网站用户账号ip查询网站怎么接广告赚钱

当前位置： 首页 > news >正文

网站用户账号ip查询,网站怎么接广告赚钱,申请网站官网,商城网站建设功能点价格前言 由于一些地方原文感觉不太清楚#xff0c;有些地方用小林coding的文章代替。 总结 事务处理主要的目的就是要让数据在各种条件下#xff0c;最终的运行结果都能符合你的期望。要达成这个目标有三点需要满足#xff1a;原子性#xff08;业务要么同时成功#xff0…前言 由于一些地方原文感觉不太清楚有些地方用小林coding的文章代替。 总结 事务处理主要的目的就是要让数据在各种条件下最终的运行结果都能符合你的期望。要达成这个目标有三点需要满足原子性业务要么同时成功要么同时被撤销、隔离性业务之间不会彼此影响、持久性提交的数据修改都能成功存入数据库中。这些被称为事务的ACID特性。事务的处理分为以下4种 第一本地事务单个服务使用单个数据源的场景。它的事务的实现是完全依赖于数据源本身的事务本领的并不会深入参与到事务的逻辑运作过程当中。它必然会面临事务的三个问题原子性未提交事务时也就是程序还没修改完数据但数据库已经将其中一个或两个数据的变动写入磁盘结果发生问题写入终止破坏原子性持久性已提交事务也就是程序已经修改完数据但数据库还未将全部数据的变动都写入到磁盘发生问题写入终止破坏持久性隔离性在并发的情况下可能出现脏读、不可重复读、幻读的问题。 针对前两个问题提出了Commit Logging只有在事务提交以后其操作的日志记录全部完成后才会根据日志上的信息对真正的数据进行修改也就是数据库的一切行为都有日志备份有“反悔药”。但缺陷也是明显的所有对数据的修改都必须发生在事务提交以后这段时间都将被浪费。为了解决这个问题提出了Write-Ahead Logging也就是在没有提交事务时就开时持久化数据另一方面需要依赖于Redo Log已经提交的事务重做还没执行完的和Undo Log是针对Write-Ahead这种策略里提前写入的数据进行回滚当然这两者底层之间还是很复杂的。 而对于隔离性在并发的背景下可能会遇到脏读读到其他事务未提交的数据不可重复读前后读取的数据不一致幻读前后读取的记录数量不一致。对于不可重复读和幻读前者侧重于修改后者侧重于增删其实可以理解为“幻读”是“不可重复读”的一种特殊情况但是从数据库管理的角度来看二者是有区别的解决“不可重复读”只要加行级锁就可以了。而解决“幻读”则需要加表级锁或者采用其他更复杂的技术总之代价要大许多。 要解决这些问题需要依赖于锁的实现包括写锁数据有加写锁就只有持有写锁的事务才能对数据进行写入操作并且其他事务不能写入数据也不能施加读锁读锁多个事务可以对同一个数据添加多个读锁数据被加上读锁后就不能再被加上写锁其他事务不能对该数据进行写入但仍然可以读取并且对于持有读锁的事务如果该数据只有它自己一个事务加了读锁允许直接将其升级为写锁然后写入数据范围锁对于某个范围直接加写锁在这个范围内的数据不能被写入。根据锁可以达到以下事务级别读未提交脏读不可重复度幻读指一个事务还没提交时它做的变更就能被其他事务看到读已提交不可重复读、幻读禁止写时读指一个事务提交之后它做的变更才能被其他事务看到可重复读幻读禁止读时写指一个事务执行过程中看到的数据一直跟这个事务启动时看到的数据是一致的串行化把整个表给锁住后访问的事务必须等前一个事务执行完成才能继续执行。但隔离级别越高并行度越低付出的代价越大。当然锁的内容不仅仅如此很复杂这里不详细说明了。 除了都以锁来实现外还可以通过无锁的方式来实现MVCC多版本并发控制。它的基本思路是是对数据库的任何修改都不会直接覆盖之前的数据而是产生一个新版副本与老版本共存以此达到读取时可以完全不加锁的目的。MVCC是只针对“读写”场景的优化如果是两个事务同时修改数据即“写写”的情况还是得靠加锁的方式此时讨论的余地可能就是加乐观锁还是悲观锁。总之锁非常复杂不做详细讨论了。 第二全局事务单个服务使用多个数据源场景。所面临的问题比如说下面正文的代码里从代码上可看出程序的目的是要做三次事务提交try三个commit但如果第二个有了问题进入catch但是第一个已经commit了再去调用rollback方法已经无济于事这将导致一部分数据被提交另一部分被回滚。为了解决这个问题XA将事务提交拆分成为两阶段过程也就是“两段式提交”、2PC。大致内容为首先是准备阶段协调者询问事务的所有参与者是否准备好提交都准备好了就进入提交阶段如果有人有人发生意外就开始回滚。但这有明显的缺点单点问题性能问题而且成立的前提还必须有网络可靠宕机可恢复。 为了解决2PC的问题提出了3PC三段式提交把原本的两段式提交的准备阶段再细分为两个阶段分别称为CanCommit、PreCommit。一个询问阶段协调者让每个参与的数据库根据自身状态评估该事务是否有可能顺利完成也就是进一步增加了完成的可能性这也意味着因某个参与者提交时发生崩溃而导致大家全部回滚的风险相对变小。因此在事务需要回滚的场景中三段式的性能通常是要比两段式好很多的但在事务能够正常提交的场景中两者的性能都依然很差甚至三段式因为多了一次询问还要稍微更差一些。并且依然没能解决网络可靠性的问题。 