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;

 ● 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。

欢迎工作一到五年的Java工程师朋友们加入Java架构开发: 855835163

群内提供免费的Java架构学习资料(里面有高可用、高并发、高性能及分布式、Jvm性能调优、Spring源码,MyBatis,Netty,Redis,Kafka,Mysql,Zookeeper,Tomcat,Docker,Dubbo,Nginx等多个知识点的架构资料)合理利用自己每一分每一秒的时间来学习提升自己,不要再用"没有时间“来掩饰自己思想上的懒惰!趁年轻,使劲拼,给未来的自己一个交代!

你可能感兴趣的:(分布式事务,原来可以这么玩?)