近來經常用到分散式事務，這裡總結一下，我們目前的使用場景基本都是採用事務消息方式。那麼說到分散式不得不談的CAP

CAP理論概述

一個分散式系統最多只能同時滿足一致性（Consistency）、可用性（Availability）和分區容錯性（Partition tolerance）這三項中的兩項。

CAP的定義

Consistency 一致性

一致性指“all nodes see the same data at the same time”，即更新操作成功並返回客戶端完成後，所有節點在同一時間的數據完全一致。

對於一致性，可以分為從客戶端和服務端兩個不同的視角。從客戶端來看，一致性主要指的是多併發訪問時更新過的數據如何獲取的問題。從服務端來看，則是更新如何複製分佈到整個系統，以保證數據最終一致。一致性是因為有併發讀寫才有的問題，因此在理解一致性的問題時，一定要註意結合考慮併發讀寫的場景。

從客戶端角度，多進程併發訪問時，更新過的數據在不同進程如何獲取的不同策略，決定了不同的一致性。對於關係型資料庫，要求更新過的數據能被後續的訪問都能看到，這是強一致性。如果能容忍後續的部分或者全部訪問不到，則是弱一致性。如果經過一段時間後要求能訪問到更新後的數據，則是最終一致性。

Availability 可用性

可用性指“Reads and writes always succeed”，即服務一直可用，而且是正常響應時間。

對於一個可用性的分散式系統，每一個非故障的節點必須對每一個請求作出響應。也就是，該系統使用的任何演算法必須最終終止。當同時要求分區容忍性時，這是一個很強的定義：即使是嚴重的網路錯誤，每個請求必須終止。

好的可用性主要是指系統能夠很好的為用戶服務，不出現用戶操作失敗或者訪問超時等用戶體驗不好的情況。可用性通常情況下可用性和分散式數據冗餘，負載均衡等有著很大的關聯。

Partition Tolerance分區容錯性

分區容錯性指“the system continues to operate despite arbitrary message loss or failure of part of the system”，即分散式系統在遇到某節點或網路分區故障的時候，仍然能夠對外提供滿足一致性和可用性的服務。

分區容錯性和擴展性緊密相關。在分散式應用中，可能因為一些分散式的原因導致系統無法正常運轉。好的分區容錯性要求能夠使應用雖然是一個分散式系統，而看上去卻好像是在一個可以運轉正常的整體。比如現在的分散式系統中有某一個或者幾個機器宕掉了，其他剩下的機器還能夠正常運轉滿足系統需求，或者是機器之間有網路異常，將分散式系統分隔未獨立的幾個部分，各個部分還能維持分散式系統的運作，這樣就具有好的分區容錯性。

CAP的證明

如上圖，是我們證明CAP的基本場景，網路中有兩個節點N1和N2，可以簡單的理解N1和N2分別是兩台電腦，他們之間網路可以連通，N1中有一個應用程式A，和一個資料庫V，N2也有一個應用程式B2和一個資料庫V。現在，A和B是分散式系統的兩個部分，V是分散式系統的數據存儲的兩個子資料庫。

在滿足一致性的時候，N1和N2中的數據是一樣的，V0=V0。在滿足可用性的時候，用戶不管是請求N1或者N2，都會得到立即響應。在滿足分區容錯性的情況下，N1和N2有任何一方宕機，或者網路不通的時候，都不會影響N1和N2彼此之間的正常運作。

如上圖，是分散式系統正常運轉的流程，用戶向N1機器請求數據更新，程式A更新資料庫Vo為V1，分散式系統將數據進行同步操作M，將V1同步的N2中V0，使得N2中的數據V0也更新為V1，N2中的數據再響應N2的請求。

這裡，可以定義N1和N2的資料庫V之間的數據是否一樣為一致性；外部對N1和N2的請求響應為可用行；N1和N2之間的網路環境為分區容錯性。這是正常運作的場景，也是理想的場景，然而現實是殘酷的，當錯誤發生的時候，一致性和可用性還有分區容錯性，是否能同時滿足，還是說要進行取捨呢？

作為一個分散式系統，它和單機系統的最大區別，就在於網路，現在假設一種極端情況，N1和N2之間的網路斷開了，我們要支持這種網路異常，相當於要滿足分區容錯性，能不能同時滿足一致性和響應性呢？還是說要對他們進行取捨。

