新闻详情

新闻详情

首页 / 资讯中心 / 详情

缓存失效策略选型对比:Cache-Aside、Read-Through 与 Write-Behind 的综合权衡

发布时间:2026/11/17 11:43:46来源:尧图网络
缓存失效策略选型对比:Cache-Aside、Read-Through 与 Write-Behind 的综合权衡
缓存失效策略选型对比Cache-Aside、Read-Through 与 Write-Behind 的综合权衡在分布式系统、多租户智能体与高并发数据库架构中缓存与数据库的双写一致性Cache-DB Consistency与失效策略是决定系统在高并发读写下是否会发生“数据脏读、数据覆盖与数据丢失”的最核心技术战场。如果缓存失效策略选型错误系统会频繁遭遇各种令人崩溃的分布式并发竞态Race Conditions脏数据永久驻留缓存写请求在更新了数据库之后直接去更新缓存而不是淘汰缓存在并发场景下先写的事务后更新缓存导致缓存中永久驻留了旧的脏数据并发写穿透与数据覆盖极端宕机导致数据物理丢失。面对业界三大经典缓存失效与读写策略旁路缓存模式Cache-Aside Pattern读穿/写穿模式Read-Through / Write-Through Pattern异步写回模式Write-Behind / Write-Back Pattern。技术架构师在面对读多写少、写多读少以及对一致性要求极高的不同业务场景时应当如何进行理性的工程取舍与落地本文将基于 YueJoy 生产实战对三大缓存策略进行深度的横向对比与选型指南。三大缓存失效策略运行机理对比┌────────────────────────────────────────────────────────┐ │ 【1. Cache-Aside 旁路缓存模式 (工业界绝对主流 90%)】│ │ - 读策略先查缓存未命中查 DB再写入缓存 │ │ - 写策略**先更新数据库再删除 (Delete) 缓存** │ │ - 优势实现极简天然防脏数据数据库与缓存弱耦合 │ └────────────────────────────────────────────────────────┘ ┌────────────────────────────────────────────────────────┐ │ 【2. Read-Through / Write-Through 读写穿透模式】 │ │ - 机制应用把缓存视为唯一数据源由缓存代理组件透明 │ │ 负责同步读写底层数据库 │ │ - 优势业务代码极其干净 (无需关心底层 DB) │ │ - 劣势需要引入重型的缓存中间件或自研 Adapter │ └────────────────────────────────────────────────────────┘ ┌────────────────────────────────────────────────────────┐ │ 【3. Write-Behind / Write-Back 异步批量写回模式】 │ │ - 机制写操作只写入内存缓存即刻返回后台异步批量合并 │ │ 写入底层数据库 (如每 5 秒落盘一次) │ │ - 优势写入性能无敌(单机轻松承载 100,000 QPS 写) │ │ - 劣势极端断电/宕机有微弱丢数据风险事务 ACID 降级 │ └────────────────────────────────────────────────────────┘为什么 Cache-Aside 必须是“先更新 DB再删除 Cache”剖析 Cache-Aside 经典的并发写入场景【错误做法先删缓存后更新 DB】 - 线程 A 删除了缓存 Key - 此时并发的 线程 B 发起读请求发现缓存为空从 DB 读出了【旧值】并写回缓存 - 线程 A 随后完成了数据库更新为【新值】 - 结果缓存中永久保留了线程 B 写回的【旧值】发生严重脏读 【正确做法先更新 DB再删除 Cache (配合短期 TTL 兜底)】 - 线程 A 更新了数据库为【新值】 - 线程 A 发送 redis.Del(key) 淘汰缓存 - 下一个读请求发现缓存不存在重新从 DB 读出【最新值】并回填 - 彻底消灭脏数据驻留基于 Go Redis 的生产级 Cache-Aside 核心实现package cacheaside import ( context database/sql encoding/json fmt time github.com/redis/go-redis/v9 ) type TenantContractManager struct { db *sql.DB rdb *redis.Client } // 1. 读操作Cache-Aside 标准读流程 func (m *TenantContractManager) GetContract(ctx context.Context, contractID string) (map[string]interface{}, error) { cacheKey : fmt.Sprintf(contract:%s, contractID) // 尝试从 Redis 极速读取 cachedStr, err : m.rdb.Get(ctx, cacheKey).Result() if err nil { var result map[string]interface{} _ json.Unmarshal([]byte(cachedStr), result) return result, nil } // 缓存未命中读取数据库 var payloadStr string err m.db.QueryRowContext(ctx, SELECT payload FROM tenant_contracts WHERE id $1, contractID).Scan(payloadStr) if err ! nil { return nil, err } var data map[string]interface{} _ json.Unmarshal([]byte(payloadStr), data) // 回填 Redis设置 1 小时 TTL 随机抖动 Jitter _ m.rdb.Set(ctx, cacheKey, payloadStr, 1*time.Hour).Err() return data, nil } // 2. 写操作先更新 DB再删除 Cache func (m *TenantContractManager) UpdateContract(ctx context.Context, contractID string, newPayload map[string]interface{}) error { cacheKey : fmt.Sprintf(contract:%s, contractID) payloadBytes, _ : json.Marshal(newPayload) // 步骤一首先原子更新底层数据库 _, err : m.db.ExecContext(ctx, UPDATE tenant_contracts SET payload $1, updated_at NOW() WHERE id $2, string(payloadBytes), contractID) if err ! nil { return fmt.Errorf(database update failed: %w, err) } // 步骤二即刻淘汰删除缓存 (严禁直接 Set 更新缓存) _ m.rdb.Del(ctx, cacheKey).Err() // 步骤三若在高并发极热场景可利用延迟双删 (Delayed Double Deletion) 进一步兜底 go func() { time.Sleep(500 * time.Millisecond) _ m.rdb.Del(context.Background(), cacheKey).Err() }() return nil }创业团队的 80/20 缓存失效策略选型决策树┌─────────────────────────────────────────────────────────────┐ │ YueJoy 缓存失效策略落地选型决策树 │ ├─────────────────────────────────────────────────────────────┤ │ 1. 场景 A企业核心业务 (合同、配置、审批流状态 - 95% 场景) ──│ │ 100% 选用 Cache-Aside (先改 DB 再删缓存 延迟双删兜底) │ ├─────────────────────────────────────────────────────────────┤ │ 2. 场景 B高频写入但允许微弱丢失 (如页面 PV、点击热力图) ──│ │ 选用 Write-Behind 异步批量落盘 (极致压榨单机 10万 QPS 写) │ ├─────────────────────────────────────────────────────────────┤ │ 3. 坚决淘汰“先改 DB 再直接改 Cache”的错误双写方案 │ │ 杜绝在生产环境中因并发覆盖导致脏数据永久驻留缓存 │ └─────────────────────────────────────────────────────────────┘选型务实安全第一缓存策略的最高境界不是比拼谁的写入延迟更短而是在高并发的狂风暴雨中守住数据的绝对纯净与一致性。用 Cache-Aside 筑牢业务数据的底线用异步写回征服海量非关键流水是高可靠分布式架构师最清醒的工程选型艺术。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