1 背景

我们之前介绍过分布式事务的解决方案，参考作者这篇《五种分布式事务解决方案（图文总结）》。
在那篇文章中我们介绍了分布式场景下困扰我们的3个核心需求（CAP）：一致性、可用性、分区容错性，以及在实际场景中的业务折衷。
1、一致性（Consistency）： 再分布，所有实例节点同一时间看到是相同的数据
2、可用性（Availability）： 不管是否成功，确保每一个请求都能接收到响应
3、分区容错性（Partition Tolerance）： 系统任意分区后，在网络故障时，仍能操作

而本文我们聚焦高并发下如何保障 Data Consistency（数据一致性）。

2 分布式常见一致性问题

2.1 典型支付场景

这是最经典的场景。支付过程，要先查询买家的账户余额，然后计算商品价格，最后对买家进行进行扣款，像这类的分布式操作，
如果是并发量低的情况下完全没有问题的，但如果是并发扣款，那可能就有一致性问题。。在高并发的分布式业务场景中，类似这种 “查询+修改” 的操作很可能导致数据的不一致性。

2.2 在线下单场景

同理，买家在电商平台下单，往往会涉及到两个动作，一个是扣库存，第二个是更新订单状态，库存和订单一般属于不同的数据库，需要使用分布式事务保证数据一致性。

2.3 跨行转账场景

跨行转账问题也是一个典型的分布式事务，用户A同学向B同学的账户转账500，要先进行A同学的账户-500，然后B同学的账户+500，既然是不同的银行，涉及不同的业务平台，为了保证这两个操作步骤的一致，数据一致性方案必然要被引入。

3 一致性解决方案

3.1 分布式锁

分布式锁的实现，比较常见的方案有3种：
1、基于数据库实现分布式锁
2、基于缓存（Redis或其他类型缓存）实现分布式锁
3、基于Zookeeper实现分布式锁
这3种方案，从实现的复杂度上来看，从1到3难度依次递增。而且并不是每种解决方案都是完美的，它们都有各自的特性，还是需要根据实际的场景进行抉择的。

能力组件	实现复杂度	性能	可靠性
数据库	高	低	低
缓存	中	高	中
zookeeper	低	中	高

详细可以参考我的这篇文章《分布式锁方案分析》

因为缓存方案是采用频率最高的，所以我们这边对Redis分布式锁进行详细介绍：

3.1.1 基于缓存实现分布式锁

相比较于基于数据库实现分布式锁的方案来说，基于缓存来实现在性能方面会表现的更好一点。类似Redis可以多集群部署的，解决单点问题。
基于Redis实现的锁机制，主要是依赖redis自身的原子操作，例如：


# 判断是否存在，不存在设值，并提供自动过期时间
SET key value NX PX millisecond

# 删除某个key
DEL key [key …]

NX：只在在键不存在时，才对键进行设置操作，SET key value NX 效果等同于 SETNX key value
PX millisecond：设置键的过期时间为millisecond毫秒，当超过这个时间后，设置的键会自动失效

如果需要把上面的支付业务实现，则需要改写如下：


# 设置账户Id为17124的账号的值为1，如果不存在的情况下，并设置过期时间为500ms
SET pay_id_17124 1 NX PX 500

# 进行删除
DEL pay_id_17124

上述代码示例是指，当redis中不存在pay_key这个键的时候，才会去设置一个pay_key键，键的值为 1，且这个键的存活时间为500ms。
当某个进程设置成功之后，就可以去执行业务逻辑了，等业务逻辑执行完毕之后，再去进行解锁。而解锁之前或者自动过期之前，其他进程是进不来的。

实现锁机制的原理是：这个命令是只有在某个key不存在的时候，才会执行成功。那么当多个进程同时并发的去设置同一个key的时候，就永远只会有一个进程成功。解锁很简单，只需要删除这个key就可以了。

