分散式事務 -- 最佳實踐方案匯總 -- 看這1篇就夠了
說到分散式事務，就會談到那個經典的」賬號轉賬」問題：2個賬號，分布處於2個不同的DB，對應2個不同的系統A,B。A要扣錢，B要加錢，如何保證原子性？
傳統方案 -- 2PC
（1）2PC的理論層面：
2pc涉及到2個階段，3個操作：
階段1：「準備提交」。事務協調者向所有參與者發起prepare，所有參與者回答yes/no。階段2：「正式提交」。如果所有參與者都回答yes，則向所有參與者發起commit；否則，向所有參與者發起rollback。
因此，要實現2pc，所有參與者，都得實現3個介面：prepare/commit/rollback。（2）2PC的實現層面
對應的實現層面，也就是XA協議，通常的資料庫都實現了這個協議。
有一個Atomikos開源庫，提供了2PC的實現方案。有興趣的可以去看一下如何使用。
（3）2PC的問題
問題1：階段2，事務協調者掛了，則所有參與者接受不到commit/rollback指令，將處於「懸而不決」狀態
問題2：階段2，其中一個參與者超時或者出錯，那其他參與者，是commit，還是rollback呢？ 也不能確定
為了解決2pc的問題，又引入3pc。3pc有類似的掛了如何解決的問題，因此還是沒能徹底解決問題，此處就不詳述了。
問題3：2PC的實現，目前主要是用在資料庫層面（資料庫實現了XA協議）。但目前，大家基本都是微服務架構，不會直接在2個業務DB之間搞一致性，而是想如何在2個服務上面實現一致性。
正因為2PC有上面諸多問題和不便，實踐中一般很少使用，而是採用下面將要講的各種方案。
最終一致性
一般的思路都是通過消息中間件來實現「最終一致性」：A系統扣錢，然後發條消息給中間件，B系統接收此消息，進行加錢。
但這裡面有個問題：A是先update DB，後發送消息呢？ 還是先發送消息，後update DB？
假設先update DB成功，發送消息網路失敗，重發又失敗，怎麼辦？
假設先發送消息成功，update DB失敗。消息已經發出去了，又不能撤回，怎麼辦？所以，這裡下個結論： 只要發送消息和update DB這2個操作不是原子的，無論誰先誰後，都是有問題的。
那這個問題怎麼解決呢？？
錯誤的方案0
有人可能想到了，我可以把「發送消息」這個網路調用和update DB放在同1個事務裡面，如果發送消息失敗，update DB自動回滾。這樣不就保證2個操作的原子性了嗎？
這個方案看似正確，其實是錯誤的，原因有2：
（1）網路的2將軍問題：發送消息失敗，發送方並不知道是消息中間件真的沒有收到消息呢？還是消息已經收到了，只是返回response的時候失敗了？
如果是已經收到消息了，而發送端認為沒有收到，執行update db的回滾操作。則會導致A賬號的錢沒有扣，B賬號的錢卻加了。
（2）把網路調用放在DB事務裡面，可能會因為網路的延時，導致DB長事務。嚴重的，會block整個DB。這個風險很大。
基於以上分析，我們知道，這個方案其實是錯誤的！
方案1 -- 最終一致性（業務方自己實現）
假設消息中間件沒有提供「事務消息」功能，比如你用的是Kafka。那如何解決這個問題呢？
解決方案如下：
（1）Producer端準備1張消息表，把update DB和insert message這2個操作，放在一個DB事務裡面。（2）準備一個後台程序，源源不斷的把消息表中的message傳送給消息中間件。失敗了，不斷重試重傳。允許消息重複，但消息不會丟，順序也不會打亂。
（3）Consumer端準備一個判重表。處理過的消息，記在判重表裡面。實現業務的冪等。但這裡又涉及一個原子性問題：如果保證消息消費 + insert message到判重表這2個操作的原子性？
消費成功，但insert判重表失敗，怎麼辦？關於這個，在Kafka的源碼分析系列，第1篇， exactly once問題的時候，有過討論。
通過上面3步，我們基本就解決了這裡update db和發送網路消息這2個操作的原子性問題。
但這個方案的一個缺點就是：需要設計DB消息表，同時還需要一個後台任務，不斷掃描本地消息。導致消息的處理和業務邏輯耦合額外增加業務方的負擔。
方案2 -- 最終一致性（RocketMQ 事務消息）
為了能解決該問題，同時又不和業務耦合，RocketMQ提出了「事務消息」的概念。
