1 基础概念
1.1. 什么是事务
什么是事务? 举个生活的例子 : 你去小卖部买东西,"一手交钱, 一手交货" 就是一个事务的例子, 交钱和交货必须全部成功, 事务才算成功, 任一个活动失败, 事务将撤销所有已成功的活动.
明白上述例子, 再来看事务的定义 :
事务可以看做是一次大的活动, 它由不同的小活动组成, 这些活动要么全部成功, 要么全部失败.
1.2. 本地事务
在计算机系统中, 更多的是通过关系型数据库来控制事务, 这里利用数据库本身的事务特性来实现的, 因此叫数据库事务, 由于应用主要靠关系数据库来控制事务, 而数据库通常和应用在同一个服务器, 所以基于关系型数据库的事务又被称为本地事务.
回顾一下数据库事务的四大特性 ACID:
A(Atomic): 原子性, 构成事务的所有操作, 要么都执行完成, 要么全部不执行, 不可能出现部分成功部分失败的情况.
C(Consistency): 一致性, 在事务执行前后, 数据库的一致性约束没有被破坏. 比如 : 张三向李四转 100 元, 转账前和转账后的数据是正确状态这叫一致性, 如果出现张三转出 100 元, 李四账户没有增加 100 元这就出现来数据错误, 就没有达到一致性.
I(Isolation): 隔离性, 数据库中的事务一般都是并发的, 隔离性是指并发的两个事务的执行互不干扰, 一个事务不能看到其他事务运行过程的中间状态. 通过配置事务隔离级别可以避免赃读, 重复读等问题.
D(Durability): 持久性, 事务完成之后, 该事务对数据的更改会被持久化到数据库, 且不会被回滚.
数据库事务在实现时会将一次事务涉及的操作全部纳入到一个不可分割的执行单元, 该执行单元中的所有操作要么都成功, 要么都失败, 只要其中任一操作执行失败, 都将导致整个事务的回滚.
1.3. 分布式事务
随着互联网的快速发展, 软件系统由原来的单体应用转变为分布式应用, 下图描述来单体应用向微服务的演变:
分布式系统会把一个应用系统拆分为可独立部署的多个服务, 因此需要服务与服务之间远程协作才能完成事务操作, 这种分布式系统环境下由不同的服务之间通过网络远程协作完成事务称之为分布式事务, 例如用户注册送积分事务, 创建订单减库存事务, 银行转账事务等都是分布式事务.
我们知道本地事务依赖数据库本身提供的事务特性来实现, 因此以下逻辑可以控制本地事务 :
- begin transaction;
- // 1. 本地数据库操作 : 张三减少金额
- // 2. 本地数据库操作 : 李四增加金额
- commit transation;
但是在分布式环境下, 会变成下边这样:
- begin transaction;
- // 1. 本地数据库操作 : 张三减少金额
- // 2. 远程调用 : 让李四增加金额
- commit transation;
可以设想, 当远程调用让李四增加金额成功来, 由于网络问题远程调用并没有返回, 此时本地事务提交失败的回滚来张三减少金额的操作, 此时张三和李四的数据就不一致了.
因此在分布式架构的基础上, 传统数据库事务就无法使用了, 张三和李四的账户不在一个数据库中甚至不在一个应用系统里, 实现转账事务需要通过远程调用, 由于网络问题就会导致分布式事务问题.
1.4. 分布式事务产生的场景
1, 典型的场景就是微服务架构, 微服务之间通过远程调用完成事务操作. 比如 : 订单微服务和库存微服务, 下单的同时订单微服务请求库存微服务减库存. 简言之 : 跨 JVM 进程产生分布式事务.
2, 单体系统访问多个数据库实例, 当单体系统需要访问多个数据库 (实例) 时就会产生分布式事务. 比如: 用户信息和订单信息分别在两个 MySQL 实例存储, 用户管理系统删除用户信息, 需要分别删除用户信息及用户的订单信息, 由于数据分布在不同的数据实例, 需要通过不同的数据库链接去操作数据, 此时产生分布式事务. 简言之 : 跨数据库实例产生分布式事务.
3, 多服务访问同一个数据库实例, 比如 : 订单微服务和库存微服务即使访问同一个数据库也会产生分布式事务, 原因就是跨 JVM 进程, 两个微服务持有了不同的数据库链接进行数据库操作, 此时产生分布式事务.
