分布式事务扫盲

什么是分布式事务

• 事务

事务指的就是一个操作单元，在这个操作单元中的所有操作最终要保持一致的行为，要么所有操作都成功，要么所有的操作都被撤销

分两种：
一个是本地事务：本地事务其实可以认为是数据库提供的事务机
一个是分布式事务

• 分布式事务

指事务的参与者、支持事务的服务器、资源服务器以及事务管理器分别位于不同的分布式系统的不同节点之上

简单的说，就是一次大的操作由不同的小操作组成，这些小的操作分布在不同的服务器上，且属于不同的应用分布式事务需要保证这些小操作要么全部成功，要么全部失败

本质上来说，分布式事务就是为了保证不同数据库的数据一致性

产生的原因

• 业务发展，数据库的拆分-分库分表

• SOA和微服务架构的使用

• 多个微服务之间调用异常

  • 网络异常、请求超时、数据库异常、程序宕机等

为啥说是核心知识呢？

因为基本是每个微服务架构项目都离不开的难题，如下图

 数据最终一致性-CAP的权衡结果 BASE理论

 什么是Base理论

CAP 中的一致性和可用性进行一个权衡的结果，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, 来自 ebay 的架构师提出

• Basically Available(基本可用)

  • 假设系统，出现了不可预知的故障，但还是能用, 可能会有性能或者功能上的影响，比如RT是10ms，变成50ms

• Soft state（软状态）

  • 允许系统中的数据存在中间状态，并认为该状态不影响系统的整体可用性，即允许系统在多个不同节点的数据副本存在数据延时

• Eventually consistent（最终一致性）

  • 系统能够保证在没有其他新的更新操作的情况下，数据最终一定能够达到一致的状态，因此所有客户端对系统的数据访问最终都能够获取到最新的值

关于数据一致性

• 强一致：操作后的能立马一致且可以访问

• 弱一致：容忍部分或者全部访问不到

• 最终一致：弱一致性经过多一段时间后，都一致且正常

分布式事务常见解决方案

• 2PC 和 3PC

  • 两阶段提交, 基于XA协议

• TCC

  • Try、Confirm、Cancel

• 事务消息

  • 最大努力通知型

分布式事务分类

• 刚性事务：遵循ACID

• 柔性事务：遵循BASE理论

分布式事务框架

• TX-LCN：支持2PC、TCC等多种模式

  • https://github.com/codingapi/tx-lcn

  • 更新慢（个人感觉处于停滞状态）

• Seata：支持 AT、TCC、SAGA 和 XA 多种模式

  • https://github.com/seata/seata

  • 背靠阿里，专门团队推广

  • 阿里云商业化产品GTS

    • https://www.aliyun.com/aliware/txc

• RocketMq：自带事务消息解决分布式事务

  • https://github.com/apache/rocketmq

分布式事务常见核心概念

• X/OpenDTP 事务模型

是X/Open 这个组织定义的一套分布式事务的标准，也就是定义了规范和 API 接口，由各个厂商进行具体的实现DTP 是分布式事物处理(Distributed Transaction Processing)的简称

• XA协议

XA是由X/Open组织提出的分布式事务规范

XA规范主要定义了(全局)事务管理器(TM)和(局 部)资源管理器(RM)之间的接口

主流的数据库产品都实现了XA接口，是一个双向的系统接口，在事务管理器以及多个资源管理器之间作为通信桥梁

• JTA

Java Transaction API,java根据XA规范提供的事务处理标准

• AP

application, 应用程序也就是业务层，微服务等

• RM

Resource Manager，资源管理器。一般是数据库，也可以是其他资源管理器，比如消息队列，文件系统

• TM

Transaction Manager ，事务管理器、事务协调者，负责接收来自用户程序（AP）发起的 XA 事务指令，并调度和协调参与事务的所有 RM（数据库），确保事务正确完成

事务模型

在分布式系统中，每一个机器节点能够明确知道自己在进行事务操作过程中的 结果是成功还是失败，但无法直接获取到其他分布式节点的操作结果

当一个事务操作跨越多个分布式节点的时候，为了保持事务处理的 ACID 特性，需要引入一个“协调者”（TM）来统一调度所有分布式节点的执行逻辑，这些被调度的分布式节点被称为 AP，TM 负责调度 AP 的行为，并最终决定这些 AP 是否要把事务真正进行提交到（RM）

 

