结论先行:缓存和数据库是两个独立系统,不存在零不一致的免费方案;主流选择是 Cache Aside(旁路缓存)——读:先缓存后库并回填;写:先更新库,再删除缓存。配合过期时间兜底和 binlog 订阅异步补偿,即可满足绝大多数业务的最终一致要求。
为什么是"删缓存"而不是"更新缓存"
写操作直接更新缓存有两个问题:
- 并发覆盖:两个写请求各自算完新值先后写缓存,后写入的可能是最先算出的旧值。时间线是"写 A 计算 → 写 B 计算 → 写 B 写缓存 → 写 A 写缓存",缓存里留下的是 A 的旧值,而数据库已经是 B 的新值;
- 无效成本:缓存可能是多表聚合的结果,每次写都重算,但可能根本没人来读。写多读少的表,更新缓存的成本全部白费。
删除缓存把计算推迟到下一次读(懒加载),并发下最坏也只是多一次回源,所以"写后删"优于"写后更"。还有一个隐藏理由:缓存值的构造逻辑可能分散在多处(不同接口缓存不同视图),统一删除让缓存值的生成只有一个入口,逻辑更简单可控。
顺序对比:先更库后删缓存是赢家
| 方案 | 不一致窗口 | 说明 |
|---|---|---|
| 先更新库,再删缓存(推荐) | 极小 | 仅当"读请求在删缓存后未命中、回源读到提交前的旧值、且回填又晚于删缓存"这一串时序恰好叠加才脏,概率极低 |
| 先删缓存,再更新库 | 较大 | 删除后到提交前的所有读请求都会把旧值回填并长期存在 |
| 更新库 + 更新缓存 | 并发覆盖风险 | 前述问题,不推荐 |
“先更库后删缓存"理论上也有漏洞,但触发概率极低,做好兜底即可。推演一下它的脏读时序就能理解为什么概率低:读请求要在"写事务提交"与"删缓存"之间这个极窄窗口内恰好未命中缓存,回源读到旧值,并且回填动作还要晚于删缓存完成——三个条件同时成立的概率,在高并发下也只是小概率。而"先删缓存"的脏窗口是整个写事务的执行时长,宽了几个数量级。
// 错误写法:先删缓存再更新库
redis.del(key);
productDao.update(p);
// 删除后、提交前的所有读请求都会回填旧值,脏数据存活到 TTL 结束
// 正确写法:先更新库,再删缓存
productDao.update(p);
redis.del(key);
三层兜底
- 过期时间:所有缓存 key 必须设 TTL,这是最后防线——任何方案失效,最多脏到过期为止;
- 延迟双删:更库删缓存后,延迟几百毫秒再删一次,清掉并发窗口的回填脏值。延迟时长要大于一次回源耗时,简单有效但靠估计;
- binlog 订阅(Canal/Debezium):数据库变更通过 binlog 投递,消费者异步删缓存,自带重试且与业务代码解耦,是中大型系统的主流主方案或兜底。
三层兜底的定位不同:TTL 保证"最坏情况有上界”;延迟双删覆盖"本进程写操作引发的并发窗口";binlog 订阅覆盖"所有写路径"——包括运营后台直接改库、数据修复脚本这类绕过应用层的变更,这是前两者做不到的。把 binlog 订阅当兜底而不是唯一主力的好处:主链路行为确定、延迟低,binlog 链路故障时缓存退化为"TTL 内脏读"而不是"永久脏读"。
延迟双删的"延迟"挂在事务外,时机有两种流派:写流程末尾起一个延迟任务(删-更-删 或 更-删-延迟删),或交给延迟队列/定时器执行。无论哪种,都要接受它是"估计值"——延迟取 500ms 还是 1 秒没有理论最优,只有"大于一次回源耗时"这个下界。工程上更稳的变体是删缓存后注册一个短 TTL 的"墓碑标记",期间回源读到的旧值不回填(或回填后立即被第二次删除清掉),把"靠猜时间"变成"靠状态机"。
代码:Cache Aside 标准模板
public Product getProduct(Long id) {
String key = "product:" + id;
String json = redis.get(key);
