分布式事务，原来可以这么玩

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;
复制代码

● 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2*2=4个分支，如果要考虑余额+订单+流水的一致性，则会有2*2*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：
复制代码

● 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：

 

 

 

图片描述(最多50字) 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。
复制代码

 

 

 

图片描述(最多50字) 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 。
复制代码

 

 

 

图片描述(最多50字) 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。
复制代码

 

 

 

图片描述(最多50字)

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：
复制代码

● 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。
复制代码