如果请求还在等待时间范围内，不断轮询发现可以取到值了，那么就直接返回； 如果请求等待的时间超过一定时长，那么这一次直接从数据库中读取当前的旧值。（返回旧值不是又导致缓存和数据库不一致了么？那至少可以减少这个情况发生，因为等待超时也不是每次都是，几率很小吧。这里我想的是，如果超时了就直接读旧值，这时候仅仅是读库后返回而不放缓存）
5.高并发的场景下，该方案要注意的问题高并发的场景下，该解决方案其实还是有一些问题需要特别注意的。
5.1 读请求长时阻塞由于读请求进行了非常轻度的异步化，所以一定要注意读超时的问题，每个读请求必须在超时时间范围内返回。
该解决方案，最大的风险点在于，数据更新很频繁的情况下导致队列中积压了大量更新操作在里面，然后读请求会发生大量的超时，最后导致大量的请求直接走数据库取到了旧值。所以，务必通过一些模拟真实的测试，看看更新数据频繁的场景下是怎样的。
另外一点，因为一个队列中，可能会积压针对多个数据项的更新操作，因此需要根据自己的业务情况进行测试，确定一个实例中创建多少个内存队列，且可能需要部署多个服务，每个服务分摊一些数据的更新操作。
如果一个内存队列里积压100个商品的库存修改操作，每个库存修改操作要耗费10ms去完成，那么最后一个商品的读请求，可能等待10 * 100 = 1000ms = 1s后，才能得到数据。
这个时候就导致读请求的长时阻塞。
一定要做根据实际业务系统的运行情况，去进行一些压力测试，和模拟线上环境，去看看最繁忙的时候，内存队列可能会挤压多少更新操作，可能会导致最后一个更新操作对应的读请求，会hang多少时间。如果读请求在200ms返回，而且你计算过后，哪怕是最繁忙的时候，积压10个更新操作，最多等待200ms，那还可以的。
如果一个内存队列可能积压的更新操作特别多，那么你就要加机器，让每个机器上部署的服务实例处理更少的数据，那么每个内存队列中积压的更新操作就会越少。
Tips:
其实根据之前的项目经验，一般来说数据的写频率是很低的，因此实际上正常来说，在队列中积压的更新操作应该是很少的。
针对读高并发，读缓存架构的项目，一般写请求相对读来说，是非常非常少的，每秒的QPS能到几百就不错了。
假如一秒500的写操作，可以看成5份，每200ms就100个写操作。对于单机器，如果又20个内存队列，每个内存队列，可能就积压5个写操作，每个写操作性能测试后，一般在20ms左右就完成。
那么针对每个内存队列中的数据的读请求，也就最多hang一会儿，200ms以内肯定能返回了。
假如写QPS扩大10倍，但是经过刚才的测算，就知道，单机支撑写QPS几百没问题，那么就扩容机器，扩容10倍的机器，10台机器，每个机器20个队列，200个队列。
大部分的情况下，应该是这样的：大量的读请求过来，都是直接走缓存取到数据的。少量情况下，可能遇到读和数据更新冲突的情况。如上所述，那么此时更新操作如果先入队列，之后可能会瞬间来了对这个数据大量的读请求，但是因为做了去重的优化，所以也就一个更新缓存的操作跟在它后面。
等数据更新完了，读请求触发的缓存更新操作也完成，然后临时等待的读请求全部可以读到缓存中的数据。
这里还必须做好压力测试，确保恰巧碰上上述情况的时候，还有一个风险，就是突然间大量读请求会在几十毫秒的延时hang在服务上，看服务能不能抗的住，需要多少机器才能抗住最大的极限情况的峰值。
但是因为并不是所有的数据都在同一时间更新，缓存也不会同一时间失效，所以每次可能也就是少数数据的缓存失效了，然后那些数据对应的读请求过来，并发量应该也不会特别大。
Tips:
如果按1:99的比例计算写和读的请求，那么每秒5万的读QPS，可能只有500次更新操作。
如果一秒有500的写QPS，那么要测算好，可能写操作影响的数据有500条，这500条数据在缓存中失效后，可能导致多少读缓存的请求，发送读请求到库存服务来，要求更新缓存。
一般来说，按1:2的话，每秒钟有1000个读请求去读这500个正在更新库的数据，就会有1000个请求hang在库存服务上，如果规定每个请求200ms就返回，那么每个读请求最多hang多少时间，这个一定要测算好。
在同一时间最多hang住的可能也就是单机200个读请求，最坏的同时hang住，单机hang200个读请求，还是ok的。
但是假如1:20，每秒更新500条数据，这500秒数据对应的读请求，会有20 * 500 = 1万，1万个读请求全部hang在库存服务上，就死定了。