if (json != null) return deserialize(json); // 1. 命中直接返回
Product p = productDao.findById(id); // 2. 回源
if (p != null) {
redis.setex(key, 1800 + ThreadLocalRandom.current().nextInt(300),
serialize(p)); // 3. 回填,TTL 加随机
}
return p;
}
@Transactional
public void updateProduct(Product p) {
productDao.update(p); // 1. 先更新库
redis.del("product:" + p.getId()); // 2. 再删缓存
// 兜底:binlog 消费侧还会异步再删一次,容忍单次删除失败
}
三个细节:回填 TTL 一定要加随机值防雪崩;删缓存失败不要抛异常回滚业务(库已提交的场景靠异步重试补偿),用消息队列或 binlog 消费重试;@Transactional 里的删缓存发生在事务提交前的话,并发读仍可能在提交后回填旧值——更严谨的写法是把删缓存动作注册到 TransactionSynchronization.afterCommit,事务提交成功后再执行删除。
强一致怎么办
如果业务要求读到的永远是最新值(如不允许超卖的库存扣减),正确答案不是升级缓存方案,而是别用缓存——直接读库加锁,或把扣减动作放进数据库/Redis 的原子操作里完成;展示层允许短暂滞后再谈缓存。
判断"能不能上缓存"的标准是问一句:这个数据读到旧值,业务会损失什么?商品详情读旧价格一分钟,通常可容忍;库存数读旧值一分钟,可能超卖。前者用缓存,后者把读写收敛到原子操作。另外注意缓存一致性与主从延迟会叠加:读请求回源读从库时,“先更库再删缓存"删掉的脏窗口还要叠加复制延迟,回填进缓存的可能是从库的旧值——对这类场景,回源强制走主库,或把回填动作也纳入延迟双删的保护范围。缓存一致性方案的全部努力,本质都是在"容忍多久的脏读"这个业务输入下找最便宜的实现。
一句话总结:一致性选型的顺序:容忍秒级脏读 → Cache Aside + TTL;要求更高 → binlog 异步删除 + 延迟双删;要求强一致 → 回到数据库,缓存不是那个战场。
生产案例
某商品中心改造时,团队把"写后更新缓存"升级为"写后删除 + binlog 订阅兜底”,上线一周后客服收到零星反馈:商家改完价格,用户端偶尔仍显示旧价,且时长远超 TTL。排查链路走了一遍写路径:应用侧先更库再删缓存没问题,问题出在 binlog 消费侧——Canal 投递的变更消息进了 MQ,消费者按普通业务消息的消费重试策略处理,某天 MQ 堆积告警期间,一批删除缓存的消息被延迟消费了远超 TTL 的时间;恰好这批商品的 TTL 又被调成了 24 小时(运营要求列表页常驻),于是"删缓存兜底"在最需要它的时刻缺席,脏值一直活到次日过期。整改分三步:binlog 消费链路从普通业务 MQ 拆出独立 topic 与消费组,堆积告警阈值单独收紧;商品缓存 TTL 收回 30 分钟量级,常驻需求改用逻辑过期;对"改价"这类敏感字段增加延迟双删。复盘沉淀了一条原则:binlog 兜底链路的可靠性必须高于主链路,否则兜底本身会成为最大的一致性漏洞。
检查清单
- 写路径统一"先更新库,再删除缓存",禁止写后更新缓存
- 所有缓存 key 设 TTL(30 分钟量级起),作为一致性最后防线
- 敏感字段或高并发写场景加延迟双删,延迟大于一次回源耗时
- binlog 订阅(Canal/Debezium)作异步兜底,独立 topic 与告警
- 删缓存失败不回滚业务,走异步重试补偿
- 事务方法内的删缓存注册到 afterCommit,避免提交前删除
- 强一致数据不上缓存:原子操作收敛读写,展示层才允许滞后