第三共享事务多个服务共用同一个数据源。这种情况在现实中见到的不多因为该方案与实际生产系统中的压力方向相悖的在一个系统中数据库的压力才是最大的才是最不容易伸缩的区域。 第四分布式事务多个服务同时访问多个数据源。首先要讲到CAP理论就是在同一个系统中最多只能满足一致性数据在任何时刻、任何分布式节点中所看到的都是符合预期的、可用性系统不间断地提供服务的能力、分区容忍性分布式环境中部分节点因网络原因而彼此失联后系统仍能正确地提供服务的能力中的2个。 譬如如果放弃分区容忍性意味着我们将假设节点之间通信永远是可靠的比如传统的关系数据库集群这样的集群虽然依然采用由网络连接的多个节点来协同工作但数据却不是通过网络来实现共享的如果放弃可用性意味着一旦网络发生分区节点之间的信息同步时间可以无限制地延长比如在对数据质量要求很高的场合中可以通过2PC/3PC等手段来实现一台发生了问题其它都等它如果放弃一致性意味着一旦发生分区节点之间所提供的数据可能不一致这种是目前系统的主流方案因为网络本身就是不可靠的而一致性通常是建设分布式的目的而对于可用性如果随着节点数量增加反而降低的话很多分布式系统可能就失去了存在的价值除非银行这类涉及金钱交易的服务宁可中断也不能出错比如如果某个节点出现网络分区那仍不妨碍各个节点以自己本地存储的数据对外提供缓存服务但这时有可能出现请求分配到不同节点时返回给客户端的是不一致的数据。 事务的目的就是获得一致性而在分布式环境中上文提到一致性却不得不成为通常被牺牲、被放弃的属性。其实我们会把CAP、ACID中讨论的一致性称为“强一致性”这是很难做到的而我们追求的是“最终一致性”也就是允许数据在中间过程不一致但应该在输出时被修正过来。 第一种方式为可靠事件队列根据出错概率的大小来安排不同操作的顺序然后不断重试各个操作来保证可靠性也有了专门的名字叫作“最大努力交付”。 第二种方式为TCC前面介绍的可靠消息队列虽然能保证最终的结果是相对可靠的过程也简单但是毫无隔离性可言每个服务有先后性完全有可能两个客户在短时间内都成功购买了同一件商品而且他们各自购买的数量都不超过目前的库存但他们购买的数量之和却超过了库存。而TCC是一种业务侵入式较强的事务方案不像2PC是位于基础设施层面它是在用户代码层面更加灵活。要求业务处理过程必须拆分为“预留业务资源”和“确认/释放消费资源”两个子过程这样就避免了以上情况它也有一些优势TCC在业务执行时只操作预留资源几乎不会涉及锁和资源的争用。 第三种方式为SAGA。TCC对业务有较强的侵入性这不仅指代码上的侵入还有它在技术可控性上的约束比如你的电商要从银行取钱银行可能并不会支持你的Try和Confirm阶段。SAGA的大致思路是把一个大事务分解为可以交错运行的一系列子事务集合。比如将整个分布式事务T分解为n个子事务命名为T1T2…Ti…Tn每个子事务都应该是原子行为为每一个子事务设计对应的补偿动作命名为C1C2…Ci…Cn。Ti与Ci必须满足以下条件都具备幂等性满足交换律即先执行Ti还是先执行Ci其效果都是一样的Ci必须能成功提交。 如果T1到Tn均成功提交那事务顺利完成否则要采取以下两种恢复策略之一正向恢复如果Ti事务提交失败则一直对Ti进行重试直至成功为止正向恢复的执行模式为T1T2…Ti失败Ti重试…Ti1…Tn反向恢复如果Ti事务提交失败则一直执行Ci对Ti进行补偿直至成功为止这里要求Ci必须在持续重试后执行成功反向恢复的执行模式为T1T2…Ti失败Ci补偿…C2C1。基于此与TCC 相比SAGA不需要为资源设计冻结状态和撤销冻结的操作补偿操作往往要比冻结操作容易实现得多。但同时这也会在设计上非常麻烦。 正文 事务处理存在的意义是为了保证系统中所有的数据都是符合期望的且相互关联的数据之间不会产生矛盾即数据状态的一致性Consistency。 要达成这个目标需要三方面共同努力来保障 原子性Atomic在同一项业务处理过程中事务保证了对多个数据的修改要么同时成功要么同时被撤销。隔离性Isolation在不同的业务处理过程中事务保证了各自业务正在读、写的数据互相独立不会彼此影响。持久性Durability事务应当保证所有成功被提交的数据修改都能够正确地被持久化不丢失数据。 以上四种属性即事务的“ACID”特性A、I、D 是手段C 是目的前者是因后者是果。 事务的概念虽然最初起源于数据库系统但今天已经有所延伸不再局限于数据库本身包括但不限于数据库、事务内存 、缓存、消息队列、分布式存储等等。 1 本地事务 本地事务是最基础的一种事务解决方案只适用于单个服务使用单个数据源的场景。从应用角度看它是直接依赖于数据源本身提供的事务能力来工作的在程序代码层面最多只能对事务接口做一层标准化的包装如JDBC接口并不能深入参与到事务的运作过程当中事务的开启、终止、提交、回滚、嵌套、设置隔离级别乃至与应用代码贴近的事务传播方式全部都要依赖底层数据源的支持才能工作这一点与后续介绍的XA、TCC、SAGA等主要靠应用程序代码来实现的事务有着十分明显的区别。 1.1 实现原子性和持久性 数据必须要成功写入磁盘、磁带等持久化存储器后才能拥有持久性只存储在内存中的数据一旦遇到应用程序忽然崩溃或者数据库、操作系统崩溃甚至是机器突然断电宕机等情况就会丢失。