1、Cache Aside Pattern（旁路缓存）：以数据库为主，Redis作为辅助。数据更新先操作数据库，然后更新缓存，以降低并发时的脏数据风险。然而，这可能导致短暂的数据不一致，适用于读多写少的场景。
2、反推缓存与数据库不一致： 缓存的数据值 ≠ 数据库中的值； 缓存或者数据库存在旧的数据，导致线程读取到旧数据。 ？ 为何会出现数据一致性问题呢？ 把Redis 作为缓存的时候，当数据发生改变我们需要双写来保证缓存与数据库的数据一致。
3、我们当时MYSQL和Redis的数据双写一致性就是采用RabbitMQ实现同步的，这里面就要求了消息的高可用性，我们要保证消息的不丢失。
4、保证一致性的做法就是用某种分布式协议一致性来做：SAGA或者TCC - 这两种需要业务代码的大量配合。通过业务代码来补偿一致性。 现实当中有XA协议。比如Ehcache是支持XA协议的。但是性能表现不佳，运维也麻烦。
缓存是指可以进行高速数据交换的存储器，它先于内存与CPU交换数据，因此速率很快。
缓存是一种数据临时存储机制。其主要目的是提高数据访问的速度和效率。当数据被频繁访问时，将其存储在缓存中，可以大大减少访问时间和提高系统的性能。缓存是一种高速存储区域，它存储了从其他位置快速访问的数据副本。
定义与功能：缓存数据是暂时存放在缓存中的信息片段。在计算机中，当某些程序或应用运行时，为了加快数据访问速度，经常读取的数据会被存储到缓存中。这样，当再次需要这些数据时，系统可以直接从缓存中获取，而无需再次从较慢的存储介质中读取。工作原理：缓存数据的工作原理与内存中的缓存机制有关。
缓存是一种存储机制，它的主要作用是提高数据访问的速度。在计算机系统中，当某个程序或应用需要读取数据时，如果这些数据已经被缓存起来，那么就可以直接读取缓存中的数据，而无需再次从较慢的存储介质中读取。这样可以大大提高数据访问的速度，从而提高整个系统的性能。
首先，布隆过滤器有一定的误识别率，即可能会将不在集合中的元素误判为在集合中，这源于其基于概率的原理。其次，由于布隆过滤器是基于固定大小的向量和固定的映射函数，一旦元素被添加，就无法再从集合中删除，这意味着它不支持删除操作，这在某些场景下可能会造成问题。
布隆过滤器基本原理。布隆过滤器的使用方式。布隆过滤器（Bloom Filter）是1970年由[布隆]提出的。它实际上是一个很长的[二进制]向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。
布隆过滤器（英语：Bloom Filter）是 1970 年由布隆提出的。它实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中，它的优点是空间效率和查询时间都远远超过一般的算法。
在Scrapy-Redis中，可以将布隆过滤器与redis的bitmap结合，设置位长度为2的32次方，通过setbit和getbit操作实现。将自定义的bloomfilter.py文件添加到scrapy_redis源码目录，并在dupefilter.py中进行相应修改。需要注意的是，爬虫结束后可通过redis_conn.delete（key名称）释放空间。
布隆过滤器的原理1数据结构 布隆过滤器它实际上是一个很长的二进制向量和一系列随机映射函数。以Redis中的布隆过滤器实现为例，Redis中的布隆过滤器底层是一个大型位数组（二进制数组）+多个无偏hash函数。
官方定义中，布隆过滤器是一种概率性数据结构，支持快速插入和查询，同时具备数据保密性和占用空间小的优势。布隆过滤器可以确定数据肯定不存在，但不能确定数据肯定存在，因此在判断数据存在性方面存在一定误差。布隆过滤器通过具有m个bit位的数组实现，每个bit位初始化为0。
为了保证数据库与Redis缓存一致，通常采用以下几种方法： 使用主从复制：在数据库中配置主从复制，使Redis从数据库中获取数据，从而实现与数据库数据一致。 使用发布订阅模型：Redis可以作为消息队列使用，将数据库中的更新信息发布到Redis中，所有的订阅者都会收到这个更新信息，从而实现数据的同步。
面对这一挑战，有四种常见的解决方案，每一种都有其优缺点，让我们一一剖析： 先写数据库后写缓存这种方法旨在确保数据的最终一致性，避免因网络异常导致的缓存数据不准确。然而，在高并发情况下，若两个请求同时操作同一数据，可能会出现缓存与数据库的版本不一致。
在项目中确保 Redis 缓存和数据库数据一致性是至关重要的。主要策略采用 Cache-Aside Pattern，即服务端维护 DB 和缓存，以数据库为准。数据操作流程如下： 读取数据：当应用查询时，先检查缓存，无命中则从数据库获取并写入缓存，确保后续请求能直接命中。
1、库内分表 ，仅仅是解决了单表数据过大的问题，但并没有把单表的数据分散到不同的物理机上，因此并不能减轻 MySQL 服务器的压力，仍然存在同一个物理机上的资源竞争和瓶颈，包括 CPU、内存、磁盘 IO、网络带宽等。
使用加锁队列来应付这种问题。当有多个请求涌入的时候，当缓存失效的时候加入一把分布式锁，只允许抢锁成功的请求去库里面读取数据然后将其存入缓存中，再释放锁，让后续的读请求从缓存中取数据。但是这种做法有一定的弊端，过多的读请求线程堵塞，将机器内存占满，依然没有能够从根本上解决问题。
摘要：立志成为资深架构师的你，是否能够在高并发环境下合理并且高效的构建应用级缓存呢？随着我们的系统负载越来越高，系统的性能就会有所下降，此时，我们可以很自然地想到使用缓存来解决数据读写性能低下的问题。
生产环境条件 ① 设定并发量为10万次每秒，由架构师和技术负责人提供。② 使用20台配置为4G内存、4核处理器的机器。性能测试环境 ① 多数公司无法在测试环境达到与生产环境相同配置。通过基准测试，使用少量请求进行性能测试，推导出生产环境的性能指标。
我们的技术团队在处理高并发业务方面拥有丰富的经验。通过优化系统架构，我们确保了系统在面对大量用户同时访问时的稳定运行。此外，我们采用高效的数据库设计，显著提升了数据读写速度，减少了延迟时间。同时，合理的缓存策略也被广泛应用于我们的系统中，进一步提升了响应速度，确保了高并发场景下的高效处理。
每个选择都可能影响系统的性能和扩展性。当然，技术难题不仅仅是选择的问题，高级架构师还需具备解决复杂技术问题的能力，面对高并发场景和微服务架构，他们能提供有效的解决方案，同时处理代码中的瑕疵，确保代码质量和性能。而不仅仅是代码，他们还要扮演团队的引领者，通过培训和指导，提升团队的技术水平。
总的来说，架构师的任务主要集中在三个方面，其一是整体技术框架设计；其二是技术选型；其三是解决难点问题。所以对于程序员来说，如果想成长为架构师，需要做好以下几个方面的知识储备： 第一：丰富的开发经验。