具體來說，就是把消息的發送分成了2個階段：Prepare階段和確認階段。
具體來說，上面的2個步驟，被分解成3個步驟：
(1) 發送Prepared消息 (2) update DB (3) 根據update DB結果成功或失敗，Confirm或者取消Prepared消息。可能有人會問了，前2步執行成功了，最後1步失敗了怎麼辦？這裡就涉及到了RocketMQ的關鍵點：RocketMQ會定期（默認是1分鐘）掃描所有的Prepared消息，詢問發送方，到底是要確認這條消息發出去？還是取消此條消息？
總結：對比方案2和方案1，RocketMQ最大的改變，其實就是把「掃描消息表」這個事情，不讓業務方做，而是消息中間件幫著做了。
至於消息表，其實還是沒有省掉。因為消息中間件要詢問發送方，事物是否執行成功，還是需要一個「變相的本地消息表」，記錄事物執行狀態。
人工介入
可能有人又要說了，無論方案1，還是方案2，發送端把消息成功放入了隊列，但消費端消費失敗怎麼辦？
消費失敗了，重試，還一直失敗怎麼辦？是不是要自動回滾整個流程？
答案是人工介入。從工程實踐角度講，這種整個流程自動回滾的代價是非常巨大的，不但實現複雜，還會引入新的問題。比如自動回滾失敗，又怎麼處理？
對應這種極低概率的case，採取人工處理，會比實現一個高複雜的自動化回滾系統，更加可靠，也更加簡單。
方案3：TCC
為了解決SOA系統中的分散式事務問題，支付寶提出了TCC。2PC通常都是在跨庫的DB層面，而TCC本質就是一個應用層面的2PC。
同樣，TCC中，每個參與者需要3個操作：Try/Confirm/Cancel，也是2個階段。
階段1：」資源預留/資源檢查「，也就是事務協調者調用所有參與者的Try操作
階段2：「一起提交」。如果所有的Try成功，一起執行Confirm。否則，所有的執行Cancel.TCC是如何解決2PC的問題呢？
關鍵：Try階段成功之後，Confirm如果失敗(不管是協調者掛了，還是某個參與者超時），不斷重試！！
同樣，Cancel失敗了，也是不斷重試。這就要求Confirm/Cancel都必須是冪等操作。下面以1個轉賬case為例，來說明TCC的過程：
有3個賬號A, B, C，通過SOA提供的轉賬服務操作。A, B同時分別要向C轉30, 50元，最後C的賬號+80，A, B各減30, 50。階段1：A賬號鎖定30，B賬號鎖定50，檢查C賬號的合法性（比如C賬號是否違法被凍結，C賬號是否已註銷。。。）。
所以，對應的「扣錢」的Try操作就是」鎖定」，對應的「加錢」的Try操作就是檢查賬號合法性階段2：A, B, C都Try成功，執行Confirm。即A, B減錢，C加錢。如果任意一個失敗，不斷重試！
從上面的案例可以看出，Try操作主要是為了「保證業務操作的前置條件都得到滿足」，然後在Confirm階段，因為前置條件都滿足了，所以可以不斷重試保證成功。
方案4：事務狀態表 + 調用方重試 + 接收方冪等 （同步 + 非同步）
同樣以上面的轉賬為例：調用方調系統A扣錢，系統B加錢，如何保證2個同時成功？
調用方維護1張事務狀態表（或者說事務日誌，日誌流水），每次調用之前，落盤1條事務流水，生成1個全局的事務ID。表結構大致如下：
初始狀態是Init，每調用成功1個系統更新1次狀態（這裡就2個系統），最後所有系統調用成功，狀態更新為Success。
當然，你也可以不保存中間狀態，簡單一點，你也可以只設置2個狀態：Init/Success，或者說begin/end。
然後有個後台任務，發現某條流水，在過了某個時間之後(假設1次事務執行成功通常最多花費30s)，狀態仍然是Init，那就說明這條流水有問題。就重新調用系統A，系統B，保證這條流水的最終狀態是Success。當然，系統A, 系統B根據這個全局的事務ID，做冪等，所以重複調用也沒關係。
這就是通過同步調用 + 後台任務非同步補償，最終保證系統一致性。
補充說明：
（1）如果後台任務重試多次，仍然不能成功，那要為狀態表加1個Error狀態，要人工介入干預了。
（2）對於調用方的同步調用，如果部分成功，此時給客戶端返回什麼呢？
答案是不確定，或者說暫時未知。你只能告訴用戶，該筆轉賬超時，稍後再來確認。
（3）對於同步調用，調用方調用A，或者B失敗的時候，可以重試3次。重試3次還不成功，放棄操作。再交由後台任務後續處理。