实现原子性和持久性的最大困难是“写入磁盘”这个操作并不是原子的不仅有“写入”与“未写入”状态还存在着“正在写”的中间状态。所以可能出现以下情形 未提交事务写入后崩溃程序还没修改完三个数据但数据库已经将其中一个或两个数据的变动写入磁盘此时出现崩溃一旦重启之后数据库必须要有办法得知崩溃前发生过一次不完整的购物操作将已经修改过的数据从磁盘中恢复成没有改过的样子以保证原子性。已提交事务写入前崩溃程序已经修改完三个数据但数据库还未将全部三个数据的变动都写入到磁盘此时出现崩溃一旦重启之后数据库必须要有办法得知崩溃前发生过一次完整的购物操作将还没来得及写入磁盘的那部分数据重新写入以保证持久性。 由于写入中间状态与崩溃都是无法避免的为了保证原子性和持久性就只能在崩溃后采取恢复的补救措施这种数据恢复操作被称为“崩溃恢复”。 主要的解决方式是“Commit Logging”提交日志只有在日志记录全部都安全落盘数据库在日志中看到代表事务成功提交的“提交记录”Commit Record后才会根据日志上的信息对真正的数据进行修改修改完成后再在日志中加入一条“结束记录”End Record表示事务已完成持久化。 但是Commit Logging存在一个巨大的先天缺陷所有对数据的修改都必须发生在事务提交以后即日志写入了Commit Record之后。在此之前即使磁盘I/O有足够空闲、即使某个事务修改的数据量非常庞大占用了大量的内存缓冲区无论有何种理由都决不允许在事务提交之前就修改磁盘上的数据这对提升数据库的性能十分不利。 为了解决这个问题提出了“Write-Ahead Logging”提前写入。根据事务的提交和写入的情况可以分为两种情况FORCE和STEAL FORCE当事务提交后要求变动数据必须同时完成写入则称为FORCE如果不强制变动数据必须同时完成写入则称为NO-FORCE。现实中绝大多数数据库采用的都是NO-FORCE策略因为只要有了日志变动数据随时可以持久化从优化磁盘I/O性能考虑没有必要强制数据写入立即进行。STEAL在事务提交前允许变动数据提前写入则称为STEAL不允许则称为NO-STEAL。从优化磁盘I/O性能考虑允许数据提前写入有利于利用空闲I/O资源也有利于节省数据库缓存区的内存。 Commit Logging允许NO-FORCE但不允许STEAL。Write-Ahead Logging允许NO-FORCE也允许STEAL它给出的解决办法是当变动数据写入磁盘前必须先记录Undo Log回滚日志注明修改了哪个位置的数据、从什么值改成什么值等等。以便在事务回滚或者崩溃恢复时根据Undo Log对提前写入的数据变动进行擦除Undo Log是针对Write-Ahead这种策略里提前偷偷写入的数据。此前记录的用于崩溃恢复时重演数据变动的日志就相应被命名为Redo Log重做日志正常执行的内容也就是回滚执行没执行的然后接着把这个根据commit log里的执行完。Write-Ahead Logging在崩溃恢复时会执行以下三个阶段的操作。 分析阶段Analysis该阶段从最后一次检查点Checkpoint可理解为在这个点之前所有应该持久化的变动都已安全落盘开始扫描日志找出所有没有End Record的事务组成待恢复的事务集合。重做阶段Redo该阶段依据分析阶段中产生的待恢复的事务集合来重演历史具体操作为找出所有包含Commit Record的日志将这些日志修改的数据写入磁盘写入完成后在日志中增加一条End Record然后移除出待恢复事务集合。回滚阶段Undo该阶段处理经过分析、重做阶段后剩余的恢复事务集合此时剩下的都是需要回滚的事务根据Undo Log中的信息将已经提前写入磁盘的信息重新改写回去。 下面是大概的流程图崩溃恢复时先根据Redo Log恢复。然后根据Undo Log恢复因为这些提前做的并没有走到Commit Log这步所以Redo Log也不会记录什么不冲突。
1.2 实现隔离性 隔离性保证了每个事务各自读、写的数据互相独立不会彼此影响。只从定义上就能嗅出隔离性肯定与并发密切相关因为如果没有并发所有事务全都是串行的那就不需要任何隔离。要在并发下实现串行的数据访问该怎样做现代数据库均提供了以下三种锁。 写锁Write Lock也叫作排他锁eXclusive Lock简写为 X-Lock如果数据有加写锁就只有持有写锁的事务才能对数据进行写入操作数据加持着写锁时其他事务不能写入数据也不能施加读锁。 读锁Read Lock也叫作共享锁Shared Lock简写为 S-Lock多个事务可以对同一个数据添加多个读锁数据被加上读锁后就不能再被加上写锁所以其他事务不能对该数据进行写入但仍然可以读取。对于持有读锁的事务如果该数据只有它自己一个事务加了读锁允许直接将其升级为写锁然后写入数据。 范围锁Range Lock对于某个范围直接加排他锁在这个范围内的数据不能被写入。如下语句是典型的加范围锁的例子 SELECT * FROM books WHERE price 100 FOR UPDATE;首先为什么需要锁呢并发事务会带来什么问题呢在同时处理多个事务的时候可能出现脏读dirty read、不可重复读non-repeatable read、幻读phantom read的问题。 