三种经典的缓存使用模式

一致性就是数据保持一致，在分布式系统中，可以理解为多个节点中数据的值是一致的。

强一致性：这种一致性级别是最符合用户直觉的，它要求系统写入什么，读出来的也会是什么，用户体验好，但实现起来往往对系统的性能影响大；
弱一致性：这种一致性级别约束了系统在写入成功后，不承诺立即可以读到写入的值，也不承诺多久之后数据能够达到一致，但会尽可能地保证到某个时间级别（比如秒级别）后，数据能够达到一致状态；
最终一致性：最终一致性是弱一致性的一个特例，系统会保证在一定时间内，能够达到一个数据一致的状态。这里之所以将最终一致性单独提出来，是因为它是弱一致性中非常推崇的一种一致性模型，也是业界在大型分布式系统的数据一致性上比较推崇的模型；

缓存可以提升性能、缓解数据库压力，但是使用缓存也会导致数据不一致性 的问题。一般我们是如何使用缓存呢？有三种经典的缓存使用模式：

Cache-Aside Pattern
Read-Through/Write-through
Write-behind

一、Cache-Aside读流程

Cache-Aside Pattern 的读请求流程如下：

读的时候，先读缓存，缓存命中的话，直接返回数据
缓存没有命中的话，就去读数据库，从数据库取出数据，放入缓存后，同时返回响应。

Cache-Aside Pattern 的写请求流程如下：

更新的时候，先更新数据库，然后再删除缓存 。

二、Read-Through/Write-Through（读写穿透）

Read/Write-Through 模式中，服务端把缓存作为主要数据存储。应用程序跟数据库缓存交互，都是通过抽象缓存层 完成的。

Read-Through

从缓存读取数据，读到直接返回
如果读取不到的话，从数据库加载，写入缓存后，再返回响应。

这个简要流程是不是跟Cache-Aside 很像呢？其实Read-Through 就是多了一层Cache-Provider 而已，流程如下：

Write-Through

Write-Through 模式下，当发生写请求时，也是由缓存抽象层 完成数据源和缓存数据的更新,流程如下：

三、Write-behind （异步缓存写入）

Write-behind 跟Read-Through/Write-Through有相似的地方，都是由Cache Provider 来负责缓存和数据库的读写。它们又有个很大的不同：Read/Write-Through 是同步更新缓存和数据的，Write-Behind 则是只更新缓存，不直接更新数据库，通过批量异步 的方式来更新数据库。