侧边栏壁纸
博主头像
996worker

祇園精舎の鐘の聲, 諸行無常の響き有り。

  • 累计撰写 134 篇文章
  • 累计创建 40 个标签
  • 累计收到 3 条评论

分布式事务理论, 分布一致性算法Raft及分布式事务解决方案

996worker
2021-12-27 / 0 评论 / 0 点赞 / 28 阅读 / 2,229 字
温馨提示:
本文最后更新于 2021-12-27,若内容或图片失效,请留言反馈。部分素材来自网络,若不小心影响到您的利益,请联系我们删除。

概念

其实和之前谈论的分布式锁一样. 在单个服务中的本地事务在微服务场景下不得劲(只能控制本地事务的回滚, 但控制不了其他服务). 以下是一个需要应用分布式事务的场景:

image.jpeg

本地事务

几个关键词需要复习: ACID; 隔离级别; 传播行为; 本地事务失效问题.

本地事务失效/本类方法调用事务失效问题

须格外注意本地事务失效问题: 同一个对象内,事务方法互调默认失效. 原因方法调用没有经过代理对象, 而事务是要求通过代理对象实现的

解决: 引入一个aspectj, 这样能通过注解@EnableAspectJAutoProxy(exposeProxy = true)开启代理, 所有动态代理对象都是通过aspectj对外暴露代理对象.

示例:

首先, 在主程序入口方法头上注解: @EnableAspectJAutoProxy(exposeProxy = true)

然后, 在业务代码里:

public class EmployeeService{
 @Transactional
 public void save(){
    try {      

        // 获取代理对象来调用带事务的方法  
        EmployeeService proxy =(EmployeeService) AopContext.currentProxy();
        proxy.a();
        proxy.b();
    }catch (Exception e){
        e.printStackTrace();
    }
 }

 @Transactional
 public void a(){
  ....
 }
 @Transactional
 public void b(){
  ...
 }
}

分布式事务

出现原因

分布式系统常出现异常: 实例宕机, 网络异常, 丢信息, 信息乱序, 信息错误. 微服务架构几乎无法避免分布式事务挑战, 因为其需要服务拆分.

理论基础

复习CAP和BASE.

CAP

  • 一致性(Consistency/Consensus): 分布式系统中所有数据副本在同一时刻, 访问时都有同样的值.
  • 可用性(Availability): 集群中部分节点故障, 整体系统依旧能响应客户端读写请求.
  • 分区容错性(Partition tolerance): 复习其含义得知, 大多数分布式系统有多个子网络, 叫做分区partition, 而分区间通信可能会失效. 比如大陆分区和美国分区, 两个之间因为国家防火墙导致无法访问的问题

一般认为CAP至多实现两个.
实际生产中, 往往分区容错无法避免,系统设计必须保证这个特性, 所以C或A只能选一样了.

分布式系统中有算法如Raft, 能实现一致性. 其原理包含了投票选举,主从复制.可复习参考Redis的哨兵机制.

Raft分布式一致性算法简介
作为主人, 要不断给从机发送心跳信息. 当一个从节点经过几百毫秒的自旋时间,发现没有主人的心跳了, 就自己变成候选人,然后给其他节点发送发起投票的信息, 投票通过(大多数节点通过)就成新领导.
如果两个节点都是候选人, 票数也一样, 出现投票分离现象, 那就反复多轮选举, 其实最终总能选出领导, 很神奇.

对于主从复制, 领导与客户通信, 领导会把改变的增量日志在每次心跳的过程中发给从机, 并且大多数节点会给领导回复.如果大多数节点没回复, 那领导会给客户说保存失败.
假设今天分区断网, 和领导断网的分区自己会选举,直到选出新领导. 假如分区突然恢复了, 老领导直接退位,遵循新领导, 老领导的下属立刻服从新领导, 这俩未提交的操作也立刻回滚和新领导的数据保证一致.

BASE

实际生产中, 主机众多, 部署也是哪里便宜快速就部署哪里, 导致节点分区通信故障常见, 而又要保证搞可用性(N个9), 往往是AP, 舍弃C.

而BASE理论是延伸了CAP的思想, 其实C的标准没有必要整那么严, 只要一段可接受的时间后能够保证最终一致, 那也算一致性.

  • BA (Basically Available): 允许损失部分可用性, 但是保证系统整体可用. 比如响应时间可接受地变慢, 或者购物高峰时降级处理
  • S (Soft State): 软状态, 中间状态不影响整体可用性, 容忍了一定时间内分布式存储里有不同的数据副本. 比如Mysql异步复制.
  • E (Eventual Consistency): 最终一致性系统中数据能在一段时间内最终达到数据一致.

解决方案

2PC模式 (two-phase commit二阶提交协议)

将事务提交分为两个阶段:

  1. 阶段一: 事务管理器要求每个涉及到事物的数据库/微服务预提交此操作, 数据库要回应是否可以提交, 然后他们进入提交就绪状态.
  2. 阶段二: 事务管理器要求每个数据库/微服务提交数据, 然后他们就能提交数据.

当有任何一个数据库否决此次提交, 所有数据库回滚到本事务前.
此协议比较简单, 但是性能吃得多, 不适合实际的高并发场景.

柔性事务 - TCC事务补偿方案

阿里巴巴在一些业务里用的. 把代码按照接口拆成下述的几步.

概念:

  • 刚性事务: ACID, 强调绝对一致;
  • 柔性事务: BASE, 强调最终一致.
    image.jpeg

image.jpeg

如若有任何人失败, 就会进入自定义的rollback行为.

所谓TCC模式, 是支持把自定义的分支事务纳入到全局事务管理中.

柔性事务 - 最大努力通知方案

提供查询操作的接口, 确保通知能否成功. 此方案主要用于与第三方服务通讯, 比如调用第三方支付平台返回支付结果, 他们用的就是最大努力通知. 此方案可以用到消息队列的发布订阅模式.

柔性事务 - 可靠消息+最终一致性方案

妈的, 写了也记不住,不用假装努力. 自己查网络资料, 反正上述这两种柔性事务都能满足大并发场景.

会有另一个笔记介绍Java里常用的分布式事务框架: SpringCloud Alibaba的Seata.

0

评论区