假設在N1和N2之間網路斷開的時候，有用戶向N1發送數據更新請求，那N1中的數據V0將被更新為V1，由於網路是斷開的，所以分散式系統同步操作M，所以N2中的數據依舊是V0；這個時候，有用戶向N2發送數據讀取請求，由於數據還沒有進行同步，應用程式沒辦法立即給用戶返回最新的數據V1，怎麼辦呢？有二種選擇，第一，犧牲數據一致性，響應舊的數據V0給用戶；第二，犧牲可用性，阻塞等待，直到網路連接恢復，數據更新操作M完成之後，再給用戶響應最新的數據V1。

這個過程，證明瞭要滿足分區容錯性的分散式系統，只能在一致性和可用性兩者中，選擇其中一個。

CAP權衡

通過CAP理論，我們知道無法同時滿足一致性、可用性和分區容錯性這三個特性，那要捨棄哪個呢？

CA without P：如果不要求P（不允許分區），則C（強一致性）和A（可用性）是可以保證的。但其實分區不是你想不想的問題，而是始終會存在，因此CA的系統更多的是允許分區後各子系統依然保持CA。
CP without A：如果不要求A（可用），相當於每個請求都需要在Server之間強一致，而P（分區）會導致同步時間無限延長，如此CP也是可以保證的。很多傳統的資料庫分散式事務都屬於這種模式。
AP wihtout C：要高可用並允許分區，則需放棄一致性。一旦分區發生，節點之間可能會失去聯繫，為了高可用，每個節點只能用本地數據提供服務，而這樣會導致全局數據的不一致性。現在眾多的NoSQL都屬於此類。

對於多數大型互聯網應用的場景，主機眾多、部署分散，而且現在的集群規模越來越大，所以節點故障、網路故障是常態，而且要保證服務可用性達到N個9，即保證P和A，捨棄C（退而求其次保證最終一致性）。雖然某些地方會影響客戶體驗，但沒達到造成用戶流程的嚴重程度。

對於涉及到錢財這樣不能有一絲讓步的場景，C必須保證。網路發生故障寧可停止服務，這是保證CA，捨棄P。貌似這幾年國內銀行業發生了不下10起事故，但影響面不大，報到也不多，廣大群眾知道的少。還有一種是保證CP，捨棄A。例如網路故障事只讀不寫。
孰優孰略，沒有定論，只能根據場景定奪，適合的才是最好的。

分散式事務

微服務的盛行，到處都是分散式事務。比如我們的訂單系統和庫存系統怎麼保證扣庫存和生成訂單的原子性。

分散式事務解決方案

這裡分成兩大類來介紹

過程型的強一致性

兩階段提交（或三階段提交）

兩階段提交是基於XA（分散式事務協議），由資料庫實現XA介面，只要資料庫實現了協議，使用比較簡單，不過併發性能不理想，在此不詳述；

結果型的最終一致性

TCC編程模式

分為三個階段TRYING-CONFIRMING-CANCELING。每個階段做不同的處理。

TRYING階段主要是對業務系統進行檢測及資源預留

CONFIRMING階段是做業務提交，通過TRYING階段執行成功後，再執行該階段。預設如果TRYING階段執行成功，CONFIRMING就一定能成功。

CANCELING階段是回對業務做回滾，在TRYING階段中，如果存在分支事務TRYING失敗，則需要調用CANCELING將已預留的資源進行釋放。

拿訂單庫存來舉例：Try（扣庫存），Confirm（更新訂單），如果更新訂單失敗，就進入Cancel階段回滾（恢復庫存），回滾階段由業務編碼實現（再來一個sql把庫存加回去），不同場景不同考慮，不好復用；

消息機制（RocketMQ 4.3+已支持）

發送方首先把消息發送到MQ Server，狀態是”未提交“，主要是起到數據落地的作用，為後續可能出現的回查過程存根。至於是否真的要投遞這個消息取決於隨後的事務提交狀態。
使用TransactionSynchronizationManager.registerSynchronization(TransactionSynchronization synchronization)註冊事務同步器，擴展點由Spring提供，一般為一個通用實現。核心邏輯如下（偽代碼，並非實際實現，只表達核心思路）：

  public void afterCompletion(int status) {
       boolean committed = false;
       if (status == 0) {
            committed = true;
        } else {
            if (status != 1) {
                //事務狀態unknown，等回查
                return
            }
            committed = false;
        }

        //通知MQ Server本地事務結果
        send(committed)
  }

如上，同步器會將本地事務的執行結果發送給MQ Server，異常情況交給回查方法來解決。