脏读读到其他事务未提交的数据。 不可重复读前后读取的数据不一致。幻读前后读取的记录数量不一致。 那根据锁可以达到的事务的隔离级别有哪些呢由隔离水平由低到高为读未提交read uncommitted指一个事务还没提交时它做的变更就能被其他事务看到读已提交read committed指一个事务提交之后它做的变更才能被其他事务看到可重复读repeatable read指一个事务执行过程中看到的数据一直跟这个事务启动时看到的数据是一致的MySQL InnoDB引擎的默认隔离级别串行化serializable会对记录加上读写锁在多个事务对这条记录进行读写操作时如果发生了读写冲突的时候后访问的事务必须等前一个事务执行完成才能继续执行 串行化访问提供了最高强度的隔离性但隔离程度越高并发访问时的吞吐量就越低。现代数据库一定会提供除可串行化以外的其他隔离级别供用户使用让用户调节隔离级别的选项根本目的是让用户可以调节数据库的加锁方式取得隔离性与吞吐量之间的平衡。 除了都以锁来实现外以上四种隔离级别还有另一个共同特点就是幻读、不可重复读、脏读等问题都是由于一个事务在读数据过程中受另外一个写数据的事务影响而破坏了隔离性近年来有一种名为“多版本并发控制”Multi-Version Concurrency ControlMVCC的无锁优化方案被主流的商业数据库广泛采用。MVCC是一种读取优化策略它的“无锁”是特指读取时不需要加锁。MVCC的基本思路是对数据库的任何修改都不会直接覆盖之前的数据而是产生一个新版副本与老版本共存以此达到读取时可以完全不加锁的目的。在这句话中“版本”是个关键词可将版本理解为数据库中每一行记录都存在两个看不见的字段CREATE_VERSION和DELETE_VERSION这两个字段记录的值都是事务ID事务ID是一个全局严格递增的数值然后根据以下规则写入数据。 插入数据时CREATE_VERSION记录插入数据的事务IDDELETE_VERSION为空。删除数据时DELETE_VERSION记录删除数据的事务IDCREATE_VERSION为空。修改数据时将修改数据视为“删除旧数据插入新数据”的组合即先将原有数据复制一份原有数据的DELETE_VERSION 记录修改数据的事务 IDCREATE_VERSION为空。复制出来的新数据的CREATE_VERSION记录修改数据的事务 IDDELETE_VERSION为空。 此时如有另外一个事务要读取这些发生了变化的数据将根据隔离级别来决定到底应该读取哪个版本的数据。 隔离级别是可重复读总是读取CREATE_VERSION小于或等于当前事务ID的记录在这个前提下如果数据仍有多个版本则取最新事务ID最大的。隔离级别是读已提交总是取最新的版本即可即最近被Commit的那个版本的数据记录。 另外两个隔离级别都没有必要用到MVCC因为读未提交直接修改原始数据即可其他事务查看数据的时候立刻可以看到根本无须版本字段。可串行化本来的语义就是要阻塞其他事务的读取操作而MVCC是做读取时无锁优化的自然就不会放到一起用。 MVCC是只针对“读写”场景的优化如果是两个事务同时修改数据即“写写”的情况那就没有多少优化的空间了此时加锁几乎是唯一可行的解决方案稍微有点讨论余地的是加锁的策略是“乐观加锁”Optimistic Locking还是“悲观加锁”Pessimistic Locking。悲观锁做事比较悲观它认为多线程同时修改共享资源的概率比较高于是很容易出现冲突所以访问共享资源前先要上锁。乐观锁做事比较乐观它假定冲突的概率很低它的工作方式是先修改完共享资源再验证这段时间内有没有发生冲突如果没有其他线程在修改资源那么操作完成如果发现有其他线程已经修改过这个资源就放弃本次操作。放弃后如何重试这跟业务场景息息相关虽然重试的成本很高但是冲突的概率足够低的话还是可以接受的。不过没有必要迷信什么乐观锁要比悲观锁更快的说法这纯粹看竞争的剧烈程度如果竞争剧烈的话乐观锁反而更慢。 2 全局事务 与本地事务相对的是全局事务Global Transaction有一些资料中也将其称为外部事务External Transaction在本节里全局事务被限定为一种适用于单个服务使用多个数据源场景的事务解决方案。请注意理论上真正的全局事务并没有“单个服务”的约束本节所讨论的内容是一种在分布式环境中仍追求强一致性的事务处理方案对于多节点而且互相调用彼此服务的场合典型的就是现在的微服务系统是极不合适的今天它几乎只实际应用于单服务多数据源的场合中为了避免与后续介绍的放弃了ACID的弱一致性事务处理方式相互混淆所以这里的全局事务所指范围有所缩减后续涉及多服务多数据源的事务作者将称其为“分布式事务”。 为了解决分布式事务的一致性问题X/Open组织提出了一套名为X/Open XA XA 是eXtended Architecture的缩写的处理事务架构其核心内容是定义了全局的事务管理器Transaction Manager用于协调全局事务和局部的资源管理器Resource Manager用于驱动本地事务之间的通信接口。