方案4的擴展：狀態機 + 對賬
把方案4擴展一下，豈止事務有狀態，系統中的各種數據對象都有狀態，或者說都有各自完整的生命周期。
這種完整的生命周期，天生就具有校驗功能！！！我們可以很好的利用這個特性，來實行系統的一致性。
一旦我們發現系統中的某個數據對象，過了一個限定時間，生命周期仍然沒有走完，仍然處在某個中間狀態，那就說明系統不一致了，可以執行某種操作。
舉個電商系統的訂單的例子：一張訂單，從「已支付」，到「下發給倉庫」，到「出倉完成」。假定從「已支付」到「下發給倉庫」，最多用1個小時；從「下發給倉庫」到「出倉完成」，最多用8個小時。
那意味著：只要我發現1個訂單的狀態，過了1個小時之後，還是「已支付」，我就認為訂單下發沒有成功，我就重新下發，也就是上面所說的「重試」；
同樣，只要我發現訂單過了8個小時，還未出倉，我這個時候可能就會發報警出來，是不是倉庫的作業系統出了問題。。。諸如此類。
更複雜一點：訂單有狀態，庫存系統的庫存也有狀態，優惠系統的優惠券也有狀態，根據業務規則，這些狀態之間進行比對，就能發現系統某個地方不一致，做相應的補償行為。
上面說的「最終一致性」和TCC、狀態機+對賬，都是比較「完美」的方案，能完全保證數據的一致性。
但是呢，最終一致性這個方案是非同步的；
TCC需要2個階段，性能損耗大；
事務狀態表，或者狀態機，每次要記事務流水，要更新狀態，性能也有損耗。
如果我需要1個同步的方案，可以立馬得到結果，同時又要有很高的性能，支持高並發，那怎麼處理呢？
方案5：妥協方案 -- 弱一致性 + 基於狀態的補償
舉個典型場景：
電商網站的下單，扣庫存。訂單系統有訂單的DB，訂單的服務；庫存系統有庫存的DB，庫存的服務。 如何保證下單 + 扣庫存，2個的原子性呢？
如果用上面的最終一致性方案，因為是非同步的，庫存扣減不及時，會導致超賣，因此最終一致性的方案不可行；
如果用TCC的方案，性能可能又達不到。
這裡，就採用了一種弱一致的方案，什麼意思呢？
對於該需求，有1個關鍵特性：對於電商的購物來講，允許少賣，但不能超賣。你有100件東西，賣給99個人，有1件沒有賣出去，這個可以接受；但是賣給了101個人，其中1個人拿不到貨，平台違約，這個就不能接受。
而該處就利用了這個特性，具體是這麼做的：
先扣庫存，再提交訂單。
（1）扣庫存失敗，不提交訂單了，直接返回失敗，調用方重試（此處可能會多扣庫存）
（2）扣庫存成功，提交訂單失敗，返回失敗，調用方重試（此處可能會多扣庫存）
（3）扣庫存成功，提交訂單成功，返回成功。
反過來，你先提交訂單，後扣庫存，也是按照類似的這個思路。
最終，只要保證1點：庫存可以多扣，不能少扣！！！
但是，庫存多扣了，這個數據不一致，怎麼補償呢？
庫存每扣1次，都會生成1條流水記錄。這條記錄的初始狀態是「佔用」，等訂單支付成功之後，會把狀態改成「釋放」。
對於那些過了很長時間，一直是佔用，而不釋放的庫存。要麼是因為前面多扣造成的，要麼是因為用戶下了單，但不支付。
通過比對，庫存系統的「佔用又沒有釋放的庫存流水「與訂單系統的未支付的訂單，我們就可以回收掉這些庫存，同時把對應的訂單取消掉。（就類似12306網站一樣，過多長時間，你不支付，訂單就取消了，庫存釋放）
方案6： 妥協方案 -- 重試 + 回滾 + 監控報警 + 人工修復
對於方案5，我們是基於訂單的狀態 + 庫存流水的狀態，做補償（或者說叫對賬）。
如果業務很複雜，狀態的維護也很複雜。方案5呢，就是1種更加妥協而簡單的辦法。
提交訂單不是失敗了嘛！
先重試！
重試還不成功，回滾庫存的扣減！
回滾也失敗，發報警出來，人工干預修復！
總之，根據業務邏輯，通過重試3次，或者回滾的辦法，盡最大限度，保證一致。實在不一致，就發報警，讓人工干預。只要日誌流水記錄的完整，人工肯定可以修復！ （通常只要業務邏輯本身沒問題，重試、回滾之後，還失敗的概率會比較低，所以這種辦法雖然醜陋，但蠻實用）
後話
其他的，諸如狀態機驅動、1PC之類的辦法，只是說法不一，個人認為本質上都是方案4/方案5的做法。
總結
在上文中，總結了實踐中比較靠譜的6種方法：2種最終一致性的方案，2種妥協辦法，2種基於狀態 + 重試的方法（TCC，狀態機 + 重試 + 冪等）。
實現層面，妥協的辦法肯定最容易，TCC最複雜。
後記
後記：有興趣朋友也可以進一步關注公眾號「架構之道與術」， 獲取更多乾貨文章。
推薦閱讀：