缓存读写操作，很多人不假思索：
-
先读Cache，Cache不命中就查DB，查到再回种Cache
-
先删Cache，再更新DB，而后续操作会把数据再装载到缓存
这是错误的！
看最简单的两个并发操作：更新&查询。 更新操作删除Cache后，查询操作没有命中Cache，先把老数据读出来后放到Cache，然后更新操作更新了DB。于是，Cache还是老数据，导致缓存数据是脏的，而且将一直脏下去。
因此，针对不同业务场景，缓存读写策略也不同。本文默认更新数据库、缓存的操作都能成功执行完成。
1 Cache Aside（旁路缓存）服务器分别与 DB 和 Cache 交互，DB 和 Cache之间不直接交互。代表：Memcached + MySQL。
应用程序代码直接使用缓存，互联网应用最常用模式。
访问DB的应用代码应先查Cache：
- 若Cache包含数据，则直接从Cache返回，绕过DB
- 否则，应用代码须从DB获取数据，将数据存储在Cache，然后返回
缓存须和DB一起更新：
- 失效 应用先从cache取数据，未命中，则从DB取数据，成功后，放入cache
- 命中 应用程序从cache取数据，取到后直接返回
- 更新 先把数据存到DB，成功后，再让Cache失效
核心就是先更新DB，成功后，再失效缓存！
1.4 伪代码 ① 读数据v = cache.get(k) if (v == null) { v = db.get(k) cache.put(k, v) }
② 写数据
v = newV db.put(k, v) cache.put(k, v)1.5 一个查询操作，一个更新操作的并发
首先不是删除Cache，而是先更新DB，此时，Cache仍有效，所以，并发的查询操作拿的是未更新的数据，但更新操作马上让Cache失效了，后续查询操作再把数据从DB拉出来。而不会像本文开头那种逻辑导致后续查询操作都在取老数据。
这是标准的design pattern，包括Facebook的论文《Scaling Memcache at Facebook》也使用了这个策略。为什么不是写DB后更新缓存？可以看一下Quora上的这个问答《Why does Facebook use delete to remove the key-value pair in Memcached instead of updating the Memcached during write request to the backend?》，主要是怕两个并发的写操作导致脏数据。
那Cache Aside就没有并发问题吗？有的！比如，一个是读操作，但未命中Cache，然后就到DB取数据，此时来了个写操作，写完DB后，让Cache失效，然后，之前的那个读操作再把老数据放进去，造成脏数据。
该场景理论上是会出现，但实际出现概率非常低，因为需要发生在读缓存时Cache失效，且并发着有个写操作。 而实际上DB写操作比读操作慢得多，而且还要锁表，而读操作必须在写操作前进入DB操作，而又要晚于写操作更新Cache，所有这些条件都具备的概率实在很小！
这也就是Quora上的那个答案所说，要么通过2PC或Paxos协议保证一致性，要么就是拼命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，Paxos太复杂。当然，最好还是为缓存设置上过期时间。
最经典的缓存+数据库读写的模式，cache aside pattern
1、Cache Aside Pattern
（1）读的时候，先读缓存，缓存没有的话，那么就读数据库，然后取出数据后放入缓存，同时返回响应
（2）更新的时候，先删除缓存，然后再更新数据库
2、为什么是删除缓存，而不是更新缓存呢？
原因很简单，很多时候，复杂点的缓存的场景，因为缓存有的时候，不简单是数据库中直接取出来的值
商品详情页的系统，修改库存，只是修改了某个表的某些字段，但是要真正把这个影响的最终的库存计算出来，可能还需要从其他表查询一些数据，然后进行一些复杂的运算，才能最终计算出
现在最新的库存是多少，然后才能将库存更新到缓存中去
比如可能更新了某个表的一个字段，然后其对应的缓存，是需要查询另外两个表的数据，并进行运算，才能计算出缓存最新的值的
更新缓存的代价是很高的
是不是说，每次修改数据库的时候，都一定要将其对应的缓存去跟新一份？也许有的场景是这样的，但是对于比较复杂的缓存数据计算的场景，就不是这样了
如果你频繁修改一个缓存涉及的多个表，那么这个缓存会被频繁的更新，频繁的更新缓存