XA接口是双向的能在一个事务管理器和多个资源管理器之间形成通信桥梁通过协调多个数据源的一致动作实现全局事务的统一提交或者统一回滚现在我们在Java代码中还偶尔能看见的XADataSource、XAResource这些名字都源于此。 什么是“单个服务使用多个数据源”我们对本章的场景事例做另外一种假设如果书店的用户、商家、仓库分别处于不同的数据库中其他条件仍与之前相同那情况会发生什么变化呢以下是执行代码 public void buyBook(PaymentBill bill) {userTransaction.begin();warehouseTransaction.begin();businessTransaction.begin();try {userAccountService.pay(bill.getMoney());warehouseService.deliver(bill.getItems());businessAccountService.receipt(bill.getMoney());userTransaction.commit();warehouseTransaction.commit();businessTransaction.commit();} catch(Exception e) {userTransaction.rollback();warehouseTransaction.rollback();businessTransaction.rollback();} }从代码上可看出程序的目的是要做三次事务提交但实际上代码并不能这样写试想一下如果在businessTransaction.commit()中出现错误代码转到catch块中执行此时userTransaction和warehouseTransaction已经完成提交再去调用rollback()方法已经无济于事这将导致一部分数据被提交另一部分被回滚整个事务的一致性也就无法保证了。为了解决这个问题XA 将事务提交拆分成为两阶段过程 准备阶段又叫作投票阶段在这一阶段协调者询问事务的所有参与者是否准备好提交参与者如果已经准备好提交则回复Prepared否则回复Non-Prepared。提交阶段协调者如果在上一阶段收到所有事务参与者回复的Prepared消息则先自己在本地持久化事务状态为Commit在此操作完成后向所有参与者发送Commit指令所有参与者立即执行提交操作否则任意一个参与者回复了Non-Prepared消息或任意一个参与者超时未回复立即执行回滚操作。 以上这两个过程被称为“两段式提交”2 Phase Commit2PC协议而它能够成功保证一致性还需要一些其他前提条件。必须假设网络在提交阶段的短时间内是可靠的即提交阶段不会丢失消息。同时也假设网络通信在全过程都不会出现误差即可以丢失消息但不会传递错误的消息。必须假设因为网络分区、机器崩溃或者其他原因而导致失联的节点最终能够恢复不会永久性地处于失联状态。 两段式提交但有几个非常显著的缺点 单点问题协调者在两段提交中具有举足轻重的作用协调者等待参与者回复时可以有超时机制允许参与者宕机但参与者等待协调者指令时无法做超时处理。一旦宕机的不是其中某个参与者而是协调者的话所有参与者都会受到影响。性能问题两段提交过程中所有参与者相当于被绑定成为一个统一调度的整体期间要经过两次远程服务调用整个过程将持续到参与者集群中最慢的那一个处理操作结束为止这决定了两段式提交的性能通常都较差。一致性风险前面已经提到两段式提交的成立是有前提条件的当网络稳定性和宕机恢复能力的假设不成立时仍可能出现一致性问题。宕机恢复能力这一点不必多谈1985年Fischer、Lynch、Paterson提出了“FLP 不可能原理”证明了如果宕机最后不能恢复那就不存在任何一种分布式协议可以正确地达成一致性结果。该原理在分布式中是与“CAP 不可兼得原理“齐名的理论。 为了缓解两段式提交协议的一部分缺陷具体地说是协调者的单点问题和准备阶段的性能问题后续又发展出了“三段式提交 ”3 Phase Commit3PC协议。三段式提交把原本的两段式提交的准备阶段再细分为两个阶段分别称为CanCommit、PreCommit把提交阶段改称为 DoCommit阶段。其中新增的CanCommit是一个询问阶段协调者让每个参与的数据库根据自身状态评估该事务是否有可能顺利完成。将准备阶段一分为二的理由是这个阶段是重负载的操作一旦协调者发出开始准备的消息每个参与者都将马上开始写重做日志它们所涉及的数据资源即被锁住如果此时某一个参与者宣告无法完成提交相当于大家都白做了一轮无用功。所以增加一轮询问阶段如果都得到了正面的响应那事务能够成功提交的把握就比较大了这也意味着因某个参与者提交时发生崩溃而导致大家全部回滚的风险相对变小。因此在事务需要回滚的场景中三段式的性能通常是要比两段式好很多的但在事务能够正常提交的场景中两者的性能都依然很差甚至三段式因为多了一次询问还要稍微更差一些。 从以上过程可以看出三段式提交对单点问题和回滚时的性能问题有所改善但是它对一致性风险问题并未有任何改进在这方面它面临的风险甚至反而是略有增加了的。