| ||||||||||||||||||||||||||||||||||||
在电商系统缓存架构中，一致性方案的选择需结合业务场景特性（如数据重要性、实时性要求、并发量）、技术成本（开发复杂度、性能损耗）和风险容忍度（脏数据的影响范围）综合决策。以下是具体的选择框架和场景适配建议： 一、选择的核心维度 在决策前，需明确以下 3 个关键问题，以此划定方案的边界： 维度 核心考量 示例场景 数据重要性 脏数据是否会导致资损、用户投诉或业务中断？ 高重要性：库存、支付金额、订单状态；低重要性：商品浏览量、用户昵称。 实时性要求 数据更新后，缓存需多久同步才算 “可接受”？ 高实时性：秒杀库存（毫秒级）；低实时性：商品分类（分钟级）。 读写比例 读多写少（优先优化读性能）还是写多读少（优先保障写一致性）？ 读多写少：商品详情；写多读少：用户购物车（频繁添加 / 删除商品）。
二、按场景匹配方案 1. 核心高频场景：库存、订单、支付（强一致性倾向） 特性：数据错误直接导致资损（如超卖、价格错误），需接近强一致性，且并发量极高（如秒杀）。 适配方案： 基础策略：Cache Aside + 分布式锁 + 数据库事务 写操作：先通过数据库事务更新（如扣减库存），成功后删除缓存（避免缓存旧值），同时用分布式锁（如 Redis 的SETNX）防止并发写冲突。 读操作：缓存未命中时，加锁查询数据库并回填缓存，避免缓存击穿。 增强机制： 库存缓存只存 “预扣减后的值”，实际下单时再次校验数据库真实库存（兜底防超卖）。 引入消息队列异步重试（如删除缓存失败时，通过 MQ 重试确保缓存最终被删除）。 示例：秒杀场景中，商品库存更新流程： 用分布式锁锁定商品 ID，确保同一时间只有一个线程操作。 数据库事务内扣减库存（UPDATE stock SET num=num-1 WHERE id=? AND num>0）。 事务提交后，删除缓存中该商品的库存值。 释放锁，其他线程读取时因缓存未命中，会重新查询数据库并更新缓存。 2. 非核心实时场景：商品详情、用户地址（最终一致性） 特性：允许短时间不一致（如商品描述更新后，缓存延迟 1 秒同步），但需最终正确，读并发量高、写操作少。 适配方案： 基础策略：Cache Aside + 定期全量同步 写操作：更新数据库后删除缓存（避免直接更新缓存导致的并发覆盖问题）。 读操作：缓存未命中时查库回填，命中则直接返回（容忍毫秒级延迟）。 增强机制： 为缓存设置合理过期时间（如 30 分钟），即使删除缓存失败，也会自动过期并刷新。 每日凌晨执行全量同步任务（从数据库批量刷新缓存），修正可能的长期不一致。 示例：商品详情页更新（如修改商品描述）： 运营修改数据库中的商品描述字段。 调用接口删除缓存中该商品的详情 Key。 下次用户访问时，缓存未命中，查询数据库后写入新值（旧用户可能看到 1 秒内的旧描述，不影响核心体验）。
3. 写密集场景：购物车、用户积分（平衡性能与一致性） 特性：写操作频繁（如用户频繁添加 / 删除购物车商品），读操作也高频，但允许短暂不一致（如购物车商品数量延迟 1 秒同步）。 适配方案： 基础策略：Write Back（写回模式）+ 版本号控制 写操作：只更新缓存（如购物车 Redis 哈希结构），缓存异步批量更新数据库（如每 5 秒或缓存条目数达 100 时批量写入）。 读操作：直接读缓存（性能优先），通过版本号避免旧值覆盖（如每次更新时版本号 + 1，写入数据库时只保留最新版本）。 风险控制： 缓存集群开启持久化（如 Redis 的 AOF+RDB），防止宕机丢失数据。 对核心字段（如购物车商品 ID），同步更新数据库（避免关键数据丢失）。 示例：用户连续 3 次修改购物车商品数量： 第 1 次修改：缓存数量 = 2，版本号 = 1（异步待写入数据库）。 第 2 次修改：缓存数量 = 3，版本号 = 2（覆盖前一次异步任务）。 第 3 次修改：缓存数量 = 1，版本号 = 3（最终异步写入数据库，只保留版本号 = 3 的数据）。 4. 低重要性场景：商品浏览量、评价数（最终一致性 + 简化方案） 特性：数据错误影响极小（如浏览量少算 1 次），读写频率高，但无需复杂保障。 适配方案： 基础策略：Cache First（缓存优先）+ 定时刷新 写操作：直接更新缓存（如浏览量 + 1），不立即同步数据库。 读操作：只读缓存（完全依赖缓存数据）。 定时任务：每小时将缓存中的计数批量同步到数据库（允许 1 小时内的不一致）。 优势：开发简单，性能极高（无需操作数据库）。 示例：商品详情页 “浏览量” 统计： 用户访问时，缓存中view_count:123直接 + 1（无需查库）。 每小时执行任务：SELECT sum(view_count) FROM cache → 写入数据库并重置缓存计数。
三、避坑原则：避免过度设计或方案错配 不盲目追求 “强一致性”： 强一致性方案（如写透模式、分布式锁）会牺牲性能，非核心数据使用会导致系统瓶颈（如商品评价无需分布式锁）。 容忍 “可控的不一致”： 明确 “不一致的最大时长”（如商品价格允许 5 秒延迟），在此范围内用最终一致性方案降低成本。 兜底机制必须存在： 无论选择哪种方案，需有监控（如缓存与数据库数据差异告警）和补偿机制（如定时全量同步），防止异常场景下的长期脏数据。 总之，电商缓存一致性方案的选择，本质是 “业务价值与技术成本的平衡”： 核心数据（库存、订单）：用Cache Aside + 分布式锁 + 事务保障强一致性倾向，容忍轻微性能损耗。 非核心数据（商品详情）：用Cache Aside + 定期同步实现最终一致性，优先保证性能。 写密集 / 低重要数据：用写回模式或缓存优先简化方案，降低开发复杂度。 最终需通过压测和灰度发布验证方案的适配性，避免 “纸上谈兵”。 | ||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||||
|
