利用mq的最终一致性，解决分布式事务。

 我们的订单系统和商品（库存）是两个系统，当我们下订单后，我们就要去修改库存。

分布式系统要满足cap定理。一致性，可靠性，可用性。

我们没法都满足，只能满足两个。因为我们是电商项目。我们要满足服务的高可用。所以我们满足可靠性，和可用性。但是，我们又得满足一致性，这个时候，这个矛盾的解决又要依靠base理论中的最终一致性。我们无法满足强一致，但是我们可以满足最终一致性。

在电商系统中，我们用mq来保证最终一致性。保证mq一定会被消费。保证mq会被消费，我们主要有ack机制和序列化机制。

补充知识：

https://my.oschina.net/floor/blog/1587537

https://blog.csdn.net/hu_zhiting/article/details/77164138

 

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：

l 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。

 

l 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。

 

l 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。

 

l 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

2.1、 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。

 

A系统 开启事务，下单

B系统 开启事务，减库存

 

C系统 --》 mysql | Oracle

 

2.2、 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。

AP –> 牺牲C （最终一致性）

 

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）。

 

 

2.3、 柔性事务和刚性事务

l 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。

l 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：

u 两阶段提交（Two Phase Commit, 2PC）

n 有成熟的解决框架，实现简单。

n 资源锁定周期长，执行效率低，不适合高并发场景

n 故障恢复困难

u TCC补偿型事务（Try-Confirm-Cancle）

n 实现很复杂，开发成本高

n 资源锁定粒度小，执行效率高

n 强隔离性，严格的数据一致性

n 事务执行周期短

u 异步确保，基于可靠MQ服务

n 实现较为复杂，成本略高

n 对MQ的可靠性要求高

n 事务执行周期长

u 最大努力通知

n 实现简单，成本低

n 不保证最终一致

 

3、 柔性事务的实现方案

3.1、 两阶段提交（2PC）

3.1.1、 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：

 

l 正常情况

 

 

l 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。

 

3.1.2、 缺点

l 缺陷：

n 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.

n 实现复杂, 不利于系统的扩展, 不推荐.

 

现在几乎很少使用

 

3.2、 TCC（Try-Confirm-cancle）

3.2.1、 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。

 

l Try 阶段

n Try ：尝试执行业务

u 完成所有业务检查( 一致性 )

u 预留必须业务资源( 准隔离性 )

l Confirm / Cancel 阶段：

n Confirm ：确认执行业务

u 真正执行业务

u 不做任务业务检查

u Confirm 操作满足幂等性

n Cancel ：取消执行业务

u 释放 Try 阶段预留的业务资源

u Cancel 操作满足幂等性

u Confirm 与 Cancel 互斥

 

原理图：

 

 

3.2.2、 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。

 

我们用这个业务场景来解释TCC的过程：

l try：尝试执行业务

n 完成业务检查、预留必须业务资源

n 在本例中：判断库存是否充足，如果充足，锁定库存数据。

l confirm/cancel：

n Confirm ：

u 确认执行业务，利用try阶段预留的资源进行操作，如果失败还要重试，因此要保证接口的幂等性

u 在本例中，我们在库存系统减库存，同时在用户中心给用户增加积分。

n Cancel ：

u 如果confirm阶段出现异常、超时。则调用cancel取消执行业务，进行事务补偿（例如逆向操作）。释放try阶段锁定的资源。如果在事务补偿过程中出现异常，也必须进行重试。如果超过重试次数后，依然无法成功，则记录日志，以便后续人工介入进行事务补偿操作。

u 在本例中，我们尝试恢复库存。同时取消用户积分。

3.2.3、 优缺点

优点：

l 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。

l 事务执行效率高，时间短

l 能够保证严格的数据一致性。

缺点：

l 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

 

3.2.4、 使用场景

对一致性要求较高，事务时效性比较敏感的业务。

 

3.3、 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。

 

 

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：

l 与tcc相比，实现方式较为简单，开发成本低。

缺点：

l 数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。

l 需要处理被动业务方的幂等问题

l 被动业务失败不会导致主动业务的回滚

l 业务与消息服务耦合

 

3.3.1、 业务与消息耦合：

 

3.3.2、 业务与消息的分离

 

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：

l 消息系统与业务系统解耦

l 消息系统可以独立存储、独立伸缩

缺点：

l 每次消息发送，需要两次请求

l 业务处理系统，需要提供业务状态查询接口

 

3.3.3、 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。

 

3.4、 最大努力通知

3.4.1、 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.

l 主业务完成后，通过mq通知被动业务（允许消息丢失）

l 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

l 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。

3.4.2、 实现

实现：略。