2. 分布式事务基础理论
我们了解到分布式事务的基础概念. 与本地事务不同的是, 分布式系统之所以叫分布式, 是因为提供服务的各个节点分布在不同的机器上, 相互之间通过网络交互. 不能因为有一点网络问题就导致整个系统无法提供服务, 网络因素成为了分布式事务的考量标准之一. 因此分布式事务需要更进一步的理论支持.
在了解分布式事务控制解决方案之前先了解一些基础理论, 通过理论知识指导我们确定分布式事务控制的目标, 从而帮助我们理解解决方案.
2.1. CAP 理论
2.1.1. 理解 CAP
CAP 是 Consistency,Availability,Parition tolerance 三个词语的缩写, 分别表示一致性, 可用性, 分区容忍性.
下边我们分别来解释 :
为了方便对 CAP 理论的理解, 我们结合电商系统中的一些业务场景来理解 CAP.
如下图, 是商品信息管理的执行流程 :
整体执行流程如下 :
1, 商品服务请求主数据库写入商品信息(添加商品, 修改商品, 删除商品).
2, 主数据库向商品服务响应写入成功.
3, 商品服务请求从数据库读取商品信息.
C-Consistency :
一致性是指写操作后的读操作可以读取到最新的数据状态, 当数据分布在多个节点上, 从任意节点读取到的数据都是最新的状态.
上图中, 商品信息的读写要满足一致性就是要实现如下目标 :
1, 商品服务写入主数据库成功, 则向从数据库查询新数据也成功.
2, 商品服务写入主数据库失败, 则向从数据库查询新数据也失败.
如何实现一致性?
1, 写入主数据库后要将数据同步到从数据库.
2, 写入主数据库后, 在向从数据库同步期间要将从数据库锁定, 待同步完成后再释放锁, 以免在新数据写入成功后, 向从数据库查询到旧的数据.
分布式系统一致性的特点 :
1, 由于存在数据同步的过程, 写操作的响应会有一定的延迟.
2, 为了保证数据一致性会对资源暂时锁定, 待数据同步完成释放锁定资源.
3, 如果请求数据同步失败的节点则会返回错误信息, 一定不会返回旧数据.
A-Availability:
可用性是指任何事务操作都可以得到响应结果, 且不会出现响应超时或响应错误.
上图中, 商品信息读取满足可用性就是要实现如下目标 :
1, 从数据库接收到数据查询的请求则立即能够响应数据查询结果.
2, 从数据库不允许出现响应超时或响应错误.
如何实现可用性?
1, 写入主数据库后要将数据同步到从数据库.
2, 由于要保证从数据库的可用性, 不可将从数据库中的资源进行锁定.
3, 即使数据还没有同步过来, 从数据库也要返回要查询的数据, 哪怕是旧数据, 如果连旧数据也没有则可以按照约定返回一个默认信息, 但不能返回错误或者响应超时.
分布式系统可用性的特点 :
1, 所有请求都有响应, 且不会出现响应超时或响应错误.
P-Partition tolerance :
通常分布式系统的各个节点部署在不同的子网, 这就是网络分区, 不可避免的会出现由于网络问题而导致节点之间通讯失败, 此时仍可对外提供服务, 这叫分区容忍性.
上图中, 商品信息读写满足分区容忍性就是要实现如下目标 :
1, 主数据库向从数据库同步数据失败不影响读写操作.
2, 其一个节点挂掉不影响另一个节点对外提供服务.
如何实现分区容忍性?
1, 尽量使用异步取代同步操作, 例如使用异步方式将数据从主数据库同步到从数据, 这样节点之间能有效的实现松耦合.
2, 添加从数据库节点, 其中一个从节点挂掉其它从节点提供服务.
分布式分区容忍性的特点 :
1, 分区容忍性是分布式系统具备的基本能力.
2.1.2. CAP 组合方式
1, 上边商品管理的例子是否同时具备 CAP 呢?
在所有分布式事务场景中不会同时具备 CAP 三特性, 因为在具备了 P 的前提下 C 和 A 是不能共存的.
比如 :
下图满足了 P 即表示实现分区容忍 :
本图分区容忍的含义是 :
1)主数据库通过网络向从数据同步数据, 可以认为主从数据库部署在不同的分区, 通过网络进行交互.
2)当主数据库和从数据库之间的网络出现问题不影响主数据库和从数据库对外提供服务.
3)其一个节点挂掉不影响另一个节点对外提供服务.
如果要实现 C 则必须保证数据一致性, 在数据同步的时候为防止向从数据库查询不一致的数据则需要将从数据库数据锁定, 待同步完成后解锁, 如果同步失败从数据库要返回错误信息或超时信息.
