1. 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。

• 强一致性： 这种一致性级别是最符合用户直觉的，它要求系统写入什么，读出来的也会是什么，用户体验好，但实现起来往往对系统的性能影响大;
• 弱一致性： 这种一致性级别约束了系统在写入成功后，不承诺立即可以读到写入的值，也不承诺多久之后数据能够达到一致，但会尽可能地保证到某个时间级别（比如秒级别）后，数据能够达到一致状态
• 最终一致性： 最终一致性是弱一致性的一个特例，系统会保证在一定时间内，能够达到一个数据一致的状态。这里之所以将最终一致性单独提出来，是因为它是弱一致性中非常推崇的一种一致性模型，也是业界在大型分布式系统的数据一致性上比较推崇的模型

2. 缓存操作

• Cache-Aside Pattern：读的时候，先读缓存，缓存命中的话，直接返回数据; 缓存没有命中的话，就去读数据库，从数据库取出数据，放入缓存后，同时返回响应。
• Read-Through/Write through：从缓存读取数据，读到直接返回，如果读取不到的话，从数据库加载，写入缓存后，再返回响应。
• Write behind：只更新缓存，不直接更新数据库，通过批量异步的方式来更新数据库

2.1 为什么删除缓存而不是更新缓存？

1. 线程A先发起一个写操作，第一步先更新数据库；
2. 线程B再发起一个写操作，第二步更新了数据库；
3. 由于网络等原因，线程B先更新了缓存, 线程A更新缓存；
4. 这时候，缓存保存的是A的数据（老数据），数据库保存的是B的数据（新数据），数据不一致了，脏数据出现啦。如果是删除缓存取代更新缓存则不会出现这个脏数据问题。

2.1 为什么先操作数据库而不是先缓存？

1. 线程A发起一个写操作，第一步del cache
2. 此时线程B发起一个读操作，cache miss
3. 线程B继续读DB，读出来一个老数据
4. 然后线程B把老数据设置入cache
5. 线程A写入DB最新的数据

3. 强一致性还是弱一致性

CAP理论，指的是在一个分布式系统中， Consistency（一致性）、 Availability（可用性）、Partition tolerance（分区容错性），三者不可得兼。

CAP理论作为分布式系统的基础理论,它描述的是一个分布式系统在以下三个特性中：

• 一致性（Consistency）
• 可用性（Availability）
• 分区容错性（Partition tolerance）

最多满足其中的两个特性。也就是下图所描述的。分布式系统要么满足CA,要么CP，要么AP。无法同时满足CAP。 如果需要数据库和缓存数据保持强一致，就不适合使用缓存。通过一些方案优化处理，是可以保证弱一致性，最终一致性的。

4. 3种方案保证数据库与缓存的一致性

• 延时双删策略
• 删除缓存重试机制
• 读取biglog异步删除缓存

4.1 缓存延时双删

1. 先删除缓存
2. 再更新数据库
3. 休眠一会（比如1秒），再次删除缓存。 TimeUnit.SECONDS.sleep(2);

4.2 删除缓存重试机制

不管是延时双删还是Cache-Aside的先操作数据库再删除缓存，如果第二步的删除缓存失败呢? 删除失败就多删除几次呀,保证删除缓存成功呀~ 所以可以引入删除缓存重试机制

删除缓存重试机制的大致步骤：

1. 写请求更新数据库
2. 缓存因为某些原因，删除失败
3. 把删除失败的key放到消息队列
4. 消费消息队列的消息，获取要删除的key
5. 重试删除缓存操作

4.3 同步biglog异步删除缓存

使用mq保证删除成功

5. 缓存与数据的一致性的保障策略总结

在分布式系统中，缓存和数据库同时存在时，如果有写操作的时候，「先操作数据库，再操作缓存」。如下：

1. 读取缓存中是否有相关数据；
2. 如果缓存中有相关数据value，则返回；
3. 如果缓存中没有相关数据，则从数据库读取相关数据放入缓存中key->value，再返回；
4. 如果有更新数据，则先更新数据库，再删除缓存；
5. 为了保证第四步删除缓存成功，使用binlog异步删除；
6. 如果是主从数据库，binglog取自于从库；
7. 如果是一主多从，每个从库都要采集binlog，然后消费端收到最后一台binlog数据才删除缓存，或者为了简单，收到一次更新log，删除一次缓存；