文章主要介绍了分布式架构里的微服务缓存原理与最佳实践，下面让我们来一起看看吧

为什么需要缓存？

  1. 程序存储在 disk 中

  2. 程序是运行在 RAM 之中，也就是我们所说的 main memory

  3. 程序的计算逻辑在 CPU 中执行

来看一个最简单的例子： a = a + 1

  1. load x:

  2. x0 = x0 + 1

  3. load x0 -> RAM

img

上面提到了3种存储介质。我们都知道，三类的读写速度和成本成反比，所以我们在克服速度问题上需要引入一个 中间层。这个中间层，需要高速存取的速度，但是成本可接受。于是乎, Cache 被引入

img

而在计算机系统中，有两种默认缓存：

CPU 里面的末级缓存，即 LLC 。缓存内存中的数据

内存中的高速页缓存，即 page cache 。缓存磁盘中的数据

缓存读写策略

引入 Cache 之后，我们继续来看看操作缓存会发生什么。因为存在存取速度的差异「而且差异很大」，从而在操作数据时，延迟或程序失败等都会导致缓存和实际存储层数据不一致。

我们就以标准的 Cache+DB 来看看经典读写策略和应用场景。

Cache Aside

先来考虑一种最简单的业务场景，比如用户表: userId : 用户id, phone : 用户电话token, avtoar : 用户头像url，缓存中我们用 phone 作为key存储用户头像。当用户修改头像url该如何做？

更新DB数据，再更新 Cache 数据

更新 DB 数据，再删除 Cache 数据

首先 变更数据库 和 变更缓存 是两个独立的操作，而我们并没有对操作做任何的并发控制。那么当两个线程并发更新它们的时候，就会因为写入顺序的不同造成数据不一致。

所以更好的方案是 2 :

更新数据时不更新缓存，而是直接删除缓存

后续的请求发现缓存缺失，回去查询 DB ，并将结果 load cache

img

这个策略就是我们使用缓存最常见的策略: Cache Aside 。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，分为读策略和写策略。

但是可见的问题也就出现了：频繁的读写操作会导致 Cache 反复地替换，缓存命中率降低。当然如果在业务中对命中率有监控报警时，可以考虑以下方案：

  1. 更新数据时同时更新缓存，但是在更新缓存前加一个 分布式锁。这样同一时间只有一个线程操作缓存，解决了并发问题。同时在后续读请求中时读到最新的缓存，解决了不一致的问题。

  2. 更新数据时同时更新缓存，但是给缓存一个较短的 TTL。

当然除了这个策略，在计算机体系还有其他几种经典的缓存策略，它们也有各自适用的使用场景。

Write Through

先查询写入数据key是否击中缓存，如果在 -> 更新缓存，同时缓存组件同步数据至DB；不存在，则触发 ·。

而一般 · 有两种方式：

Write Allocate ：写时直接分配 Cache line

No-write allocate ：写时不写入缓存，直接写入DB，return

在 Write Through 中，一般采取 No-write allocate 。因为其实无论哪种，最终数据都会持久化到DB中，省去一步缓存的写入，提升写性能。而缓存由 Read Through 写入缓存。

img

这个策略的核心原则：用户只与缓存打交道，由缓存组件和DB通信，写入或者读取数据。在一些本地进程缓存组件可以考虑这种策略。

Write Back

相信你也看出上述方案的缺陷：写数据时缓存和数据库同步，但是我们知道这两块存储介质的速度差几个数量级，对写入性能是有很大影响。那我们是否异步更新数据库？

Write back 就是在写数据时只更新该 Cache Line 对应的数据，并把该行标记为 Dirty。在读数据时或是在缓存满时换出「缓存替换策略」时，将 Dirty 写入存储。

需要注意的是：在 Write Miss 情况下，采取的是 Write Allocate ，即写入存储同时写入缓存，这样我们在之后的写请求只需要更新缓存。

img

async purge 此类概念其实存在计算机体系中。 Mysql 中刷脏页，本质都是尽可能防止随机写，统一写磁盘时机。

Redis

Redis 是一个独立的系统软件，和我们写的业务程序是两个软件。当我们部署了Redis 实例后，它只会被动地等待客户端发送请求，然后再进行处理。所以，如果应用程序想要使用 Redis 缓存，我们就要在程序中增加相应的缓存操作代码。所以我们也把 Redis 称为 旁路缓存，也就是说：读取缓存、读取数据库和更新缓存的操作都需要在应用程序中来完成。

而作为缓存的 Redis ，同样需要面临常见的问题：

  • 缓存的容量终究有限

  • 上游并发请求冲击

  • 缓存与后端存储数据一致性

替换策略

一般来说，缓存对于选定的被淘汰数据，会根据其是干净数据还是脏数据，选择直接删除还是写回数据库。但是，在 Redis 中，被淘汰数据无论干净与否都会被删除，所以，这是我们在使用 Redis 缓存时要特别注意的：当数据修改成为脏数据时，需要在数据库中也把数据修改过来。

所以不管替换策略是什么，脏数据有可能在换入换出中丢失。那我们在产生脏数据就应该删除缓存，而不是更新缓存，一切数据应该以数据库为准。这也很好理解，缓存写入应该交给读请求来完成；写请求尽可能保证数据一致性。

至于替换策略有哪些，网上已经有很多文章归纳之间的优劣，这里就不再赘述。

缓存和存储更新顺序

这是开发中常见纠结问题：到底是先删除缓存还是先更新存储？

情况一：先删除缓存，再更新存储；

  • A 删除缓存，更新存储时网络延迟
  • B 读请求，发现缓存缺失，读存储 -> 此时读到旧数据

这样会产生两个问题：

  • B 读取旧值
  • B 同时读请求会把旧值写入缓存，导致后续读请求读到旧值

既然是缓存可能是旧值，那就不管删除。有一个并不优雅的解决方案：在写请求更新完存储值以后， sleep() 一小段时间，再进行一次缓存删除操作。

sleep 是为了确保读请求结束，写请求可以删除读请求造成的缓存脏数据，当然也要考虑到 redis 主从同步的耗时。不过还是要根据实际业务而定。

这个方案会在第一次删除缓存值后，延迟一段时间再次进行删除，被称为： 延迟双删 。

情况二：先更新数据库值，再删除缓存值：

  • A 删除存储值，但是删除缓存网络延迟
  • B 读请求时，缓存击中，就直接返回旧值

这种情况对业务的影响较小，而绝大多数缓存组件都是采取此种更新顺序，满足最终一致性要求。

情况三：新用户注册，直接写入数据库，同时缓存中肯定没有。如果程序此时读从库，由于主从延迟，导致读取不到用户数据。

这种情况就需要针对 Insert 这种操作：插入新数据入数据库同时写缓存。使得后续读请求可以直接读缓存，同时因为是刚插入的新数据，在一段时间修改的可能性不大。

以上方案在复杂的情况或多或少都有潜在问题，需要贴合业务做具体的修改。