多个数据要同时操作,如何保证数据的完整性,以及一致性?
答:事务
,是常见的做法。
举个栗子:
用户下了一个订单,需要修改余额表,订单表,流水表,于是会有类似的伪代码:
start transaction;
CURD table t_account; any Exception rollback;
CURD table t_order; any Exception rollback;
CURD table t_flow; any Exception rollback;
commit;
如果对余额表,订单表,流水表的SQL操作全部成功,则全部提交
如果任何一个出现问题,则全部回滚
事务,以保证数据的完整性以及一致性。
事务的方案会有什么潜在问题?
答: 互联网的业务特点,数据量较大,并发量较大,经常使用拆库的方式提升系统的性能。如果进行了拆库,余额、订单、流水可能分布在不同的数据库
上,甚至不同的数据库实例
上,此时就不能用数据库原生事务来保证数据的一致性了。
高并发易落地的分布式事务,是行业没有很好解决的难题,那怎么办呢?
答: 补偿事务
是一种常见的实践。
什么是补偿事务?
答:补偿事务,是一种在业务端实施业务逆向操作
事务。
举个栗子:
修改余额,事务为:
int Do_AccountT(uid, money){
start transaction;
//余额改变money这么多
CURD table t_account with money for uid;
anyException rollback return NO;
commit;
return YES;
}
那么,修改余额,补偿事务可以是:
int Compensate_AccountT(uid, money){
//做一个money的反向操作
return Do_AccountT(uid, -1*money){
}
同理,订单操作,事务是:Do_OrderT,新增一个订单;
订单操作,补偿事务是:Compensate_OrderT,删除一个订单。
要保证余额与订单的一致性,伪代码:
// 执行第一个事务
int flag = Do_AccountT();
if(flag=YES){
//第一个事务成功,则执行第二个事务
flag= Do_OrderT();
if(flag=YES){
// 第二个事务成功,则成功
return YES;
}
else{
// 第二个事务失败,执行第一个事务的补偿事务
Compensate_AccountT();
}
}
补偿事务有什么缺点?
- 不同的业务要写不同的补偿事务,
不具备通用性
; - 没有考虑
补偿事务的失败
; - 如果业务流程很复杂,if/else会
嵌套非常多层
;
画外音:上面的例子还只考虑了余额+订单的一致性,就有22=4个分支,如果要考虑余额+订单+流水的一致性,则会有22*2=8个if/else分支,复杂性呈指数级增长
。
还有其它简易一致性实践么?
答:多个数据库实例上的多个事务,要保证一致性,可以进行 “后置提交优化”。
单库是用这样一个大事务保证一致性:
start transaction;
CURD table t_account; any Exception rollback;
CURD table t_order; any Exception rollback;
CURD table t_flow; any Exception rollback;
commit;
拆分成了多个库后,大事务会变成三个小事务:
start transaction1;
//第一个库事务执行
CURD table t_account; any Exception rollback;
…
// 第一个库事务提交
commit1;
start transaction2;
//第二个库事务执行
CURD table t_order; any Exception rollback;
…
// 第二个库事务提交
commit2;
start transaction3;
//第三个库事务执行
CURD table t_flow; any Exception rollback;
…
// 第三个库事务提交
commit3;
画外音:再次提醒,这三个事务发生在三个库,甚至3个不同实例的数据库上。
一个事务,分成执行与提交两个阶段:
执行(CURD)的时间很长
提交(commit)的执行很快
于是整个执行过程的时间轴如下:
第一个事务执行200ms,提交1ms;
第二个事务执行120ms,提交1ms;
第三个事务执行80ms,提交1ms;
在什么时候,会出现不一致?
答:第一个事务成功提交之后,最后一个事务成功提交之前
,如果出现问题(例如服务器重启,数据库异常等),都可能导致数据不一致。
画外音:如上图,最后202ms内出现异常,会出现不一致。
什么是后置提交优化?
答: 如果改变事务执行与提交的时序,变成事务先执行,最后一起提交。
第一个事务执行200ms,第二个事务执行120ms,第三个事务执行80ms;
第一个事务提交1ms,第二个事务提交1ms,第三个事务提交1ms;
后置提交优化后,在什么时候,会出现不一致?
答: 问题的答案与之前相同
,第一个事务成功提交之后,最后一个事务成功提交之前,如果出现问题(例如服务器重启,数据库异常等),都可能导致数据不一致。
画外音:如上图,最后2ms内出现异常,会出现不一致。
有什么区别和差异?
答: 串行事务方案,总执行时间是303ms,最后202ms内出现异常都可能导致不一致;
后置提交优化方案,总执行时间也是303ms,但最后2ms内出现异常才会导致不一致;
虽然没有彻底解决数据的一致性问题,但不一致出现的概率大大降低了
。
画外音:上面这个例子,概率降低了100倍。
后置提交优化,有什么不足?
答: 对事务吞吐量会有影响:
串行事务方案,第一个库事务提交,数据库连接就释放了;
后置提交优化方案,所有库的连接,要等到所有事务执行完才释放
;
这就意味着,数据库连接占用的时间增长了,系统整体的吞吐量降低了
。
总结
分布式事务,两种常见的实践:
补偿事务
后置提交优化
把
trx1.exec(); trx1.commit();
trx2.exec(); trx2.commit();
trx3.exec(); trx3.commit();
优化为:
trx1.exec(); trx2.exec(); trx3.exec();
trx1.commit(); trx2.commit(); trx3.commit();
这个小小的改动(改动成本极低),不能彻底解决多库分布式事务数据一致性问题,但能大大降低数据不一致的概率,牺牲的是吞吐量。
对于一致性与吞吐量的折衷,还需要业务架构师谨慎权衡折衷。
画外音:还是那句话,一切脱离业务常见的架构设计,都是耍流氓。
思路比结论重要,希望大家有收获。