目录
前言
一、Cache Aside（旁路缓存）策略
二、不一致解决场景及解决方案
一、数据库主从不一致
二、缓存与数据库不一致
三、问题分析
三、缓存误用
一、多服务共用缓存实例
二、调用方缓存数据
三、缓存作为服务与服务之间传递数据的媒介
四、使用缓存未考虑雪崩
总结
前言
缓存，是互联网分层架构中，非常重要的一个部分，通常用它来降低数据库压力，提升系统整体性能，缩短访问时间。有架构师说“缓存是万金油，哪里有问题，加个缓存，就能优化”，缓存的滥用，可能会导致一些错误用法。
缓存，你真的用对了么？
一、Cache Aside（旁路缓存）策略
旁路缓存策略是最常用的一种缓存读写策略，它适用于读请求比较多，数据更新频率不高的场景。它的基本思想是：应用程序直接访问缓存和数据库，而不通过中间层。当需要读取数据时，先从缓存中查找，如果命中则直接返回；如果未命中，则从数据库中查询，并将结果放入缓存中，然后返回。当需要更新数据时，先更新数据库，然后删除缓存。
Cache Aside 策略（也叫旁路缓存策略），这 个策略数据以数据库中的数据为准，缓存中的数据是按需加载的。它可以分为读策略和写策 略。
其中读策略的步骤是：
- 从缓存中读取数据，如果缓存命中，则直接返回数据；
- 如果缓存不命中，则从数据库中查询数据；
- 查询到数据后，将数据写入到缓存中，并且返回给用户。
- 更新数据库中的记录；
- 删除缓存记录。
不过这种问题出现的几率并不高，原因是缓存的写入通常远远快于数据库的写入，所以在实际中很难出现请求 B 已经更新了数据库并且清空了缓存，请求 A 才更新完缓存的情况。而一旦请求 A 早于请求 B 清空缓存之前更新了缓存，那么接下来的请求就会因为缓存为空而从数据库中重新加载数据，所以不会出现这种不一致的情况。
Cache Aside 策略是我们日常开发中最经常使用的缓存策略，不过我们在使用时也要学会依情况而变。比如说当新注册一个用户，按照这个更新策略，你要写数据库，然后清理缓存（当然缓存中没有数据给你清理）。可当我注册用户后立即读取用户信息，并且数据库主从分离时，会出现因为主从延迟所以读不到用户信息的情况。而解决这个问题的办法恰恰是在插入新数据到数据库之后写入缓存，这样后续的读请求就会从缓存中读到数据了。并且因为是新注册的用户，所以不会出现并发更新用户信息的情况。Cache Aside 存在的最大的问题是当写入比较频繁时，缓存中的数据会被频繁地清理，这样会对缓存的命中率有一些影响。
二、不一致解决场景及解决方案
发生写请求后（不管是先操作DB，还是先淘汰Cache），在主从数据库同步完成之前，如果有读请求，都可能发生读Cache Miss，读从库把旧数据存入缓存的情况。此时怎么办呢？
一、数据库主从不一致
无缓存时，数据库主从不一致问题
如上图，发生的场景是，写后立刻读：
（1）主库一个写请求（主从没同步完成）
（2）从库接着一个读请求，读到了旧数据
（3）最后，主从同步完成
导致的结果是：主动同步完成之前，会读取到旧数据。可以看到，主从不一致的影响时间很短，在主从同步完成后，就会读到新数据。
二、缓存与数据库不一致
再看，引入缓存后，缓存和数据库不一致问题。
如上图，发生的场景也是，写后立刻读
导致的结果是：旧数据放入缓存，即使主从同步完成，后续仍然会从缓存一直读取到旧数据。
可以看到，加入缓存后，导致的不一致影响时间会很长，并且最终也不会达到一致。
三、问题分析
可以看到，这里提到的缓存与数据库数据不一致，根本上是由数据库主从不一致引起的。当主库上发生写操作之后，从库binlog同步的时间间隔内，读请求，可能导致有旧数据入缓存。
思路：那能不能写操作记录下来，在主从时延的时间段内，读取修改过的数据的话，强制读主，并且更新缓存，这样子缓存内的数据就是最新。在主从时延过后，这部分数据继续读从库，从而继续利用从库提高读取能力。
选择性读主
可以利用一个缓存记录必须读主的数据。
如上图，当写请求发生时：
