阅读 1482

面试官:高并发场景下,你们是怎么保证数据的一致性的?

面试的时候,总会遇到这么一个场景。

1. 场景分析

面试官:你们的服务的QPS是多少?

我:我们的服务高峰期访问量还挺大的,大约是3万吧。

面试官:这么大的访问量,你们的服务器能撑住吗?有加缓存吗?

我:有的,我们使用了Redis做缓存,接口优先查询缓存,缓存不存在,才访问数据库。这样可以减少数据库访问压力,加快查询效率。

面试官:一份数据存储在两个地方,更新数据的时候,你们是怎么保证数据的一致性的?

看到了吧,好的面试官一般不直接问你数据一致性的解决方案,而是循循善诱,结合具体的使用场景,再问你解决方法。如果你没做过这方面,没有线上的实战经验,一般很难回答的有条理性、有思考性。

保证数据一致性,一般有这4种方法:

  1. 先更新缓存,再更新数据库。
  2. 先更新数据库,再更新缓存。
  3. 先删除缓存,再更新数据库。
  4. 先更新数据库,再删除缓存。

每种方案都详细的讨论一下:

2. 解决方案

2.1 先更新缓存,再更新数据库

如果同时来了两个并发写请求,执行过程是这样的:

数据一致性1.jpg

  1. 写请求1更新缓存,设置age为1
  2. 写请求2更新缓存,设置age为2
  3. 写请求2更新数据库,设置age为2
  4. 写请求1更新数据库,设置age为1

执行结果就是,缓存里age被设置2,数据库里的age被设置成1,导致数据不一致,此方案不可行。

2.2 先更新数据库,再更新缓存

如果同时来了两个并发写请求,执行过程是这样的:

  1. 写请求1更新数据库,设置age为1
  2. 写请求2更新数据库,设置age为2
  3. 写请求2更新缓存,设置age为2
  4. 写请求1更新缓存,设置age为1

执行结果就是,数据库里age被设置2,缓存里的age被设置成1,导致数据不一致,此方案不可行。

2.3 先删除缓存,再更新数据库

如果同时来了两个并发读写请求,执行过程是这样的:

数据一致性2.jpg

  1. 写请求删除了缓存
  2. 读请求查询缓存没数据,然后查询数据库,再把数据写到缓存中
  3. 写请求更新数据库

执行结果是,缓存中是旧数据,而数据库里是新数据,导致数据不一致,此方案不可行。

2.4 先更新数据库,再删除缓存

这种方案,在并发写的时候,不会出问题。因为都是先更新数据库再删除缓存,不会出现不一致的情况。

但是在并发读写的时候,还是有可能出现数据不一致。

  1. 读请求查询缓存没数据,然后查询数据库
  2. 写请求更新数据库,删除缓存
  3. 读请求回写缓存

执行结果是,缓存中是旧数据,而数据库里是新数据,导致数据不一致。

其实这种情况出现的概率很低,写缓存比写数据库快出几个量级,读写缓存都是内存操作,速度非常快。

遇到了这种极端场景,我们也需要做一下兜底方案,缓存都要设置过期时间。这种方案属于数据的弱一致性和最终一致性,而不是强一致性。

3. 总结与思考

有读者可能会好奇,为什么不在更新缓存和数据库方法上加上事务注解,实现强一致性,这么哪种方案都不会有问题。

是的,当我们的服务只在一台机器上,加本地事务是可行的。但是工作中,我们会把一个服务部署到几十台、上百台机器上,有时候为了应对更极端的查询请求,又在Redis缓存加一层本地缓存,这时候我们再用本地事务是不起作用的。

一份数据在多台机器上,存在多个副本,为了实现强一致性,我们也可以使用分布式事务。这样一来更新缓存操作将会变得非常复杂,得不偿失。

但是在另外的一些场景,比如更新订单状态、更新用户资产,这种场景,我们无论付出多大代价也要实现数据的强一致性,具体实现方案一般有以下几种:

  1. 二阶段提交
  2. TCC
  3. 本地消息表
  4. MQ事务消息
  5. 分布式事务中间件

下篇文章咱们再一起详细的分析这几种方案优缺点。

文章分类
后端
文章标签