概述
一致性就是数据保持一致，在分布式系统中，可以理解为多个节点中数据的值是一致的。
强一致性：这种一致性级别是最符合用户直觉的，它要求系统写入什么，读出来的也会是什么，用户体验好，但实现起来往往对系统的性能影响大弱一致性：这种一致性级别约束了系统在写入成功后，不承诺立即可以读到写入的值，也不承诺多久之后数据能够达到一致，但会尽可能地保证到某个时间级别（比如秒级别）后，数据能够达到一致状态最终一致性：最终一致性是弱一致性的一个特例，系统会保证在一定时间内，能够达到一个数据一致的状态。这里之所以将最终一致性单独提出来，是因为它是弱一致性中非常推崇的一种一致性模型，也是业界在大型分布式系统的数据一致性上比较推崇的模型
缓存可以提升性能、缓解数据库压力，但是使用缓存也会导致数据不一致性的问题。
三种经典的缓存模式
有三种经典的缓存模式：
- Cache-Aside Pattern：旁路缓存模式
- Read-Through/Write through：读写穿透
- Write behind：异步缓存写入
Cache-Aside Pattern（旁路缓存模式）
Cache-Aside Pattern，即旁路缓存模式，它的提出是为了尽可能地解决缓存与数据库的数据不一致问题。
读
读请求流程如下：
- 读的时候，先读缓存，缓存命中的话，直接返回数据;
- 缓存没有命中的话，就去读数据库，从数据库取出数据，放入缓存后，同时返回响应。
写
写请求流程如下：
更新的时候，先更新数据库，然后再删除缓存。
问题
为什么这是直接删除缓存？
如果是更新的话，会有下述几个缺点
- 会出现数据不一致问题，假设：
- 线程A先发起一个写操作，第一步先更新数据库；
- 线程B再发起一个写操作，第二步更新了数据库
- 由于网络等原因，线程B先更新了缓存, 线程A更新缓存
- 这时候，
缓存保存的是A的数据（老数据），数据库保存的是B的数据（新数据），数据不一致了，脏数据出现 - 这时候，
如果是删除缓存取代更新缓存则不会出现这个脏数据问题
- 如果你写入的缓存值，是经过复杂计算才得到的话。 更新缓存频率高的话，就浪费性能
- 写多读少的情况下，数据很多时候还没被读取到，又被更新了，这也浪费了性能
但是如果是更新缓存的话，在读多写少的场景，价值大。
为什么先操作数据库后操作缓存
假设有A、B两个请求，请求A做更新操作，请求B做查询读取操作。
如果是先操作缓存的话，A、B两个请求的操作流程如下：
- 线程
A发起一个写操作，第一步del cache - 此时线程
B发起一个读操作，cache miss - 线程
B继续读DB，读出来一个老数据 - 然后
线程B把老数据设置入cache - 线程A写入DB最新的数据
如果是先操作缓存的话便会出现：缓存保存的是老数据，数据库保存的是新数据。
因此，Cache-Aside缓存模式，选择了先操作数据库而不是先操作缓存。
数据不一致情况
情况的核心是
线程1：DB写操作和删除缓存在事务中，删除缓存后，事务还未提交。
线程2：缓存已经删除，从DB读后，写入缓存。
由于线程1的事务未提交，线程2读取并放入缓存的的还是旧数据，导致数据最终不一致。
但，这个case理论上会出现，不过，实际上出现的概率可能非常低，因为这个条件需要发生在读缓存时缓存失效，而且并发着有一个写操作。
而实际上数据库的写操作会比读操作慢得多，而且还要锁表，而读操作必需在写操作前进入数据库操作，而又要晚于写操作更新缓存，所有的这些条件都具备的概率基本并不大。
所以，要么通过2PC或是Paxos协议保证一致性，要么就是拼命的降低并发时脏数据的概率，
而Facebook使用了这个降低概率的玩法，因为2PC太慢，而Paxos太复杂。
当然，最好还是为缓存设置上过期时间。
解决方案： 删除缓存，做2次删除：
- 直接删除；
- 注册事务回调，事务结束（提交或回滚）后再次删除。
Read-Through/Write through（读写穿透）
Read/Write Through模式中，服务端把缓存作为主要数据存储。应用程序跟数据库缓存交互，都是通过抽象缓存层完成的。
- 可以理解为，
应用认为后端就是一个单一的存储，而存储自己维护自己的Cache。
读
Read-Through实际只是在Cache-Aside之上进行了一层封装，它会让程序代码变得更简洁，同时也减少数据源上的负载。
Read-Through读流程如下
从缓存读取数据，读到直接返回- 如果
读取不到的话，从数据库加载，写入缓存后，再返回响应。
流程如下所示