分布式事务及解决方案

1、 经典事务

经典事务，是指传统的单机数据库事务，必须具备ACID原则：

• 原子性（A）
  所谓的原子性就是说，在整个事务中的所有操作，要么全部完成，要么全部不做，没有中间状态。对于事务在执行中发生错误，所有的操作都会被回滚，整个事务就像从没被执行过一样。
• 一致性（C）
  事务的执行必须保证系统的一致性，就拿转账为例，A有500元，B有300元，如果在一个事务里A成功转给B50元，那么不管并发多少，不管发生什么，只要事务执行成功了，那么最后A账户一定是450元，B账户一定是350元。
• 隔离性（I）
  所谓的隔离性就是说，事务与事务之间不会互相影响，一个事务的中间状态不会被其他事务感知。
• 持久性（D）
  所谓的持久性，就是说一单事务完成了，那么事务对数据所做的变更就完全保存在了数据库中，即使发生停电，系统宕机也是如此。

2、 分布式事务

1. 什么是分布式事务
   事务发生时，其中的参与者主要包含：应用服务、数据库。在经典事务中，无论是应用服务还是数据库都是单机部署，因此可以完全遵循ACID原则。但是现在主流的系统架构都是SOA的架构，以及现在日渐火热的微服务架构中，应用及数据库都会采用分布式集群部署。于是就产生了跨数据源或者跨服务的事务，这就是分布式事务。
2. 解决分布式事务的思路
   在分布式系统中，就不得不面对CAP的理论。

CAP定理是由加州大学伯克利分校Eric Brewer教授提出来的，他指出WEB服务无法同时满足一下3个属性：
• 一致性(Consistency) ： 客户端知道一系列的操作都会同时发生(生效)
• 可用性(Availability) ： 每个操作都必须以可预期的响应结束
• 分区容错性(Partition tolerance) ： 即使出现单个组件无法可用,操作依然可以完成

具体地讲在分布式系统中，在任何数据库设计中，一个Web应用至多只能同时支持上面的两个属性。显然，任何横向扩展策略都要依赖于数据分区。因此，设计人员必须在一致性与可用性之间做出选择。

而面对高并发的互联网行业，高可用显然会比一致性要重要的多，但是一致性也是不可抛弃的，如何解决这一矛盾？这个时候，大神们有总结出了BASE理论：
• Basically Available（基本可用）
• Soft state（软状态）
• Eventually consistent（最终一致性）
BASE理论是对CAP中的一致性和可用性进行一个权衡的结果，理论的核心思想就是：我们无法做到强一致，但每个应用都可以根据自身的业务特点，采用适当的方式来使系统达到最终一致性（Eventual consistency）。

3. 柔性事务和刚性事务
   刚性事务：严格遵循ACID原则的事务, 例如单机环境下的数据库事务。
   柔性事务：指遵循BASE理论（基本可用，最终一致）的事务, 通常用在分布式环境中
   因为分布式事务的特点，只能采用柔性事务，常用的柔性事务解决方案有：

两阶段提交（Two Phase Commit, 2PC）
 有成熟的解决框架，实现简单。
 资源锁定周期长，执行效率低，不适合高并发场景
 故障恢复困难
TCC补偿型事务（Try - Confirm - Cancel）
 实现很复杂，开发成本高
 资源锁定粒度小，执行效率高
 强隔离性，严格的数据一致性
 事务执行周期短
异步确保，基于可靠MQ服务
 实现较为复杂，成本略高
 对MQ的可靠性要求高
 事务执行周期长
最大努力通知
 实现简单，成本低
 不保证最终一致

3、 柔性事务的实现方案

1. 两阶段提交（2PC）
   原理:
   两阶段提交，基于XA协议，以及JTS协议JTA接口。
   XA协议指的是TM（事务管理器）和RM（资源管理器）之间的接口，由Tuxedo提出。XA中大致分为两部分：事务管理器和本地资源管理器。其中本地资源管理器往往由数据库实现，比如Oracle、DB2这些商业数据库都实现了XA接口，而事务管理器作为全局的调度者，负责各个本地资源的提交和回滚。XA实现分布式事务的原理如下：