譬如进入 PreCommit 阶段之后协调者发出的指令不是Ack而是Abort而此时因网络问题有部分参与者直至超时都未能收到协调者的Abort指令的话这些参与者将会错误地提交事务这就产生了不同参与者之间数据不一致的问题。 3 共享事务 共享事务Share Transaction是指多个服务共用同一个数据源。“数据源”与“数据库”的区别为数据源是指提供数据的逻辑设备不必与物理设备一一对应。在部署应用集群时最常采用的模式是将同一套程序部署到多个中间件服务器上构成多个副本实例来分担流量压力。它们虽然连接了同一个数据库但每个节点配有自己的专属的数据源。这种情况下所有副本实例的数据访问都是完全独立的并没有任何交集每个节点使用的仍是最简单的本地事务。 而在共享事务中比如假设用户账户、商家账户和商品仓库都存储于同一个数据库之中但用户、商户和仓库每个领域都部署了独立的微服务此时一次购书的业务操作将贯穿三个微服务它们都要在数据库中修改数据。 一种理论可行的方案是直接让各个服务共享数据库连接在同一个应用进程中的不同持久化工具JDBC、ORM、JMS 等间共享数据库连接并不困难。某些中间件服务器会内置有“可共享连接”功能来专门给予这方面的支持。对于后者这种共享的前提是数据源的使用者都在同一个进程内由于数据库连接的基础是网络连接它是与IP地址和端口号绑定的字面意义上的“不同服务节点共享数据库连接”很难做到所以为了实现共享事务就必须新增一个“交易服务器”的中间角色无论是用户服务、商家服务还是仓库服务它们都通过同一台交易服务器来与数据库打交道。在日常开发中上述方案还存在一类更为常见的变种形式使用消息队列服务器来代替交易服务器。 之所以强调理论可行是因为该方案是与实际生产系统中的压力方向相悖的一个服务集群里数据库才是压力最大而又最不容易伸缩拓展的重灾区现实中没有会代理一个数据库为多个应用提供事务协调的交易服务代理如果你有充足理由让多个微服务去共享数据库就必须找到更加站得住脚的理由来向团队解释拆分微服务的目的是什么才行。 笔者把共享事务列为本章四种事务类型之一只是为了叙述逻辑的完备尽管拆分微服务后仍然共享数据库的情况在现实中并不少见但笔者个人不赞同将共享事务作为一种常规的解决方案来考量。 4 分布式事务 分布式事务Distributed Transaction特指多个服务同时访问多个数据源的事务处理机制。 4.1 CAP与ACID CAP定理描述了一个分布式的系统中涉及共享数据问题时以下三个特性最多只能同时满足其中两个 一致性Consistency代表数据在任何时刻、任何分布式节点中所看到的都是符合预期的。可用性Availability代表系统不间断地提供服务的能力理解可用性要先理解与其密切相关两个指标可靠性Reliability和可维护性Serviceability。可靠性使用平均无故障时间Mean Time Between FailureMTBF来度量可维护性使用平均可修复时间Mean Time To RepairMTTR来度量。可用性衡量系统可以正常使用的时间与总时间之比其表征为AMTBF/MTBFMTTR即可用性是由可靠性和可维护性计算得出的比例值譬如 99.9999%可用即代表平均年故障修复时间为 32 秒。分区容忍性Partition Tolerance代表分布式环境中部分节点因网络原因而彼此失联后即与其他节点形成“网络分区”时系统仍能正确地提供服务的能力。 以上面这套系统为例在这套系统中每一个单独的服务节点都有自己的数据库这里是为了便于说明问题的假设在实际生产系统中一般应避免将用户余额这样的数据设计成存储在多个可写的数据库中假设某次交易请求分别由“账号节点 1”、“商家节点 2”、“仓库节点 N”联合进行响应。当用户购买一件价值100元的商品后账号节点1首先应给该用户账号扣减 100 元货款它在自己数据库扣减100元很容易但它还要把这次交易变动告知本集群的节点2到节点N并要确保能正确变更商家和仓库集群其他账号节点中的关联数据此时将面临以下可能的情况。 如果该变动信息没有及时同步给其他账号节点将导致有可能发生用户购买另一商品时被分配给到另一个节点处理由于看到账号上有不正确的余额而错误地发生了原本无法进行的交易此为一致性问题。如果由于要把该变动信息同步给其他账号节点必须暂时停止对该用户的交易服务直至数据同步一致后再重新恢复将可能导致用户在下一次购买商品时因系统暂时无法提供服务而被拒绝交易此为可用性问题。如果由于账号服务集群中某一部分节点因出现网络问题无法正常与另一部分节点交换账号变动信息此时服务集群中无论哪一部分节点对外提供的服务都可能是不正确的整个集群能否承受由于部分节点之间的连接中断而仍然能够正确地提供服务此为分区容忍性。 以上还仅仅涉及了账号服务集群自身的CAP问题对于整个Fenix’s Bookstore站点来说它更是面临着来自于账号、商家和仓库服务集群带来的CAP问题譬如用户账号扣款后由于未及时通知仓库服务中的全部节点导致另一次交易中看到仓库里有不正确的库存数据而发生超售。又譬如因涉及仓库中某个商品的交易正在进行为了同步用户、商家和仓库的交易变动而暂时锁定该商品的交易服务导致了的可用性问题等等。 由于CAP定理已有严格的证明证明其不可兼得下面分析如果舍弃C、A、P时所带来的不同影响。 