这是我的第42篇原创

今天聊聊分布式环境下数据一致性的各种解决方案。有点烧脑，但是很有趣。

单体环境中的一致性问题

在传统关系型数据库环境（单体环境，或者叫单机）中，自己记录自己的就行了，单机环境不存在环境数据一致性的问题，倒是有并发操作数据一致性的问题。

对于一个数据库操作（专业术语叫：事务）来说，总结出4个特性：原子性、一致性、隔离性和持久性，合称ACID，我们不需要记那么多，只需要知道这些特性就是能保证数据库里的数据能够准确就行了。

• 原子性（atomicity）：一个事务中的所有操作，不可分割，要么全部成功，要么全部失败；

• 一致性（consistency）：一个事务执行前与执行后数据的完整性必须保持一致；

• 隔离性（isolation）：一个事务的执行，不能被其他事务干扰，多并发时事务之间要相互隔离；

• 持久性（durability）：一个事务一旦被提交，它对数据库中数据的改变是永久性的。

为了防止很多人一起操作，数据库会大量使用锁。锁就是在你操作这条数据的时候，加一个状态位，别人就无法操作了，类似于你上厕所的时候锁门一样。

在上图中，有两个业务操作同时要修改关于的等级，但是业务操作3拿到锁了，所以操作之后，关羽的等级会变成35。业务操作2会因为这条记录被锁，而执行失败。

单机数据库环境（传统数据库），用的大多是悲观锁，意思就是用悲观的态度对待数据库修改，假定任何一次拿数据都可能遇到有人会修改：

• 在你修改这条数据的时候，数据库会自动帮你对条记录上个锁，别人就无法在你改数据的时候同时修改了，这叫行锁；

• 在你改这个表的时候，数据库也会给表上锁，这叫表锁；

• 在你读取数据的时候上锁，就是读锁；

• 在你写数据的时候上锁，这就是写锁。

分布式环境中的一致性问题

但是分布式环境，就不一样了。锁是面对并发任务的，解决多个任务抢一个资源的问题。分布式的时候也会面临这个问题，用的是分布式锁解决。

但是分布式本身会导致另外一个问题：分布式是集群环境，集群环境会存储多个副本，这个时候问题来了，既然一份数据会存储多个副本，集群怎么保证多个副本中的数据都是一样的？又怎么最终保证修改完数据后，我们去读取这个数据，就是刚刚改好的数据呢？

之所以有这个问题，就是因为分布式环境是多个小数据库组成集群，而网络通讯出现异常是集群建设的前提假设。也就是说，当业务操作1修改关羽等级的时候，就可能出现三个副本的数据不一致的情况。副本1、2已经改好了，副本3因为网络延迟，还没改好；这时业务操作2读取关羽等级的时候，如何保证能读取到最新的数据？这就是分布式环境中的数据一致性的额问题。

CAP定理

为了研究分布式数据一致性的问题，IT届吵吵了很久，2000年，Eric Brewer在国际会议上提出了CAP猜想，2002年，Lynch与其他人证明了Brewer猜想。这个被证明的CAP定理如下：

• C一致性，即所有副本的数据都是一致的；

• A高可用性，即一部分节点出现故障，能够响应客户端的读取请求
  

• P分区容错性，分布式环境中，即出现网络分区时，也能使客户端拿到最新数据

• CAP无法同时满足，最多只能同时满足其中两项。

其中P（分区容错性）是必须的，也就是说，我们只剩下CP和AP两个选择。要么抛弃数据一致性，追求高可用，要么抛弃高可用，追求数据一致性。而这两个结果都不是我们想要的。这可咋办？

base理论

这个世界总是有英雄站出来。eBay的架构师Dan Pritchett提出了base理论：

• Basically Availble，基本可用（CAP中的A，高可用）

• Soft-state，软状态/柔**务

• Eventual Consistency，最终一致性（CAP中的C，数据一致性）

所有的非金融的应用场景中，我们都遵循base理论，提供基本可用和最终一致性的服务。

Quorum机制

正是基于CAP和base理论，才有了Quorum机制，来解决分布式环境中数据一致性的问题。quorum机制又叫NRW机制，允许集群中有不一样的情况，但是只要能保证读取的时候有新的数据就行了，NRW即：

• N=总节点数

• R=read，读取的副本数

• W=write，写入的副本数

• 拿到最新数据所需要读取的副本数共需：R=N-W+1，W越大，写入的概率越小，读取的压力就越小；W越小，写入的概率越大，但是读取的节点数就越多，读取的性能越差

以上图为例，假设业务操作1进行修改关羽等级的时候，只有两个节点修改成功了，那么业务操作2进行读取的时候，必须要读取R=N-W+1=3-2+1=2个副本就能获取到最新的数据。你看，我们无需所有节点都一致，也能达成数据可用的效果。至于那个还没改好的节点，集群的数据同步机制会慢慢同步的。