正常情况

异常情况

在JavaEE平台下，WebLogic、Webshare等主流商用的应用服务器提供了JTA的实现和支持。而在Tomcat下是没有实现的，但是可以借助第三方的框架Jotm、Automikos等来实现，两者均支持spring事务整合。
缺点
 两阶段提交中的第二阶段, 协调者需要等待所有参与者发出yes请求, 或者一个参与者发出no请求后, 才能执行提交或者中断操作. 这会造成长时间同时锁住多个资源, 造成性能瓶颈, 如果参与者有一个耗时长的操作, 性能损耗会更明显.
 实现复杂, 不利于系统的扩展, 不推荐.现在几乎很少使用

2. TCC（Try - Confirm - cancel）
   原理:
   TCC是基于业务层面的事务定义。锁粒度完全由业务自己控制。它本质是一种补偿的思路。它把事务运行过程分成 Try、Confirm / Cancel 两个阶段。在每个阶段的逻辑由业务代码控制。这样就事务的锁粒度可以完全自由控制。业务可以在牺牲隔离性的情况下，获取更高的性能。

Try 阶段
Try ：尝试执行业务
 完成所有业务检查( 一致性 )
 预留必须业务资源( 准隔离性 )
Confirm / Cancel 阶段：
Confirm ：确认执行业务
 真正执行业务
 不做任务业务检查
 Confirm 操作满足幂等性
Cancel ：取消执行业务
 释放 Try 阶段预留的业务资源
 Cancel 操作满足幂等性
 Confirm 与 Cancel 互斥
原理图：

实例
在电商网站中，一个经典的案例是这样的：用户下单，基于订单系统实现，操作订单表；同时下单需要对商品进行减库存操作，在库存系统完成；同时还要对用户进行积分奖励，在用户中心完成。这样就出现了分布式事务。

优缺点
优点：
 TCC的try、confirm等操作全部有用户定义，因此锁定粒度由用户自由控制。各个资源独立锁定，分别提交、释放，无需等待对方。失败后是执行cancel中的补偿型操作即可。
 事务执行效率高，时间短
 能够保证严格的数据一致性。
缺点：
 正是因为需要用户编写所有的try、confirm、cancel操作，另外还有重试、幂等的要求，日志的记录等，实现复杂度较高，开发成本增加。
目前有一些开源的TCC框架：
TCC-transaction： https://github.com/changmingxie/tcc-transaction
spring-cloud-rest-tcc: https://github.com/prontera/spring-cloud-rest-tcc
happylifeplat-transaction: https://github.com/yu199195/happylifeplat-transaction
使用场景
对一致性要求较高，事务时效性比较敏感的业务。

3. 异步确保
   这种实现方式的思路，其实是源于ebay，后来通过支付宝等公司的布道，在业内广泛使用。其基本的设计思想是将远程分布式事务拆分成一系列的本地事务。如果不考虑性能及设计优雅，借助关系型数据库中的表即可实现。

业务与消息耦合：

在这个实现中，将分布事事务，拆分成了主动方事务和被动方事务，通过mq进行异步通知来确保最终的数据一致性。
优点：
 与tcc相比，实现方式较为简单，开发成本低。
缺点：
据一致性完全依赖于消息服务，因此消息服务必须是可靠的。
 需要处理被动业务方的幂等问题
 被动业务失败不会导致主动业务的回滚
 业务与消息服务耦合
业务与消息的解耦
刚才的实现中，业务方在进行业务处理的同时，还需要对消息数据进行持久化，代码耦合，不方便以后的维护。我们可以采用下面的模式，将消息与业务解耦：

优点：
 消息系统与业务系统解耦
 消息系统可以独立存储、独立伸缩
缺点：
 每次消息发送，需要两次请求
 业务处理系统，需要提供业务状态查询接口
使用场景：
对事务一致性的时效要求不高的业务。例如跨行转账，支付宝余额宝转账。

• 最大努力通知
  原理
  最大努力通知主要用于对于事务的一致性不是特别敏感的事务，实现事务的弱一致性。可以通过消息中间件实现。与前面异步确保型操作不同的一点是, 在消息由MQ Server投递到消费者之后, 允许在达到最大重试次数之后正常结束事务.
• 主业务完成后，通过mq通知被动业务（允许消息丢失）
• 通知失败后主动方 按照一定的时间阶梯进行消息发送重试，直到超过最大重试次数为止
• 主动方提供业务查询接口，以便被动方后续进行通知失败后的补偿，恢复丢失消息。

分布式事务及解决实战

分布式事务解决方案Seata入门介绍
分布式事务解决方案Seata搭建
分布式事务解决方案Seata实战-AT模式
分布式事务解决方案Seata集群搭建
分布式事务解决方案Seata实战-TCC模式