在分布式系统中，如何保证缓存与数据库的数据一致性？（持续更新中）

一键三连，让算法推荐更多类似干货 ~
你最近面试被问到的最难的题是什么？ 评论区交流，我来解答。
突然发现自己欠了一屁股 技术债 ？ 别薅头发了 —— 关注本专栏，带你清债～

口诀：

读多写少用旁路，先更库再删缓存；
强一致选写透，缓存代理更库走；
性能优先用写回，异步批量有风险；
高并发加双删，延迟兜底防旧残；
强一致用锁串，并发虽低稳如山。

（点个赞，算法会给你推荐更多类似干货 ~）

一、核心方案及适用场景

1. Cache Aside Pattern（缓存旁路模式）

“旁路” 的意思是 “侧面辅助”。

流程：

读操作：先查缓存，命中则返回；未命中则查数据库，再将数据写入缓存。

写操作：先更新数据库，再删除缓存（而非更新缓存）。

为什么删缓存而非更新？

避免 “并发写” 导致的不一致：比如请求 1 更新数据库后正要更新缓存，请求 2 已修改数据库并更新了缓存，此时请求 1 的旧数据会覆盖新数据。删除缓存可让下次读请求重新从数据库加载最新数据。

适用场景：

读多写少（如商品详情页），对一致性要求不极致（允许短暂缓存缺失）。

2. Write Through（写透模式）

写透：写操作时，数据会 “穿透” 缓存直接到达数据库。

流程：

写操作时，先更新缓存，再由缓存同步更新数据库（缓存作为数据库的 “代理”）。

优点：

缓存与数据库强一致，写完缓存即保证数据库也更新。

缺点：

写操作延迟高（需等数据库确认），不适合高并发写场景。

适用场景：

对一致性要求高、写操作不频繁的场景（如金融账户余额）。

3. Write Back（写回模式）

流程：

写操作时只更新缓存，缓存异步批量更新数据库（如设置定时刷新）。

优点：

写操作性能极高（不阻塞数据库）。

缺点：

缓存故障会导致数据丢失，一致性最差。

适用场景：

对性能要求极高、可容忍短暂数据丢失的场景（如日志缓存）。

写入缓存失败 怎么办：

先自救（重试）→ 再兜底（降级）→ 最后根治（监控修复）
（一）重试机制
（二）同步写数据库（降级为写穿模式）
适合 “业务绝对不能丢数据” 的场景（如金融交易记录、订单关键信息）。
（三）临时落本地文件，后续定时任务重试。
适合 “数据很重要，但当前所有存储都故障” 的极端情况。
（四）监控与告警
通过监控系统（如 Prometheus）统计 “缓存写入失败次数”，超过阈值（如 1 分钟内失败 10 次）触发告警，通知运维抢修。
所有降级逻辑都是 “临时补丁”，核心是让问题暴露并被修复。

4. 延迟双删（解决缓存删除延迟问题）

流程：

写操作时，先更新数据库，再删缓存；
延迟一段时间（如 500ms），再次删除缓存。

作用：

避免 “读请求在写请求更新数据库前加载了旧缓存” 导致的不一致（第一次删缓存可能因网络延迟没生效，第二次删除兜底）。

适用场景：

高并发读写场景（如秒杀商品库存更新）。

5. 分布式锁 + 串行化（强一致性保障）

流程：

读写操作都加分布式锁，确保同一数据的读写串行执行（先完成写操作，再允许读操作加载新数据）。

优点：

彻底避免并发冲突，数据强一致。

缺点：性能低（串行化牺牲并发）。

适用场景：数据一致性要求极高（如交易金额），并发量不高的场景。

一键三连，让算法推荐更多类似干货 ~
你最近面试被问到的最难的题是什么？ 评论区交流，我来解答。
突然发现自己欠了一屁股 技术债 ？ 别薅头发了 —— 关注本专栏，带你清债～

如有需完善的地方，也请大家不吝赐教！感谢！