[转]缓存构架经验总结 – 3.1. 服务通过缓存传递数据，绝不推荐

《服务通过缓存传递数据，是否可行》一文引发一个服务之间“通过缓存传递数据”设计合理性的讨论。

如上图：

• service-A将数据放入cache
• service-B从cache里读取数据

 

这种架构设计好还是不好，网友进行了激烈的讨论，感兴趣的同学可以看下《服务通过缓存传递数据，是否可行》的评论，看到这么多互联网技术人对一个技术方案问题进行思考与探讨，很是开心。这里，分享下个人的观点。

先说结论

楼主旗帜鲜明的反对“服务之间通过缓存传递数据”。

 

核心理由

一、数据管道场景，MQ比cache更加适合

如果只是单纯的将cache作为两个服务数据通讯的管道，service-A生产数据，service-B（当然，可能有service-C/service-D等）订阅数据，MQ比cache更加合适：

• MQ是互联网常见的逻辑解耦，物理解耦组件，支持1对1，1对多各种模式，非常成熟的数据通道

画外音：详见《MQ，互联网架构解耦神器》

• 而cache反而会将service-A/B/C/D耦合在一起，大家要彼此协同约定key的格式，ip地址等
• MQ能够支持push，而cache只能拉取，不实时，有时延
• MQ天然支持集群，支持高可用，而cache未必
• MQ能支持数据落地，cache具备将数据存在内存里，具有“易失”性，当然，有些cache支持落地，但互联网技术选型的原则是，让专业的软件干专业的事情：nginx做反向代理，db做固化，cache做缓存，mq做通道

综上，数据管道场景，MQ比cache更加适合。

 

二、数据共管场景，两个(多个)service同时读写一个cache实例会导致耦合

如果不是数据管道，是两个(多个)service对一个cache进行数据共管，同时读写，也是不推荐的，这些service会因为这个cache耦合在一起：

• 大家要彼此协同约定key的格式，ip地址等，耦合
• 约定好同一个key，可能会产生数据覆盖，导致数据不一致
• 不同服务业务模式，数据量，并发量不一样，会因为一个cache相互影响，例如service-A数据量大，占用了cache的绝大部分内存，会导致service-B的热数据全部被挤出cache，导致cache失效；又例如service-A并发量高，占用了cache的绝大部分连接，会导致service-B拿不到cache的连接，从而服务异常

综上，数据共管场景，多个service耦合在一个cache实例里，也是不推荐的，需要垂直拆分，实例解耦。

 

三、数据访问场景，两个(多个)service有读写一份数据的需求

根据服务化的原则，数据是私有的（本质也是解耦）：

• service层会向数据的需求方屏蔽下层存储引擎，分库，chace的复杂性
• 任何需求方不能绕过service读写其后端的数据

 

假设有其他service要有数据获取的需求，应该通过service提供的RPC接口来访问，而不是直接读写后端的数据，无论是cache还是db。

 

综上

• 数据管道，MQ比cache更合适
• 多个服务不应该公用一个cache实例，应该垂直拆分解耦
• 服务化架构，不应该绕过service读取其后端的cache/db，而应该通过RPC接口访问

 

希望逻辑是清晰的，供大伙参考，欢迎不同的声音共同探讨。

 

 

[source]服务通过缓存传递数据，绝不推荐