但是问题在于，这个缓存到底会不会被频繁访问到？？？
举个例子，一个缓存涉及的表的字段，在1分钟内就修改了20次，或者是100次，那么缓存跟新20次，100次; 但是这个缓存在1分钟内就被读取了1次，有大量的冷数据
28法则，黄金法则，20%的数据，占用了80%的访问量
实际上，如果你只是删除缓存的话，那么1分钟内，这个缓存不过就重新计算一次而已，开销大幅度降低
每次数据过来，就只是删除缓存，然后修改数据库，如果这个缓存，在1分钟内只是被访问了1次，那么只有那1次，缓存是要被重新计算的，用缓存才去算缓存
其实删除缓存，而不是更新缓存，就是一个lazy计算的思想，不要每次都重新做复杂的计算，不管它会不会用到，而是让它到需要被使用的时候再重新计算
mybatis，hibernate，懒加载，思想
查询一个部门，部门带了一个员工的list，没有必要说每次查询部门，都里面的1000个员工的数据也同时查出来啊
80%的情况，查这个部门，就只是要访问这个部门的信息就可以了
先查部门，同时要访问里面的员工，那么这个时候只有在你要访问里面的员工的时候，才会去数据库里面查询1000个员工
2 Read/Write Through（Cache Through）Cache Aside 时，应用代码需维护两个数据存储：
- Cache
- DB
应用程序较繁琐。
而该模式把更新DB操作由Cache自己代理，对开发人员更简便。应用认为后端就是个单一存储，而存储自己维护自己的Cache。
服务器只和 Cache 沟通，Cache 负责去沟通 DB，把数据持久化。
业界典型代表：Redis（可理解为 Redis 里包含了一个 Cache 和一个 DB）
缺点RedisKV存储结构，无法适应复杂应用场景。所以使用 Cache Aside 较多，Cache 和 DB 都可以自由的搭配组合。
2.1 Read Through（直读）Cache配置个加载程序组件，其知道如何从DB加载数据。
当查询时Cache未命中，Cache将调用加载程序从DB检索值，然后缓存该值，再将其返回给调用方。
当下次查询同一K的V时，即可在不使用加载程序的情况下从Cache返回该值（除非该节点已被淘汰或过期）。
RT就是在查询操作中更新Cache，即当Cache失效时（过期或被LRU换出）
- Cache Aside是由 调用方 负责将数据加载入Cache
- Read Through则用 缓存服务 自己加载，从而对【应用方】是透明的
在直写模式下，Cache配置了一个写组件，该组件知道如何将数据写DB。
当执行更新操作时，Cache将调用写组件将值存储在DB，并更新Cache。
类似，只不过是在更新数据时才发生。当有数据更新时：
- 若Cache未命中，直接更新DB，然后返回
- 若命中Cache，则更新Cache，然后再由Cache自己更新DB（这是个同步操作）
下图中Memory可理解为我们例子里的DB
又叫Write Back。更新数据时：
-
只更新缓存
-
不更新DB
缓存会异步批量更新DB
该模式更改了写DB时机。与其在进行更新的线程等待（如直写）时，不如将待写入的数据放入队列，以便在之后写入。这能让用户线程执行更快，但代价是在DB更新前，会带来一些时间延迟。
秒杀等高性能场景使用较多。
3.1 优点- 让数据的I/O操作飞快（直接操作内存 ）
- 因为异步，write back还可合并对同一个数据的多次操作，对性能提高相当可观
- 数据非强一致性，可能丢失（Linux非正常关机会导致数据丢失）
- 实现逻辑复杂，因为需track哪些数据是被更新的，待刷到DB
- os的write back会在仅当该cache需失效时，才会被真正持久化，如内存不够或进程退出等情况，这又叫lazy write
如在向磁盘中写数据时采用的也是这种策略，无论是：
- os层面的Page Cache
- 日志的异步刷盘
- MQ中消息的异步写盘
大多采用该策略，因为性能优势明显，直接写内存，避免直接写盘造成的大量缓慢的随机写。
-
A write-back cache with write allocation
参考
- https://coolshell.cn/articles/17416.html
- https://www.ehcache.org/documentation/3.10/caching-patterns.html
- https://blog.cdemi.io/design-patterns-cache-aside-pattern/