如果放弃分区容忍性CA without P意味着我们将假设节点之间通信永远是可靠的。永远可靠的通信在分布式系统中必定不成立的这不是你想不想的问题而是只要用到网络来共享数据分区现象就会始终存在。在现实中最容易找到放弃分区容忍性的例子便是传统的关系数据库集群这样的集群虽然依然采用由网络连接的多个节点来协同工作但数据却不是通过网络来实现共享的。以Oracle的RAC集群为例它的每一个节点均有自己独立的SGA、重做日志、回滚日志等部件但各个节点是通过共享存储中的同一份数据文件和控制文件来获取数据的通过共享磁盘的方式来避免出现网络分区。因而Oracle RAC虽然也是由多个实例组成的数据库但它并不能称作是分布式数据库。如果放弃可用性CP without A意味着我们将假设一旦网络发生分区节点之间的信息同步时间可以无限制地延长此时问题相当于退化到前面“全局事务”中讨论的一个系统使用多个数据源的场景之中我们可以通过2PC/3PC等手段同时获得分区容忍性和一致性。在现实中选择放弃可用性的CP系统情况一般用于对数据质量要求很高的场合中除了DTP模型的分布式数据库事务外著名的HBase也是属于CP系统以HBase集群为例假如某个RegionServer宕机了这个RegionServer持有的所有键值范围都将离线直到数据恢复过程完成为止这个过程要消耗的时间是无法预先估计的。如果放弃一致性AP without C意味着我们将假设一旦发生分区节点之间所提供的数据可能不一致。选择放弃一致性的AP系统目前是设计分布式系统的主流选择因为P是分布式网络的天然属性你再不想要也无法丢弃而A通常是建设分布式的目的如果可用性随着节点数量增加反而降低的话很多分布式系统可能就失去了存在的价值除非银行、证券这些涉及金钱交易的服务宁可中断也不能出错否则多数系统是不能容忍节点越多可用性反而越低的。目前大多数NoSQL库和支持分布式的缓存框架都是AP系统以Redis集群为例如果某个 Redis 节点出现网络分区那仍不妨碍各个节点以自己本地存储的数据对外提供缓存服务但这时有可能出现请求分配到不同节点时返回给客户端的是不一致的数据。 本章讨论的话题“事务”原本的目的就是获得“一致性”而在分布式环境中“一致性”却不得不成为通常被牺牲、被放弃的那一项属性。但无论如何我们建设信息系统终究还是要确保操作结果至少在最终交付的时候是正确的这句话的意思是允许数据在中间过程出错不一致但应该在输出时被修正过来。将前面我们在CAP、ACID中讨论的一致性称为“强一致性”Strong Consistency。而把牺牲了C的AP系统又要尽可能获得正确的结果的行为称为追求“弱一致性”。不过如果单纯只说“弱一致性”那其实就是“不保证一致性”的意思。在弱一致性里人们又总结出了一种稍微强一点的特例被称为“最终一致性”Eventual Consistency它是指如果数据在一段时间之内没有被另外的操作所更改那它最终将会达到与强一致性过程相同的结果。 4.2 可靠事件队列 人们把使用ACID的事务称为“刚性事务”而把笔者下面将要介绍几种分布式事务的常见做法统称为“柔性事务”。 最早的起源为“可靠事件队列”下图表示的非常清楚。 Fenix’s Bookstore首先应对用户账号扣款、商家账号收款、库存商品出库这三个操作有一个出错概率的先验评估根据出错概率的大小来安排它们的操作顺序这种评估一般直接体现在程序代码中有一些大型系统也可能会实现动态排序。譬如根据统计最有可能的出现的交易异常是用户购买了商品但是不同意扣款或者账号余额不足其次是仓库发现商品库存不够无法发货风险最低的是收款如果到了商家收款环节一般就不会出什么意外了。那顺序就应该安排成最容易出错的最先进行即账号扣款 → 仓库出库 → 商家收款。 以上这种靠着持续重试来保证可靠性的解决方案谈不上是首创或者独创它在计算机的其他领域中已被频繁使用也有了专门的名字叫作“最大努力交付”Best-Effort Delivery。 4.3 TCC事务 前面介绍的可靠消息队列虽然能保证最终的结果是相对可靠的过程也足够简单相对于TCC来说但整个过程完全没有任何隔离性可言账号服务、仓库服务、商家服务不是同时进行的有先后性有一些业务中隔离性是无关紧要的但有一些业务中缺乏隔离性就会带来许多麻烦。譬如在本章的场景事例中缺乏隔离性会带来的一个显而易见的问题便是“超售”完全有可能两个客户在短时间内都成功购买了同一件商品而且他们各自购买的数量都不超过目前的库存但他们购买的数量之和却超过了库存。如果这件事情处于刚性事务且隔离级别足够的情况下是可以完全避免的譬如以上场景就需要“可重复读”Repeatable Read的隔离级别以保证后面提交的事务会因为无法获得锁而导致失败但用可靠消息队列就无法保证这一点。如果业务需要隔离那架构师通常就应该重点考虑TCC方案该方案天生适合用于需要强隔离性的分布式事务中。 在具体实现上TCC较为烦琐它是一种业务侵入式较强的事务方案要求业务处理过程必须拆分为“预留业务资源”和“确认/释放消费资源”两个子过程。如同TCC的名字所示它分为以下三个阶段。 Try尝试执行阶段完成所有业务可执行性的检查保障一致性并且预留好全部需用到的业务资源保障隔离性。