1、一致性
一致性是指系统中各节点数据保持一致。分布式系统中，可以理解为多个节点中的数据是一致的。
一致性根据严苛程度分类：
强一致性：写进去的数据是什么，读出来的数据就是什么，对性能影响最大；
弱一致性：数据写入成功后，系统不保证能立刻读出最新的数据，也不承诺多久之后数据可以达到一致，但保证到某个时间级别后，数据能达到一致；
最终一致性：最终一致性是弱一致性的一个特例，最终一致性同样只保证数据写入成功后，在某个时间点后数据会达到一致。这个系统无法保证强一致性的时间片段被称为不一致窗口。不一致时间窗口的时间长短取决于很多因素，比如副本个数、网络延迟、系统负载等。
最终一致性是弱一致性中非常受大众推崇的一种一致性模型，也是目前业界在大型分布式系统的数据一致性上比较推崇的模型。
2、缓存使用场景
对于大部分系统而言，高并发常见于读数据的场景，对于此场景我们可以使用缓存提升数据查询速度。当我们使用Redis作缓存的时候，常见场景如下所示：
缓存存在
如果数据在缓存中存在，则直接从缓存返回数据至应用，无需查询数据库
?缓存不存在
?如果数据在缓存中不存在，则需查询数据库获取数据并更新缓存。
对于大部分系统而言最终数据都会存储在数据库中，也就是系统需已数据库中数据为准，那么对于上图缓存存在的场景下，当数据库中的数据发生变化时，就可能会出现数据不一致的问题。
实际情况下考虑网络、操作、异常等种种因素，根本无法保证可以同时更新所有副本数据使得数据保持一致。因此，如何在最大程度上保证各副本数据一致的同时也不影响系统性能，成了各系统需要均衡的问题。
3、数据同步策略
为保证缓存数据与数据库数据一致，主要考虑如下两种策略实现：
1、先删除缓存，再更新数据库；
2、先更新数据库，再删除缓存；
当然除了这两种策略之外，还有其他策略如将删除缓存改为更新缓存，但考虑高频繁更新及热冷数据场景下缓存使用效率问题，个人不推荐更新缓存方式，所以此处不做展开。
3.1 先删除缓存，在更新数据库
操作流程如图
如上图，若先删除缓存，再更新数据库，则可能存在如下问题：
若步骤5、6、7顺序发生在步骤3、4之前或步骤3更新失败，则步骤8中线程B查询出的数据为旧数据，导致重新写入缓存的也为旧数据。
3.1.1 解决思路
失败重试 + 延时双删
如图中红色部分所述，线程A在步骤4数据更新成功后，延迟一段时间，再次删除缓存，这样即可解决并发场景下线程B并发操作导致缓存与数据库数据不一致问题。延迟时间视实际业务场景对时间敏感度而定。
?3.2 先更新数据库，再删除缓存
操作流程如图
如上图，若先更新数据库，再删除缓存，则可能存在如下问题：
步骤5、6发生在步骤3之前或步骤3删除缓存失败，则线程B通过步骤5会拿到缓存数据，但此时获取到的缓存数据仍为旧数据。
3.2.1 解决思路
订阅binlog
数据库的每一步操作均会写入binlog日志，可以通过监听binlog，实时感知数据变化情况，根据数据变化情况删除redis并添加重试机制，直至redis删除成功。
引入消息队列
上图步骤3中若Redis删除失败，则将Redis key放入消息队列，消费端监听消息队列并删除Redis直至删除成功；
4 总结
需要注意的是3.1.1 和 3.2.1中描述的解决方案也只能保证最终数据一致性，无法保证强一致性，如上述各场景中若线程A操作异常，在通过3.1.1 和 3.2.1的方式解决问题之前，其他线程仍有可能获取到脏数据。