XA实现分布式事务的原理

XA协议规范-实现分布式事务的原理如下

• 一般习惯称为 两阶段提交协议（The two-phase commit protocol，2PC）

• 是XA用于在全局事务中协调多个资源的机制，MySql5.5以上开始支持

• 准备阶段：

  事务管理器给每个参与者都发送Prepared消息，每个数据库参与者在本地执行事务，并写本地的Undo/Redo日志，此时事务没有提交

  • Undo日志是记录修改前的数据，用于数据库回滚

  • Redo日志是记录修改后的数据，用于提交事务后写入数据

• 提交阶段：

  • 如果事务管理器收到了参与者的执行失败或者超时消息时，直接给每个参与者发送回滚（Rollback）消息,否则发送提交（Commit）消息;

  • 参与者根据事务管理器的指令执行【提交】或者【回滚】操作，并释放事务处理过程中使用的锁资源

  • 注意：必须在最后阶段释放锁资源

总结

• XA协议简单，数据库支持XA协议，开发使用成本比较低

• 对业务侵⼊很小，最大的优势就是对使用着透明

• 用户可以像使用本地事务那样使用基于 XA 协议的分布式事务，能够严格保障事务 ACID 特性

• 事务执行过程中需要将所需资源全部锁定，也就是俗称的刚性事务

  • 刚性事务：遵循ACID

  • 柔性事务：遵循BASE理论

• 性能不理想，占用锁资源比较多，高并发常见下无法满足

• 商业付费数据库支持好，mysql目前支持不是很完善

• 基于 XA 协议的 除了2PC，还有 3PC等

  • 三段提交（3PC）是二阶段提交（2PC）的一种改进版本 ，为解决两阶段提交协议的阻塞问题

  • 采用超时机制，解决TM故障后RM的阻塞问题，但与此同时却多了一次网络通信，性能上也不理想

TCC柔性事务的解决方案

什么是TCC柔性事务

• 刚性事务：遵循ACID

• 柔性事务：遵循BASE理论

• TCC:

  • 将事务提交分为

    • Try：完成所有业务检查( 一致性 ) ，预留必须业务资源( 准隔离性 )

    • Confirm ：对业务系统做确认提交，默认 Confirm阶段不会出错的 即只要Try成功，Confirm一定成功

    • Cancel : 业务执行错误，需要回滚的状态下执行的业务取消，预留资源释放, 进行补偿性

  • TCC 事务和 2PC 的类似，Try为第一阶段，Confirm - Cancel为第二阶段，它对事务的提交/回滚是通过执行一段 confirm/cancel 业务逻辑来实现，并且也并没有全局事务来把控整个事务逻辑

含义	操作方法
预留业务资源/数据效验	Try
确认执行业务操作，提交数据，不做任何业务检查，try成功，confirm必定成功，需保证幂等	Confirm
取消执行业务操作，回滚数据，需保证幂等，也是常说的补偿性事务	Cancel

TCC的交互图

 

• 优点：

  • 它把事务运行过程分成 Try、Confirm/Cancel 两个阶段

  • 每个阶段由业务代码控制，这样事务的锁力度可以完全自由控制

  • 不存在资源阻塞的问题，每个方法都直接进行事务的提交

• 缺点

  • 在业务层编写代码实现的两阶段提交，原本一个方法，现在却需要三个方法来支持

  • 对业务的侵入性很强，不能很好的复用

注意

使用TCC时要注意Try - Confirm - Cancel 3个操作的幂等控制，由于网络原因或者重试操作都有可能导致这几个操作的重复执行

分布式事务的解决方案之事务消息

• 事务消息

  • 消息队列提供类似Open XA的分布式事务功能，通过消息队列事务消息能达到分布式事务的最终一致

• 半事务消息

  • 暂不能投递的消息，发送方已经成功地将消息发送到了消息队列服务端，但是服务端未收到生产者对该消息的二次确认，此时该消息被标记成“暂不能投递”状态，处于该种状态下的消息即半事务消息

• 消息回查

  • 由于网络闪断、生产者应用重启等原因，导致某条事务消息的二次确认丢失，消息队列服务端通过扫描发现某条消息长期处于“半事务消息”时，需要主动向消息生产者询问该消息的最终状态（Commit 或是 Rollback），该询问过程即消息回查

• 交互图

• 目前较为主流的MQ，比如ActiveMQ、RabbitMQ、Kafka、RocketMQ等，只有RocketMQ支持事务消息

  • 如果其他队列需要事务消息，可以开发个消息服务，自行实现半消息和回查功能

• 好处

  • 事务消息不仅可以实现应用之间的解耦，又能保证数据的最终一致性

  • 同时将传统的大事务可以被拆分为小事务，能提升效率

  • 不会因为某一个关联应用的不可用导致整体回滚，从而最大限度保证核心系统的可用性

• 缺点

  • 不能实时保证数据一致性

  • 极端情况下需要人工补偿，比如 假如生产者成功处理本地业务，消费者始终消费不成功