分布式事务Seata讲解记录

本地事务执行流程流程

数据库undo.log的工作原理
在操作数据之前会先将数据备份到Undo.log中，然后进行修改数据，如果出现错误或者用户执行
ROLLBACK语句，系统可以利用Undo.log中的备份将数据恢复到事务开始之前的状态。

执行流程
假设有A、B两个数据，值为 1,2
1、事务开始
2、记录A=1到undo.log
3、修改A=3
4、记录B=2到undo.log
5、修改B=4
6、将undo.log写入磁盘
7、将数据写入到磁盘
8、事务提交

在事务提交之前事务备份和修改先在内存中执行，效率高，然后写入磁盘持久化

事务如何保证持久化呢
先写入磁盘持久化，再提交事务，也就是说提交事务之前已一定会写入磁盘

数据库Redo.log（和undo.log相反）undo.log是记录旧数据，redo.log是记录新数据
假设有A、B两个数据，值为 1,2
1、事务开始
2、记录A=1到undo.log buffer(内存缓冲区)
3、修改A=3
4、记录A=3到redo.log buffer
5、记录B=2到undo.log buffer
6、修改B=4
7、记录B=4到redo.log buffer
8、将undo.log写入磁盘
9、将redo.log写入磁盘
10、事务提交

undo.log是写入到redo.log中的 所以说先记录旧数据在记录新数据
undo.log主要是记录事务前的数据（不可替代）

磁盘写入数据方式，简图

磁盘写入方式分为： 随机写和顺序写
redo.log的顺序写（效率高）
数据库数据写入磁盘是随机写（需要先寻址（耗费大量时间））

什么是CAP

• Consistency（一致性）

• Availability（可用性）

• Partition tolerance （分区容错性）

1、先看 Partition tolerance，中文叫做"分区容错"。

大多数分布式系统都分布在多个子网络。每个子网络就叫做一个区（partition）。分区容错的意思是，区间通信可能失败。比如，一台服务器放在上海，另一台服务器放在北京，这就是两个区，它们之间可能因网络问题无法通信。

         上图中，G1 和 G2 是两台跨区的服务器。G1 向 G2 发送一条消息，G2 可能无法收到。系统设计的时候，必须考虑到这种情况。
       一般来说，分布式系统，分区容错无法避免，因此可以认为 CAP 的 P 总是成立。根据CAP 定理，剩下的 C 和 A 无法同时做到。

2.Consistency

        写操作之后的读操作，必须返回该值。举例来说，某条记录是 v0，用户向 G1 发起一个写操作，将其改为 v1。

 接下来，用户的读操作就会得到 v1。这就叫一致性。

 问题是，用户有可能向 G2 发起读操作，由于 G2 的值没有发生变化，因此返回的是 v0。G1 和 G2 读操作的结果不一致，这就不满足一致性了。

 为了让 G2 也能变为 v1，就要在 G1 写操作的时候，让 G1 向 G2 发送一条消息，要求 G2 也改成 v1。

 这样的话，用户向 G2 发起读操作，也能得到 v1。

 3.Availability

        Availability 中文叫做"可用性"，意思是只要收到用户的请求，服务器就必须给出回应（对和错不论）。
        用户可以选择向 G1 或 G2 发起读操作。不管是哪台服务器，只要收到请求，就必须告诉用户，到底是 v0 还是 v1，否则就不满足可用性。

4.Consistency 和 Availability 的矛盾

        一致性和可用性，为什么不可能同时成立？
        答案很简单，因为可能通信失败（即出现分区容错）。
        如果保证 G2 的一致性，那么 G1 必须在写操作时，锁定 G2 的读操作和写操作。只有数据同步后，才能重新开放读写。锁定期间，G2 不能读写，没有可用性不。
        如果保证 G2 的可用性，那么势必不能锁定 G2，所以一致性不成立。
        综上所述，G2 无法同时做到一致性和可用性。系统设计时只能选择一个目标。如果追求一致性，那么无法保证所有节点的可用性；如果追求所有节点的可用性，那就没法做到一致性。

Base理论

BASE是三个单词的缩写：

• Basically Available（基本可用）

• Soft state（软状态）

• Eventually consistent（最终一致性）（G1-G2数据同步需要隔一段时间（比如：1毫秒））

一致性不是立刻一 致性，是隔一段时间后最终一直

基本可用是基本可以使用（不是完全不可用）隔一段时间后就可以使用了。

由上面的两种思想，延伸出了很多的分布式事务解决方案：

• XA

• TCC

• 可靠消息最终一致

• AT

TCC

它本质是一种补偿的思路。事务运行过程包括三个方法，

• Try：资源的检测和预留；

• Confirm：执行的业务操作提交；要求 Try 成功 Confirm 一定要能成功；

• Cancel：预留资源释放。

执行分两个阶段：

• 准备阶段（try）：资源的检测和预留；

• 执行阶段（confirm/cancel）：根据上一步结果，判断下面的执行方法。如果上一步中所有事务参与者都成功，则这里执行confirm。反之，执行cancel

• 优势

  TCC执行的每一个阶段都会提交本地事务并释放锁，并不需要等待其它事务的执行结果。而如果其它事务执行失败，最后不是回滚，而是执行补偿操作。这样就避免了资源的长期锁定和阻塞等待，执行效率比较高，属于性能比较好的分布式事务方式。

