Cache Aside Pattern - 旁路缓存模式
- 读请求：如果未命中缓存则查询数据库并更新至缓存，否则返回缓存中数据
- 写请求：先更新数据库，再删除缓存（非延迟双删）
写请求为啥不更完DB直接更缓存？
Cache Aside 模式的读请求处理流程应该很好理解，但对于写请求大家或许会有疑问，为何写完库不直接更缓存？从直觉上而言直觉更缓存似乎更容易被理解，但实际上要从两个方面考虑：性能与安全。
- 从性能方面考虑，当写请求较多时，可能出现一个线程刚更完缓存就被重新更新了（此现象业界称之为缓存扰动），那么机器的性能会被白白浪费，缓存利用率也不高，而等到读请求读完再更新缓存，也符合懒加载的思想。
- 从安全性上考虑，当出现写写线程并发执行时，缓存容易出现脏数据，下面会逐步踩坑。
开始踩坑
1、先更数据库，再更缓存？（写写情况下易出问题）
假如执行过程为：
1、线程1更新数据库
2、线程2更新数据库
3、线程2更新缓存
4、线程1更新缓存
很明显执行完毕后，缓存中的数据为脏数据，出现数据不一致问题。
而之所以大概率出现这个问题，是因为过程3与4的执行均为操作缓存，速度差不多，所以缓存出现脏数据的概率很大。
2、先删缓存，再更新数据库？（写读情况下易出问题）
假设执行过程为：
1、写请求先删除缓存
2、读请求查询缓存，发现不存在，则查询数据库
3、读请求写入缓存
3、写请求更新数据库
3、先更数据库，再删缓存（推荐）
假设执行过程为：
1、读请求先查询缓存，未击中，查询数据库返回18
2、写请求更新数据库，删除缓存（删了个寂寞）
3、读请求才回写缓存
同理也有可能出现数据不一致问题，但实际上出现概率会很小，因为数据库的更新操作要比内存操作慢几个数量级，所以理论上过程3回写入缓存速度会快于过程2更新数据库的操作。如何避免这种问题？通常我们会有一个兜底方案，就是设置缓存过期时间，允许一定时间内的数据库与缓存的数据不一致。
但加上过期时间并非就是完美的，假设过程2写完库后，删除缓存失败，那么也会导致数据不一致问题的出现，而考虑到这种场景，第一种方案是直接对更新数据库与删除缓存的操作加一把分布式锁，但加锁必然带来吞吐量的下降，需综合考虑，另外一种则是对删除操作做一些补偿的措施，下面谈及延迟删除策略会对删除缓存的补偿方案做进一步的解析。
4、结合2和3，做延迟双删（推荐）
1、先删除缓存
2、更新数据库
3、休眠一会儿（比如1s），之后再删一次缓存数据
上述方案在极端情况下，如果第三步删除失败仍然可能导致数据一致性问题，解决方案有：
1、引入MQ重试机制。假设更完库后删除失败，则把失败的key丢到MQ中，由mq消费端拉出来进行删除重试。这种方案的弊端是对于删除失败的处理逻辑需要基于业务代码的 trigger 来触发，对业务代码侵入性较为严重。
2、基于数据库binlog的方式增量解析、订阅和消费。为了保证删除成功，可以利用阿里巴巴开源中间件canal订阅binlog发送到MQ中，再利用MQ的ACK机制来保证删除成功，最终保证数据缓存一致性（比如更新了uid=2这个用户信息，那么可以读取binlog中uid=2的log，然后删除缓存中key={user:2}这个key）。
具体架构如下图所示：
延伸1：Alibaba开源组件canal
- canal的原理：
模仿MySQL Slave发送dump请求到MySQL服务，MySQL服务接受到该请求后，会将binary log推送给canal server，由Canal Server解析binary log对象（byte流），也就是我们常说的binlog。再由canal client拉取进行消费，且canal server也支持投递到如Kafka、RocketMQ这样的MQ系统中，让其他系统可以消费到，在其ACK机制的加持下，无论推送或拉取都可以保证数据按预期被消费到。
- canal依赖于zookeeper来实现HA，并且为了减轻MySQL dump的压力，canal同一时刻只允许一个server instance处于运行状态，其他instance则为standby状态。处理之外，为了保证消费的有序性，对于一个instance同一时刻只能由一个canal client进行get/ack等操作。
延伸2：MySQL主从部署，如何解决主从同步延迟？
监听从库的binlog，保证最终删除的操作一定发生在更新数据库之后。
如下图，就是A先删除缓存（不管成功或失败都不影响，因为失败了最终通过binlog会删除的），再更新DB，而此时因为主从可能存在延迟，所以B在cache miss之后从从库可能读取到旧数据写入缓存（脏数据）或者还有一种情况就是A删除缓存失败并且同步有延迟，那么B读取旧缓存，但是不影响，因为最后主从同步成功之后通过canal将binlog数据写入MQ，消费者可以根据更新的log数据删除缓存，并且通过ACK机制确认处理这条更新log，以保证数据缓存一致性。
Read Though Pattern - 读穿透模式
简单来说，区别于Cache Aside的是应用程序不需再管理缓存和数据库，只需从独立的缓存提供程序Cache Provider中获取即可。
好处：是独立管理可以减少数据源上的负载，也让应用端的容错性更佳（如果缓存服务挂了，Cache Provider仍然可以通过直接转到数据源上进行操作，不影响应用端的使用）
适用场景：多次请求相同数据的场景。（guavacache采用该模式）
Write Trough Pattern - 直写模式
与Read Aside类似，增加了一个Cache Provider代理层来处理更新底层数据源和缓存。与Cache Aside不同的是，在写请求更完库之后Write Through是直接写入缓存，而不是删除缓存。
适用场景：写操作较多，且一致性要求高的场景，并且为了避免前面提到并发双写导致的一致性问题，需要给更新数据库和更新缓存的操作加一把分布式锁，牺牲掉一部分的性能。
Write Behind Pattern - 异步回写模式
简单来说就是先写缓存，再由Cache Provider定时在数据库负载较低的时候写入数据库。可以看出，此方案的缓存与数据库为弱一致性，且有丢数据的风险，需做好缓存的高可用，此方案对于一致性要求高的系统应慎用。
适用场景：写入速度快，适用于大量写入的场景（实际上在大型互联网应用中大多都是读多写少的场景），电商秒杀场景中库存的扣减常用该模式。
Tip：InnoDB Buffer Pool 也用此机制
Write Around
对于一些一致性要求较低的业务，也可以选择Wrtie Aound模式。在该模式下，读请求对于缓存的写入都需要设一个expired time，而写请求在更新数据库后不会对缓存有任何操作。这种方案的优点很明显，实现简单，缺点是数据的弱一致性。
总结
四种策略：
- Cache Aside Pattern 首选先写入数据库后删除缓存的策略，再增加缓存时间兜底。对于一致性要求更高的场景，考虑用订阅MySQL binlog+MQ的方式做延迟双删。
- Read/Write through Pattern 增加一个Cache Provider 对外提供读写操作，解耦且避免缓存服务挂掉给应用系统带来的影响。
- Write Behind Pattern 应用只写缓存，再由Cache Provider定时入库，数据一致性差。
- Write Around 由读请求写缓存并设置一个过期时间，写请求只负责写库
参考文献
https://github.com/CoderLeixiaoshuai/java-eight-part/blob/master/docs/redis/高并发场景下，到底先更新缓存还是先更新数据库？.md#cache-aside
https://www.modb.pro/db/237472
