ,解析MQ消息来读库获取相应的数据刷新缓存。

方案分析

优点剖析

1. 容灾完善

我们一步一步来分析:

写流程容灾分析
  • 写1.1 DEL缓存失败:没关系,后面会覆盖
  • 写1.4 写MQ失败:没关系,Databus或Canal都会重试
  • 消费MQ的:1.5 || 1.6 失败:没关系,重新消费即可
读流程容灾分析
  • 读2.3 异步写MQ失败:没关系,缓存为空,是OK的,下次还读库就好了

2. 无并发问题

这个方案让“读库 + 刷缓存”的操作串行化,这就不存在老数据覆盖新数据的并发问题了

缺点剖析

要什么自行车啦

方案总结

经过3篇由浅入深的介绍,我们终于实现了“最终一致性”。这个方案优点比较明显,解决了我们前几篇一直提到的“容灾问题”和“并发问题”,保证了缓存在最后和DB的一致。如果你的业务只需要达到“最终一致性”要求的话,这个方案是比较合理的。

OK,到目前为止,既然已经实现了“最终一致性”,那我们再进一步,“强一致性”又该如何实现呢?我们下一期继续分享

参考文献

1. Canal 
2. Databus 
3. Kafka

 

缓存与数据库一致性系列-04

经过前三篇的讨论,我们终于的实现了“最终一致性”,那今天呢,我们再进一步,在前一个方案的基础上实现“强一致性”

强一致性,包含两种含义:

  • 缓存和DB数据一致
  • 缓存中没有数据(或者说:不会去读缓存中的老版本数据)

首先我们来分析一下,既然已经实现了“最终一致性”,那它和“强一致性”的区别是什么呢?没错,就是“时间差”,所以:

“最终一致性方案” + “时间差” = “强一致性方案”

那我们的工作呢,就是加上时间差,实现方式:我们加一个缓存,将近期被修改的数据进行标记锁定。读的时候,标记锁定的数据强行走DB,没锁定的数据,先走缓存

写流程:

我们把修改的数据通过Cache_0标记“正在被修改”,如果标记成功,则继续往下走,后面的步骤与上一篇是一致的《缓存与数据库一致性系列-03》;那如果标记失败,则要放弃这次修改。

何为标记锁定呢?比如你可以设定一个有效期为10S的key,Key存在即为锁定。一般来说10S对于后面的同步操作来说基本是够了~

如果说,还想更严谨一点,怕DB主从延迟太久、MQ延迟太久,或Databus监听的从库挂机之类的情况,我们可以考虑增加一个监控定时任务。
比如我们增加一个时间间隔2S的worker的去对比以下两个数据:

  • 时间1: 最后修改数据库的时间
    VS
  • 时间2: 最后由更新引起的’MQ刷新缓存对应数据的实际更新数据库’的时间

数据1: 可由步骤1.1获得,并存储
数据2: 需要由binlog中解析获得,需要透传到MQ,这样后面就能存储了
这里提一下:如果多库的情况的话,存储这两个key需要与库一一对应

如果 时间1 VS 时间2 相差超过5S,那我们就自动把相应的缓存分片读降级。

读流程:

先读Cache_0,看看要读的数据是否被标记,如果被标记,则直接读主库;如果没有被标记,后面的步骤与上一篇是一致的(《缓存与数据库一致性系列-03》)。

方案分析

优点剖析

1. 容灾完善

我们一步一步来分析:

写流程容灾分析
  • 写1.1 标记失败:没关系,放弃整个更新操作
  • 写1.3 DEL缓存失败:没关系,后面会覆盖
  • 写1.5 写MQ失败:没关系,Databus或Canal都会重试
  • 消费MQ的:1.6 || 1.7 失败:没关系,重新消费即可
读流程容灾分析
  • 读2.1 读Cache_0失败:没关系,直接读主库
  • 读2.3 异步写MQ失败:没关系,缓存为空,是OK的,下次还读库就好了

2. 无并发问题

这个方案让“读库 + 刷缓存”的操作串行化,这就不存在老数据覆盖新数据的并发问题了

缺点剖析

1. 增加Cache_0强依赖

这个其实有点没办法,你要强一致性,必然要牺牲一些的。
但是呢,你这个可以吧Cache_0设计成多机器多分片,这样的话,即使部分分片挂了,也只有小部分流量透过Cache直接打到DB上,这是完全是可接受的

2. 复杂度是比较高的

涉及到Databus、MQ、定时任务等等组件,实现起来复杂度还是有的

方案总结

OK,到此呢,我们已经实现了“数据库和缓存强一致性”,这个系列就先这样啦,等我学到了更好的方案,再来分享~

这里还是要提一下:一致性的要求根据自己的业务决定就好,适合的才是最好的

后记

如果对你有帮助,那就再好不过了~

参考文献

1. Canal 
2. Databus 
3. Kafka 
4. Redis Expire 命令

posted @ 2019-09-06 12:44  -零  阅读(515)  评论(0编辑  收藏