数据管道找 MQ，数据共管要拆分，数据访问走 RPC——三种场景，一个结论
《缓存架构与实践》第 13 篇：为什么不要用缓存传递数据。
朋友说他有一个巧妙架构方案，服务之间通过缓存传递数据：
如上图：
1. service-A将数据放入cache；
2. service-B从cache里读取数据；
朋友问我，这种架构设计好还是不好？
我旗帜鲜明的反对“服务之间通过缓存传递数据”，下面三种场景，这种设计都不适合。
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：
1. 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；
2. 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；
3. MQ能够支持push，而cache只能拉取，不实时，有时延；
4. 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。
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：
1. 大家要彼此协同约定key的格式，ip地址等，耦合；
2. 约定好同一个key，可能会产生数据覆盖，导致数据不一致；
3. 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。
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）：
1. service层会向数据的需求方屏蔽下层存储引擎，分库，cache的复杂性；
2. 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。
简单总结
不管哪种场景，服务之间都不要使用缓存来传递数据：
1. 数据管道场景：MQ比cache更合适；
2. 数据共管场景：多个服务不应该共用一个cache实例，应该垂直拆分解耦；
3. 数据访问场景：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；
检验一下
误用讲完了，接下来看看缓存的极限玩法——第 14 篇（全系列最后一篇）：每秒 10W 并发的无锁缓存，是怎么做到的？
知其然，知其所以然。思路比结论更重要。