【一图流思维导图】-分布式之道 认识分布式, 分布式事务,CAP，BASE理论理解，实现分布式事务方法（两阶段提交，分布式锁 Redisson框架使用）

分布式之道

认识分布式

集群

• 加服务器

  • 扛量

• 实现

  • 相同服务部署在多台服务器
  • 服务器之间通过负载均衡

分布式

• 一个任务需要10小时

  • 想要将时间缩短到1个小时

    • 需要10台服务器

• ABC3个应用

  • A

    • A也是可以集群化的

      • A
      • A
      • A

  • B

  • C

• 将不同应用部署到不同服务器，形成多个节点，每个节点可以形成集群

• 同时节点之间还可以保持通信已保证分布式集群的响应输出

分布式事务

传统事务

• ACID

  • 原子性
  • 一致性
  • 隔离性
  • 持久性

分布式事务

• 理解

  • 分布式系统里面的事务

• 理论

  • CAP理论

    • C一致性

      • 所有节点访问的都是同一份最新的数据库副本

        • 强一致性

          • 没有延迟

        • 最终一致性

          • 数据有延迟
          • 但最终会同步到最新的

    • A可用性

      • 每次请求都能获取正确的响应，不保证数据为最新的数据

        • 高可用 有需要需要牺牲强一致性

    • P分区容错性

      • 整体理解

        • 已实际效果来说，相当于对通信的时限要求
        • 系统如果不能在时限内达成数据一致性，就意味着发生了分区
        • 这个时候就需要在一致性 和 可用性中间做出选择

      • 分区

        • 分布式系统由若干节点组成，每个节点之间通过网络进行通信

        • 网络分区/孤立节点/脑裂

          • 有些节点因为网络原因，不能继续通信
          • 就会形成孤立的节点

      • 容错

        • 是一种分布式的能力

          • 要做到节点之间的网络异常发送后，整个分布式系统任然可用

        • 分析

          • 情况1：数据只存储到一个节点上

            • 发生了网络分区
            • 与这个节点失去通信能力的节点都访问不到数据了

          • 解决方法

            • 为了提高容错能力，会被数据复制到分布式系统的所有节点上面

            • 分区发生后

              • 每个节点都能访问数据

                • 保证了可用性

          • 通过这种解决方法，提高了分布式系统的容错能力

      • 代来的问题

        • 复制的数据节点越多

          • 节点的数据不一致的可能性就越大（网络的不确定性）

            • 带来了一致性的问题

    • CAP为什么不能同时满足

      • PCA天平

        • P

          • C
          • A

      • 举例

        • 两个节点

          • N1

            • 应用A

              • 数据库V0

                • 用户请求 V0-V1

          • N2

            • 应用B

              • 数据库V0

                • 同步N1数据 V0-V1

        • 正常是

          • N1节点上的应用A数据发生更新变成V1,那N2上面的数据库需要同步更新成V1

        • 出现网络故障

          • N1 N2 网络发生故障 N1数据是V1,N2数据是V0

          • 这个时候用户访问N2节点

            • 两个选择

              • 1 牺牲数据一致性

                • 返回用户旧的V0数据

              • 2 牺牲可用性

                • 让用户等，知道网络正常，数据更新到V1之后，再返回给用户

  • BASE理论

    • 基本可用

      • 分布式系统出现故障

        • 允许损失一部分可用性
        • 拿响应时间和功能上的损失换来可用

      • 举例

        • 访问量大的时候

          • 对一些不重要的功能做降级处理
          • 同时在响应时间上放宽限制

    • 软状态

      • 弱状态 柔性状态

        • 这个中间状态不会影响系统的整体可用性

      • 举例

        • 在下单完成进行支付的过程中

          • 我们让页面显示“支付中”

            • 等待支付系统完成数据同步

        • 数据库读写分离

          • 写库复制同步到读库会有一个延时

    • 最终一致性

      • 在允许出现中间状态的情况下

        • 经过一段时间，各项数据状态才最终达到一致

      • 可以理解为弱一致性

      • 举例

        • 订单系统的订单状态
        • 库存系统的库存状态
        • 支付系统的支付状态

    • 互联网最核心的需求：高可用

      • 保证用户请求能获得相应

• 实现分布式事务方法

  • 两阶段事务提交

    • 理解

      • 准备阶段

        • 参与者完整约束检查，达成关于分布式事务一致性的共识

      • 提交阶段

        • 根据之前达成的共识完成相应操作

    • 两阶段事务提交会消耗更长的时间

      • 可能出现事务积压甚至死锁
      • 系统的性能和吞吐量会下降

    • 正常电商领域不会使用两阶段提交

      • 低效

  • 电商大促，无论峰值访问量有多大，商城系统都是确保可用的

    • 数据一致性会有延迟

      • 比如：付款成功，订单状态暂时未更新
      • 牺牲了，C保证了A P

分布式锁

• 理解

  • 线程中需要访问共享资源

    • 保证线程同步安全

      • synchronized
      • lock

  • 分布式系统是一个多进程的环境

    • 在单体式部署到分布式部署

      • 也需要锁

• 分布式锁的实现方式

  • 用锁的三个过程

    • 定义锁
    • 获得锁
    • 释放锁

  • 目前采用的方式

    • 数据库
    • redis
    • zookeeper

• Redisson框架使用

  • 定义任务 TestLock

    • 属性

      • name
      • RedissonClient
      • CountDownLatch

    • run方法

      • 定义锁

        • RLock lock = redisson.getLock(“TestLock”);

      • 获取锁

        • lock.tryLock(300,30, TimeUnit.MICROSECONDS)

      • 处理

        • dosomething
        • latch.countDown();

      • 释放锁

        • lock.unlock();

  • 通过线程池模拟创建5个线程，
    通过减数器，等待最终全部完成

    • main

      • 创建减少计数器

        • CountDownLatchlatch = new CountDownLatch(fixNum)

      • 配置config

        • new Config()
        • config.useSingleServer().setAddress(“redis://192.168.25.130:6379”)

      • 创建 RedissonClient

        • RedissonClient redisson = Redisson.create(config);

      • 通过线程池创建5个线程

        • threadPool1 = Executors.newFixedThreadPool(fixNum)

        • 每个线程执行定义的任务

          • for (int i = 0; i < 5; i++) {}

            • threadPool1.submit(new TestLock(“client-”+i,redisson,latch));

        • 关闭线程池

          • threadPool1.shutdown();

      • 等待减少计数器到0

        • latch.await();

      • System.out.println(“所有任务执行完毕”);

XMind - Trial Version