如果要实现 A 则必须保证数据可用性, 不管任何时候都可以向从数据库查询数据, 则不会响应超时或返回错误信息.
通过分析发现在满足 P 的前提下 C 和 A 存在矛盾性.
2,CAP 有那些组合方式呢?
在生产中对分布式事务处理时要根据需求来确定满足 CAP 的那两个方面.
1)AP:
放弃一致性, 追求分区容忍性和可用性. 这是很多分布式系统设计时的选择.
例如 :
上边的商品管理, 完全可以实现 AP, 前提是只要用户可以接收所查询的到数据在一定时间内不是最新的即可.
通常实现 AP 都会保证最终一致性, 后面讲的 BASE 理论就是根据 AP 来扩展的, 一些业务场景 比如 : 订单退款, 今日退款成功, 明日账户到账, 只要用户可以接受在一定时间内到账即可.
2)CP:
放弃可用性, 追求一致性和分区容错性, 我们的 zookeeper 其实就是追求的强一致性, 又比如跨行转账, 一次转账请求要等待双方银行系统都完成整个事务才算完成.
3)CA:
放弃分区容忍性, 既不进行分区, 不考虑由于网络不通或节点挂掉的问题, 则可以实现一致性和可用性. 那么系统将不是一个标准的分布式系统, 我们最常用的关系型数据就满足了 CA.
上边的商品管理, 如果要实现 CA 则架构如下 :
主数据库和从数据库中间不再进行数据同步, 数据库可以响应每次的查询请求, 通过事务隔离级别实现每个查询请求都可以返回最新的数据.
2.1.3 总结
通过上面的学习, CAP 是一个已经被证实的理论 : 一个分布式系统最多只能同时满足一致性 (Consistency), 可用性(Availability) 和分区容忍性 (Partition tolerance) 这三项中的两项. 它可以作为我们架构设计, 技术选型的考量标准. 对于多数大型互联网应用的场景, 节点众多, 部署分散, 而且现在的集群规模越来越大, 所以节点故障, 网络故障是常态, 而且要保证服务可用性达到 N 个 9(99.99.%), 并要达到良好的响应性能来提高用户体验, 因此一般都会做出如下选择 : 保证 P 和 A, 舍弃 C 强一致性, 保证最终一致性.
2.2. BASE 理论
1, 理解强一致性和最终一致性
CAP 理论告诉我们一个分布式系统最多只能同时满足一致性 (Consistency), 可用性(Availability) 和分区容忍性 (Partition tolerance) 这三项中的两项, 其中 AP 在实际应用中较多, AP 既舍弃一致性, 保证可用性和分区容忍性, 但是在实际生产中很多场景都要实现一致性, 比如前边我们举的例子, AP 即舍弃一致性, 保证可用性和分区容忍性, 但是在实际产生中很多场景都要实现一致性, 比如前边我们觉得例子主数据库向从数据库同步数据, 即使不要一致性, 但是最终也要将数据同步成功来保证数据一致, 这种一致性和 CAP 中的一致性不同, CAP 中的一致性要求在任何时间查询每个节点数据都必须一致, 它强调的是强一致性, 但是最终一致性是允许可以在一段时间内每个节点的数据不一致, 但是经过一段时间每个节点的数据必须一致, 它强调的是最终数据的一致性.
2,Base 理论介绍
BASE 是 Basically Availbale(基本可用),Soft state(软状态)和 Eventually consistent(最终一致性)三个短语的缩写. BASE 理论是对 CAP 中 AP 的一个扩展, 通过牺牲强一致性来获得可用性, 当出现故障允许部分不可用但要保证核心功能可用, 允许数据在一段时间内是不一致的, 但最终达到一致状态. 满足 BASE 理论的事务, 我们称之为 "柔性事务".
基本可用 : 分布式系统在出现故障时, 允许损失部分可用功能, 保证核心功能可用. 如电商网址交易付款出现问题来, 商品依然可以正常浏览.
软状态: 由于不要求强一致性, 所以 BASE 允许系统中存在中间状态(也叫软状态), 这个状态不影响系统可用性, 如订单中的 "支付中","数据同步中" 等状态, 待数据最终一致后状态改为 "成功" 状态.
最终一致性: 最终一致是指的经过一段时间后, 所有节点数据都将会达到一致. 如订单的 "支付中" 状态, 最终会变为 "支付成功" 或者 "支付失败", 使订单状态与实际交易结果达成一致, 但需要一定时间的延迟, 等待.
来源: https://www.cnblogs.com/haizai/p/11829677.html