• 缺点

  • 代码侵入：需要人为编写代码实现try、confirm、cancel，代码侵入较多

  • 开发成本高：一个业务需要拆分成3个步骤，分别编写业务实现，业务编写比较复杂

  • 安全性考虑：cancel动作如果执行失败，资源就无法释放，需要引入重试机制，而重试可能导致重复执行，还要考虑重试时的幂等问题

AT模式

        2019年 1 月份，Seata 开源了 AT 模式。AT 模式是一种无侵入的分布式事务解决方案。可以看做是对TCC或者二阶段提交模型的一种优化，解决了TCC模式中的代码侵入、编码复杂等问题。

在 AT 模式下，用户只需关注自己的“业务 SQL”，用户的 “业务 SQL” 作为一阶段，Seata 框架会自动生成事务的二阶段提交和回滚操作。

可以参考Seata的官方文档。

2.7.1.基本原理

先来看一张流程图：

有没有感觉跟TCC的执行很像，都是分两个阶段：

• 一阶段：执行本地事务，并返回执行结果

• 二阶段：根据一阶段的结果，判断二阶段做法：提交或回滚

但AT模式底层做的事情可完全不同，而且第二阶段根本不需要我们编写，全部有Seata自己实现了。也就是说：我们写的代码与本地事务时代码一样，无需手动处理分布式事务。

那么，AT模式如何实现无代码侵入，如何帮我们自动实现二阶段代码的呢？

阶段一流程

 阶段二执行流程

提交操作：

        删除undo.log和redo.log等日志

回滚操作：

        查询undo.log，通过undo.log进行回滚

        回滚前 那redo.log 和数据库数据进行对比，看数据是否一致，如果一致直接回滚，不一致说明有其他人对数据进行了修改，此时需要人工干预，出现了脏数据。

这里的before image和after image类似于数据库的undo和redo日志，但其实是用数据库模拟的。

一阶段

        在一阶段，Seata 会拦截“业务 SQL”，首先解析 SQL 语义，找到“业务 SQL”要更新的业务数据，在业务数据被更新前，将其保存成“before image”，然后执行“业务 SQL”更新业务数据，在业务数据更新之后，再将其保存成“after image”，最后获取全局行锁，提交事务。以上操作全部在一个数据库事务内完成，这样保证了一阶段操作的原子性。

二阶段提交

二阶段如果是提交的话，因为“业务 SQL”在一阶段已经提交至数据库， 所以 Seata 框架只需将一阶段保存的快照数据和行锁删掉，完成数据清理即可。

二阶段回滚：

二阶段如果是回滚的话，Seata 就需要回滚一阶段已经执行的“业务 SQL”，还原业务数据。回滚方式便是用“before image”还原业务数据；但在还原前要首先要校验脏写，对比“数据库当前业务数据”和 “after image”，如果两份数据完全一致就说明没有脏写，可以还原业务数据，如果不一致就说明有脏写，出现脏写就需要转人工处理。

不过因为有全局锁机制，所以可以降低出现脏写的概率。

AT 模式的一阶段、二阶段提交和回滚均由 Seata 框架自动生成，用户只需编写“业务 SQL”，便能轻松接入分布式事务，AT 模式是一种对业务无任何侵入的分布式事务解决方案。

2.7.2.详细架构和流程

Seata中的几个基本概念：

• TC（Transaction Coordinator） - 事务协调者

  维护全局和分支事务的状态，驱动全局事务提交或回滚（TM之间的协调者）。

• TM（Transaction Manager） - 事务管理器

  定义全局事务的范围：开始全局事务、提交或回滚全局事务。

• RM（Resource Manager） - 资源管理器

  管理分支事务处理的资源，与TC交谈以注册分支事务和报告分支事务的状态，并驱动分支事务提交或回滚。

我们看下面的一个架构图

• TM：业务模块中全局事务的开启者

  • 向TC开启一个全局事务

  • 调用其它微服务

• RM：业务模块执行者中，包含RM部分，负责向TC汇报事务执行状态

  • 执行本地事务

  • 向TC注册分支事务，并提交本地事务执行结果

• TM：结束对微服务的调用，通知TC，全局事务执行完毕，事务一阶段结束

• TC：汇总各个分支事务执行结果，决定分布式事务是提交还是回滚；

• TC 通知所有 RM 提交/回滚 资源，事务二阶段结束。

一阶段：

• TM开启全局事务，并向TC声明全局事务，包括全局事务XID信息

• TM所在服务调用其它微服务

• 微服务，主要有RM来执行

  • 查询before_image

  • 执行本地事务

  • 查询after_image

  • 生成undo_log并写入数据库

  • 向TC注册分支事务，告知事务执行结果

  • 获取全局锁（阻止其它全局事务并发修改当前数据）

  • 释放本地锁（不影响其它业务对数据的操作）

• 待所有业务执行完毕，事务发起者（TM）会尝试向TC提交全局事务

二阶段：

• TC统计分支事务执行情况，根据结果判断下一步行为

  • 分支都成功：通知分支事务，提交事务

  • 有分支执行失败：通知执行成功的分支事务，回滚数据

• 分支事务的RM

  • 提交事务：直接清空before_image和after_image信息，释放全局锁

  • 回滚事务：

    • 校验after_image，判断是否有脏写

    • 如果没有脏写，回滚数据到before_image，清除before_image和after_image

    • 如果有脏写，请求人工介入