那么有没有让所有节点都一次性全部成功写入的方法呢？有的，方法还不少。

强一致性解决方案

目前主流的强一致性解决方案有4种：

• 2PC（2 phase commit）2阶段递交法

• 3PC（3 phase commit）3阶段递交法

• 4PC（笑）TCC（try-cancel-commit）试一下，不行就算了递交法

• 消息中间件一致性解决方案

基本上跟TCP/IP三次握手的逻辑是一样的，2PC就是经过两个阶段，最后递交事务；3PC就是经过3个阶段，最后递交事务；TCC就是尝试、取消、递交；Half MQ就是先占坑，确认后再递交。

• 2PC

2PC分为两个阶段：投票阶段和操作阶段。既然是投票，就得有一个人从中协调，要不怎么保证公平呢。所以2PC引入了一个协调者coordinator。一个分布式事务请求过来，先到协调者这边，协调者发起第一阶段即投票阶段，问所有的参与者：你们准备好了吗？所有人回答：准备好了！然后协调者发起第二阶段即递交阶段说：兄弟们，改吧。然后所有参与者发起本地事务把关于的等级改成34级。如果有人说：我这还没好，那么协调者也会发起第二阶段，只不过就变成了取消操作。

这就跟跑步比赛一样，第一阶段：裁判喊“准备~~”；第二阶段：裁判喊“跑”！

2PC比较耗资源，因为所有人的资源都锁着，一直等到所有人都答复了才能递交/取消，万一有节点甚至是协调者掉线那就麻烦了，全得等着。

• 3PC

3PC是在2PC的基础上做了一些优化，在2PC的两个阶段之间，增加一个“预执行”Percommit的阶段，这样就变成了3个阶段：CanCommit、PerCommit、DoCommit。

这还跟跑步比赛一样，第一阶段：裁判喊“各就位~~”；第二阶段：裁判喊“预备~~~”；第三阶段：裁判喊“跑”！

3PC由于增加了预执行的操作，不会造成长时间锁资源，而且增加了超时自动递交的规则，效率大大增加。

但是万一有些节点超时的时候，有些节点告诉协调者他准备失败，然后协调者取消了任务咋办？这样还是会导致数据不一致。

• TCC

TCC实际上是在业务逻辑层实现的，就是写业务代码的程序员完成的。2PC、3PC都是资源层实现的，是底层的逻辑封装好的。TCC就是Try、Cancel、Commit，这不是跟2PC一样的么？准备-取消or执行。所以很多程序员在看TCC和2PC的时候会感觉这俩很像。TCC的优势是应用自己定义数据库操作的粒度，降低锁的冲突，提高吞吐量。

TCC的问题在于每个业务都要写一次TCC。太繁琐了。有没有更好的解决办法呢？

• 消息中间件一致性解决方案

其实消息中间件的一致性解决方案分为普通MQ和Half MQ 半消息（事务消息）。

现在我们不需要老是询问了，也不需要在业务逻辑里总去做各种尝试了。直接把需要别人改的东西扔到MQ里，其他组件到MQ里定时消费消息，按要求执行就OK了。完全解耦，简直完美！

但是MQ本身就有一些小问题，比如上游应用处理完了，把消息扔到MQ的时候出现问题了，那就完蛋了，前后数据就不一致了。这时候就需要半消息（事务消息）出场了。

Half MQ的意思就是把消息再分成两次，做一次类似于2PC的操作。

这样就避免了普通MQ的管杀不管埋的弊端。生产者需要等半消息确认成功后，才开始写本地事务。MQ这边已经确认消息ok，再投递给消费者，消费者那边进行消费就行了。

我们发现，一个很简单事情放到分布式环境之后就变得非常复杂。就好比是自己做决定和让集体做决定一样，太难了。自己决定的话，自己说了算就行了。集体决定得需要各种各样的规则，要不就大家各说各的，吵成一团。

好在计算机比人要简单的多，我们怎么说，它就怎么做。比起人来说，还是计算机要容易对付的多啊。

还有，各种问题，总是有解决方案的，我们总是在无穷逼近完美之中，但是貌似又不是能完美解决，总是有一些小小的问题。我站在巨人的肩膀上，感叹世界的不完美，是不是太作了？

以上~~~

往期精彩回顾



干货|架构师的视角看透中台底层规则 |论数据驱动业务的“力”

热文|大数据工程师体系职业路径全解

帮我点击“点赞”+“在看”的，今年都涨工资！