3. 数据库与缓存一致性的挑战：双写不一致、最终一致性延迟、脏数据产生的典型场景分析

在引入缓存层提升系统读性能的同时，数据库与缓存之间的数据一致性成为分布式系统中最棘手的核心问题之一。由于数据库与缓存是两套独立的存储系统，它们之间不存在原生分布式事务支持，任何写操作都面临“先写谁、后写谁、写失败怎么办”的决策困境。本章深入剖析三种最具代表性的不一致场景：双写不一致、最终一致性延迟以及脏数据产生，为后续引入SAGA模式提供问题背景。

3.1 双写不一致：并发写操作的竞态冲突

双写不一致是指当多个线程或服务实例同时对同一份数据执行“写数据库 + 写缓存”操作时，由于写入顺序交错导致缓存中保留了旧值或错误值。这是缓存一致性中最基础也最容易被忽视的陷阱。

双写不一致的核心原因在于缺乏全局写入顺序控制。常见的“先写DB再写缓存”策略并不能完全避免此问题，因为两个写操作之间并非原子操作。下表总结了不同写入顺序的优劣对比：

3.2 最终一致性延迟：缓存与数据库之间的时间窗口

最终一致性延迟是指数据库写入完成后，缓存未能立即同步更新，导致在某个时间窗口内，缓存返回的是过时数据。这种延迟在分布式系统中不可避免，但延迟时长直接影响用户体验和业务正确性。

以下三种典型场景会显著放大最终一致性延迟：

• 缓存TTL设置过长： 业务方为了降低缓存穿透率，将过期时间设为30分钟甚至更长。一旦数据库发生更新，缓存将在长达30分钟内持续返回旧数据。
• 异步消息队列积压： 使用消息队列异步同步缓存更新时，若队列出现积压（如消费者宕机、处理速度跟不上生产速度），缓存更新会严重滞后。
• 缓存集群分区故障： 当缓存集群发生网络分区，部分节点无法接收失效指令，这些节点上的数据将永久停留在旧版本。

3.3 脏数据产生的典型场景

脏数据是指缓存中存储了与数据库真实状态不一致的错误数据，且这种错误状态可能长期存在甚至永久固化。脏数据的产生往往比双写不一致和延迟更隐蔽，排查难度也更高。

3.3.1 缓存穿透与回填脏数据

当大量请求查询一个数据库中不存在的数据时，缓存无法命中，请求直接打到数据库。如果此时数据库返回空结果，某些实现会将“空值”也写入缓存（防止缓存穿透），但若后续数据库插入了该记录，缓存中的空值就成为脏数据。

3.3.2 部分更新导致缓存数据不完整

业务对象通常由多个字段组成。如果只更新了数据库中的部分字段，但缓存中更新的是整个对象，且更新逻辑遗漏了某些字段，缓存中就会保留旧字段值，形成“新旧混合”的脏数据。

3.3.3 缓存失效与并发重建的竞态

这是最经典的脏数据场景：缓存过期后，第一个请求发现缓存未命中，开始查询数据库并准备回填缓存。但在回填完成之前，第二个请求也发现缓存未命中，也查询数据库并回填。如果两个请求查询到的数据库版本不同（例如在回填间隙发生了数据库更新），后回填的缓存可能覆盖先回填的正确值，导致缓存永久错误。

3.3.4 脏数据分类总结