Confirm确认执行阶段不进行任何业务检查直接使用Try阶段准备的资源来完成业务处理。Confirm阶段可能会重复执行因此本阶段所执行的操作需要具备幂等性。Cancel取消执行阶段释放Try阶段预留的业务资源。Cancel阶段可能会重复执行也需要满足幂等性。 首先创建事务生成事务ID记录在活动日志中进入Try阶段 用户服务检查业务可行性可行的话将该用户的100元设置为“冻结”状态通知下一步进入 Confirm 阶段不可行的话通知下一步进入 Cancel 阶段。 仓库服务检查业务可行性可行的话将该仓库的1本《深入理解 Java 虚拟机》设置为“冻结”状态通知下一步进入Confirm阶段不可行的话通知下一步进入Cancel阶段。 商家服务检查业务可行性不需要冻结资源。 如果这步都反馈可行则进入Confirm阶段开始执行如果第 3 步中任何一方出现异常不论是业务异常或者网络异常都将根据活动日志中的记录重复执行该服务的Confirm操作即进行最大努力交付。 如果上面这步有任意一方反馈业务不可行或任意一方超时将活动日志的状态记录为 Cancel进入 Cancel 阶段 用户服务取消业务操作释放被冻结的100元。 仓库服务取消业务操作释放被冻结的1本书。 商家服务取消业务操作。 由上述操作过程可见TCC其实有点类似2PC的准备阶段和提交阶段但TCC是位于用户代码层面而不是在基础设施层面这为它的实现带来了较高的灵活性可以根据需要设计资源锁定的粒度。TCC在业务执行时只操作预留资源几乎不会涉及锁和资源的争用具有很高的性能潜力。但是TCC并非纯粹只有好处它也带来了更高的开发成本和业务侵入性意味着有更高的开发成本和更换事务实现方案的替换成本所以通常我们并不会完全靠裸编码来实现 TCC而是基于某些分布式事务中间件譬如阿里开源的Seata去完成尽量减轻一些编码工作量。 4.4 SAGA事务 TCC事务具有较强的隔离性避免了“超售”的问题而且其性能一般来说是本篇提及的几种柔性事务模式中最高的但它仍不能满足所有的场景。TCC的最主要限制是它的业务侵入性很强这里并不是重复上一节提到的它需要开发编码配合所带来的工作量而更多的是指它所要求的技术可控性上的约束。譬如把我们的场景事例修改如下由于中国网络支付日益盛行现在用户和商家在书店系统中可以选择不再开设充值账号至少不会强求一定要先从银行充值到系统中才能进行消费允许直接在购物时通过U盾或扫码支付在银行账号中划转货款。这个需求完全符合国内网络支付盛行的现状却给系统的事务设计增加了额外的限制如果用户、商家的账号余额由银行管理的话其操作权限和数据结构就不可能再随心所欲的地自行定义通常也就无法完成冻结款项、解冻、扣减这样的操作因为银行一般不会配合你的操作。所以TCC中的第一步Try阶段往往无法施行。我们只能考虑采用另外一种柔性事务方案SAGA 事务。大致思路是把一个大事务分解为可以交错运行的一系列子事务集合。它由两部分组成。 大事务拆分若干个小事务将整个分布式事务T分解为n个子事务命名为T1T2…Ti…Tn。每个子事务都应该是或者能被视为是原子行为。如果分布式事务能够正常提交其对数据的影响最终一致性应与连续按顺序成功提交Ti等价。为每一个子事务设计对应的补偿动作命名为 C1C2…Ci…Cn。Ti与 Ci必须满足以下条件 Ti与Ci都具备幂等性。Ti与Ci满足交换律即先执行Ti还是先执行Ci其效果都是一样的。Ci必须能成功提交即不考虑Ci本身提交失败被回滚的情形如出现就必须持续重试直至成功或者要人工介入。
如果T1到Tn均成功提交那事务顺利完成否则要采取以下两种恢复策略之一 正向恢复Forward Recovery如果Ti事务提交失败则一直对Ti进行重试直至成功为止最大努力交付。这种恢复方式不需要补偿适用于事务最终都要成功的场景譬如在别人的银行账号中扣了款就一定要给别人发货。正向恢复的执行模式为T1T2…Ti失败Ti重试…Ti1…Tn。反向恢复Backward Recovery如果Ti事务提交失败则一直执行Ci对Ti进行补偿直至成功为止最大努力交付。这里要求Ci必须在持续重试后执行成功。反向恢复的执行模式为T1T2…Ti失败Ci补偿…C2C1。 与TCC相比SAGA不需要为资源设计冻结状态和撤销冻结的操作补偿操作往往要比冻结操作容易实现得多。譬如前面提到的账号余额直接在银行维护的场景从银行划转货款到 Fenix’s Bookstore系统中这步是经由用户支付操作扫码或U盾来促使银行提供服务如果后续业务操作失败尽管我们无法要求银行撤销掉之前的用户转账操作但是由Fenix’s Bookstore系统将货款转回到用户账上作为补偿措施却是完全可行的。 SAGA必须保证所有子事务都得以提交或者补偿但SAGA系统本身也有可能会崩溃所以它必须设计成与数据库类似的日志机制被称为 SAGA Log以保证系统恢复后可以追踪到子事务的执行情况譬如执行至哪一步或者补偿至哪一步了。另外尽管补偿操作通常比冻结/撤销容易实现但保证正向、反向恢复过程的能严谨地进行也需要花费不少的工夫譬如通过服务编排、可靠事件队列等方式完成所以SAGA事务通常也不会直接靠裸编码来实现一般也是在事务中间件的基础上完成前面提到的 Seata 就同样支持 SAGA 事务模式。