前言
对于一些并发较高，且读多写少的场景，为了提高性能，降低DB压力，大家肯定会想到缓存，这也是我们最常见的提高并发能力的手段；还有就是DB的读写分离，将一些对实时性没有这么高的请求，分流到从库，降低主库的压力。
对于大部分的业务场景来说，使用缓存就足够了（可能在业务发展初期，缓存都没有太大必要）。但是随着业务的发展，请求在经过缓存过滤了一层之后，DB主库负载还是很高，那么可能会再上读写分离，来分流请求。那么问题来了，这时候如果你的缓存是使用懒加载的模式，那么就很有可能会遇到缓存一致性的问题。
DB缓存一致性
在正常的场景下，DB缓存如何保证一致性？ 一般有两种模式，Cache Aside 和 Cache Through， 我们基本上都是使用Cache Aside模式，即我们的程序直接和DB以及缓存打交道。
Cache Through（Read/Write Through）的方式一般是我们应用程序只和缓存进行交互，缓存再去通过各种方式去持久化数据到硬盘，这种方式正常场景下我们一般不会使用。它更多的是在类似于操作系统或缓存中间件中实现。
先更新缓存还是DB？
首先不管是更新缓存还是失效缓存，肯定是先更新DB再处理缓存，否则没办法保证数据一致性。
场景1
只要DB更新异常，那么缓存中就会保留错误的数据。虽然在更新DB失败时，可以回滚缓存，但是很麻烦，回滚缓存也可能失败。
场景2
并发场景下，会将旧数据写入缓存，而由于缓存操作要比DB操作快很多，一并出现并发，这种情况会频繁出现。
场景2 一般可以使用双删，但根本上也就是将缓存操作置后，保证缓存操作在DB操作之后来解决问题。
缓存失效 + 懒加载
一般场景下，我们会倾向于使用失效缓存的方式，和懒加载配合使用，代码复杂性低，且在大部分异常场景下，也可以保证数据最终一致性。
和先更新缓存再更新DB不同的是，假如我们删除缓存失败，那么事务回滚，DB和缓存的数据还是可以保持一致。
但是这种方式和上面一样，在并发场景下，一样也有小概率出现不一致的问题：
这个问题出现的概率极小，因为在删除缓存和提交事务之间，这个时间窗口是极短的。但是在读写分离的场景下，异常的时间窗口会变得很长，因为主从同步延迟的时间窗口远比上面这种场景要久得多，出现问题的概率也会更大：
它的异常窗口约等于主从同步的延迟
对于个问题，业界也有解决方案，我们也可以和双删一样，在更新完成后开个线程延迟一段时间再次删除缓存，或者投递到消息队列删除，本质上都是延迟删除，保证即使数据不一致，在过一小段时间后，我们也能保证数据的最终一致性。
但是在读写分离场景下（特别是跨机房的主从同步），上层调用方读到数据错误的概率太大了，甚至不需要并发场景，一个单线程的简单的先写后读的操作，几乎必然会读到旧数据。而且异常数据的存在时间取决于缓存过期时间
更好的解决办法？
这时候我会倾向于不再使用失效缓存的方式，而是先更新DB -> 再更新缓存的模式。
5秒的过期时间只是一个栗子，应该根据实际场景设置得比主从同步时间长一些
我们来看几种更新异常情况：
对于1、2这种异常情况，由于事务的存在，数据一致性没有问题。
而3、4的异常情况，由于我们将缓存设置了一个极短的过期时间，错误的缓存数据也会快速失效，而由下次请求将正确的数据加载进缓存中。 这种方式在绝大部分的场景下，调用方读到的数据都是正确的数据，即使错误，也可以在短时间内纠正，从而保证数据的最终一致性。
这种方式不能说更好，只能说在部分场景更合适，而且它并不适用于那种缓存数据十分复杂，需要大量聚合操作的构成的场景。
结论
无论使用哪种方式，我们都只能保证数据的最终一致性，我们为了获得并发下的高性能，那么就必然会损失部分数据的一致性。这就像一个跷跷板，压下这头，另一头就会翘起来。而我们要做的，则是根据实际的业务场景，进行权衡，选取最合适的方案。
