Redis 中如何保证缓存与数据库的数据一致性？

在 Redis 中保证缓存与数据库的数据一致性，需结合业务场景选择以下策略：

核心策略总结

1. Cache Aside（旁路缓存）模式

   • 读操作：先查缓存，未命中则查数据库并写入缓存。
   • 写操作：先更新数据库，再删除缓存（推荐延迟双删或异步重试）。
   • 适用场景：大多数业务，实现简单但需处理并发不一致。

2. Write Through（写穿透）模式

   • 应用程序仅操作缓存，由缓存同步更新数据库。
   • 适用场景：对一致性要求高但写入频率低的简单数据模型。

3. Write Behind（异步缓存写入）模式

   • 写操作仅更新缓存，异步批量同步到数据库。
   • 适用场景：非关键数据（如日志、浏览量），追求极致性能。

4. 数据库变更通知（Binlog监听）

   • 通过 Canal 等工具订阅数据库 Binlog，触发缓存更新。
   • 适用场景：需要实时性强的强一致性场景。

5. 分布式锁与原子操作

   • 通过锁机制保证数据库和缓存操作的原子性。
   • 适用场景：强一致性要求极高的核心业务（如金融交易）。

6. 缓存失效策略

   • 设置合理的 TTL，平衡缓存命中率和一致性需求。
   • 适用场景：允许短暂不一致的通用数据（如商品信息）。

方案选择建议

• 强一致性场景（如金融、订单）：
  优先选择 Cache Aside + 延迟双删 或 数据库变更通知，结合重试机制。
• 最终一致性场景（如商品库存、用户信息）：
  使用 Cache Aside + 合理 TTL，降低实现复杂度。
• 高并发写场景（如日志、点赞数）：
  使用 Write Behind 模式，牺牲部分一致性换取性能。

关键实现细节

• 延迟双删：更新数据库后，延迟一段时间（如 100ms）再次删除缓存，覆盖并发读请求。
• 重试机制：删除缓存失败时，将任务写入消息队列异步重试。
• 监控与告警：建立缓存命中率、数据库负载等指标的监控，及时发现不一致问题。

代码示例（Cache Aside + 延迟双删）

// 写操作
public void updateUser(User user) {
    userRepository.save(user);        // 更新数据库
    redisService.delete("user:" + user.getId()); // 第一次删除缓存
    CompletableFuture.runAsync(() -> { // 异步延迟双删
        try { Thread.sleep(100); } catch (InterruptedException e) {}
        redisService.delete("user:" + user.getId()); // 第二次删除
    });
}

// 读操作
public User getUser(Long id) {
    String key = "user:" + id;
    User user = redisService.get(key);
    if (user == null) {
        user = userRepository.findById(id).orElse(null);
        if (user != null) { redisService.set(key, user); } // 写入缓存
    }
    return user;
}

总结

• 无银弹：一致性、性能和复杂度需权衡，根据业务场景选择策略。
• 最终一致性：在分布式系统中，完全的强一致性难以保证，需通过异步任务、消息队列等方式确保数据最终一致。

我正在程序员刷题神器面试鸭上高效准备面试，9000+ 高频面试真题、800 万字优质题解，覆盖主流编程方向，跟我一起刷原题、过面试：
点击进入