（1）写主库
（2）将哪个库，哪个表，哪个主键三个信息拼装一个key设置到cache里，这条记录的超时时间，设置为“主从同步时延”
PS：key的格式为“db:table:PK”，假设主从延时为1s，这个key的cache超时时间也为1s。
如上图，当读请求发生时：
这是要读哪个库，哪个表，哪个主键的数据呢，也将这三个信息拼装一个key，到cache里去查询，如果，
（1）cache里有这个key，说明1s内刚发生过写请求，数据库主从同步可能还没有完成，此时就应该去主库查询。并且把主库的数据set到缓存中，防止下一次cahce miss。
（2）cache里没有这个key，说明最近没有发生过写请求，此时就可以去从库查询
以此，保证读到的一定不是不一致的脏数据。
PS：如果系统可以接收短时间的不一致，建议定时更新缓存就可以了。避免系统过于复杂。
三、缓存误用
一、多服务共用缓存实例
如上图：服务A和服务B共用一个缓存实例（不是通过这个缓存实例交互数据）
该方案存在的问题是：
1、可能导致key冲突，彼此冲掉对方的数据
可能需要服务A和服务B提前约定好了key，以确保不冲突，常见的约定方式是使用namespace:key的方式来做key。
2、不同服务对应的数据量，吞吐量不一样，共用一个实例容易导致一个服务把另一个服务的热数据挤出去
3、共用一个实例，会导致服务之间的耦合，与微服务架构的“数据库，缓存私有”的设计原则是相悖的
正确的部署方式是
如上图：各个服务私有化自己的数据存储，对上游屏蔽底层的复杂性。
二、调用方缓存数据
如上图，服务提供方缓存，向调用方屏蔽数据获取的复杂性。服务调用方，也缓存一份数据，先读自己的缓存，再决定是否调用服务（这个有问题）
该方案存在的问题是：
1、调用方需要关注数据获取的复杂性（耦合问题）
2、更严重的，服务修改db里的数据，淘汰了服务cache之后，难以通知调用方淘汰其cache里的数据，从而导致数据不一致（带入一致性问题）
3、有人说，服务可以通过MQ通知调用方淘汰数据，额，难道下游的服务要依赖上游的调用方，分层架构设计不是这么玩的（反向依赖问题）
三、缓存作为服务与服务之间传递数据的媒介
如上图：服务A和服务B约定好key和value，通过缓存传递数据服务A将数据写入缓存，服务B从缓存读取数据，达到两个服务通信的目的
多个服务关联同一个缓存实例，会导致服务耦合
（1）大家要彼此协同约定key的格式，ip地址等，耦合
（2）约定好同一个key，可能会产生数据覆盖，导致数据不一致
（3）不同服务业务模式，数据量，并发量不一样，会因为一个cache相互影响，例如service-A数据量大，占用了cache的绝大部分内存，会导致service-B的热数据全部被挤出cache，导致cache失效；又例如service-A并发量高，占用了cache的绝大部分连接，会导致service-B拿不到cache的连接，从而服务异常
四、使用缓存未考虑雪崩
常规的缓存玩法，如上图：
服务先读缓存，缓存命中则返回；缓存不命中，再读数据库
什么时候会产生雪崩？
如果缓存挂掉，所有的请求会压到数据库，如果未提前做容量预估，可能会把数据库压垮（在缓存恢复之前，数据库可能一直都起不来），导致系统整体不可服务。
如何应对潜在的雪崩？
提前做容量预估，如果缓存挂掉，数据库仍能扛住，才能执行上述方案。
否则，就要进一步设计。
常见方案一：高可用缓存
如上图：使用高可用缓存集群，一个缓存实例挂掉后，能够自动做故障转移。
常见方案二：缓存水平切分
如上图：使用缓存水平切分（推荐使用一致性哈希算法进行切分），一个缓存实例挂掉后，不至于所有的流量都压到数据库上。
总结
1、服务与服务之间不要通过缓存传递数据
2、如果缓存挂掉，可能导致雪崩，此时要做高可用缓存，或者水平切分
3、调用方不宜再单独使用缓存存储服务底层的数据，容易出现数据不一致，以及反向依赖
4、不同服务，缓存实例要做垂直拆分。