另外，针对redis集群模式的分布式锁，可以采用redis的Redlock机制。

3.1.2 缓存实现分布式锁的优缺点

优点：Redis相比于MySQL和Zookeeper性能好，实现起来较为方便。
缺点：通过超时时间来控制锁的失效时间并不是十分的靠谱；这种阻塞的方式实际是一种悲观锁方案，引入额外的依赖（Redis/Zookeeper/MySQL 等），降低了系统吞吐能力。

3.2 乐观模式

对于概率性的不一致的处理，需要乐观锁方案，让你的系统更具健壮性。
分布式CAS（Compare-and-Swap）模式就是一种无锁化思想的应用，它通过无锁算法实现线程间对共享资源的无冲突访问。
CAS模式包含三个基本操作数：内存地址V、旧的预期值A和要修改的新值B。在更新一个变量的时候，只有当变量的预期值A和内存地址V当中的实际值相同时，才会将内存地址V对应的值修改为B。

我们以 2.1节 的 典型支付场景 作为例子分析（参考下图）：

初始余额为 800
业务1和业务2同时查询余额为800
业务1执行购买操作，扣减去100，结果是700，这是新的余额。理论上只有在原余额为800时，扣减的Action才能执行成功。
业务2执行生活缴费操作（比如自动交电费），原余额800，扣减去200，结果是600，这是新的余额。理论上只有在原余额为800时，扣减的Action才能执行成功。可实际上，这个时候数据库中的金额已经变为600了，所以业务2的并发扣减不应该成功。

根据上面的CAS原理，在Swap更新余额的时候，加上Compare条件，跟初始读取的余额比较，只有初始余额不变时，才允许Swap成功，这是一种常见的降低读写锁冲突，保证数据一致性的方法。

go 代码示例（使用Baidu Comate AI 生成，已调试）：

package main  
  
import (  
	"fmt"  
	"sync/atomic"  
)  
  
// Compare 函数比较当前值与预期值是否相等  
func Compare(addr *uint32, expect uint32) bool {  
	return atomic.LoadUint32(addr) == expect  
}  
  
func main() {  
	var value uint32 = 0 // 共享变量  
  
	// 假设我们期望的初始值是0  
	oldValue := uint32(0)  
  
	// 使用Compare函数比较当前值与期望值  
	if Compare(&value, oldValue) {  
		fmt.Println("Value matches the expected old value.")  
		// 在这里，你可以执行实际的交换操作，但请注意，  
		// 在并发环境中，你应该使用atomic.CompareAndSwapUint32来确保原子性。  
		// 例如：  
		// newValue := uint32(1)  
		// if atomic.CompareAndSwapUint32(&value, oldValue, newValue) {  
		//     fmt.Println("CAS succeeded, value is now", newValue)  
		// } else {  
		//     fmt.Println("CAS failed, value was changed by another goroutine")  
		// }  
	} else {  
		fmt.Println("Value does not match the expected old value.")  
	}  
  
	// 修改value的值以演示Compare函数的行为变化  
	atomic.AddUint32(&value, 1)  
  
	// 再次比较，此时应该不匹配  
	if Compare(&value, oldValue) {  
		fmt.Println("Value still matches the expected old value, but this shouldn't happen.")  
	} else {  
		fmt.Println("Value no longer matches the expected old value.")  
	}  
}

3.3 解决CAS模式下的ABA问题

3.3.1 什么是ABA问题？

在CAS（Compare-and-Swap）操作中，ABA问题是一个常见的挑战。ABA问题是指一个值原来是A，被另一个线程改为B，然后又被改回A，当前线程使用CAS Compare检查时发现值仍然是A，从而误认为它没有被其他线程修改过。

3.3.2 如何解决？

为了避免ABA问题，可以采取以下策略：

1. 使用版本号或时间戳：

每当共享变量的值发生变化时，都递增一个与之关联的版本号或时间戳。
CAS操作在比较变量值时，同时也要比较版本号或时间戳。
只有当变量值和版本号或时间戳都匹配时，CAS操作才会成功。

2. 不同语言的自带方案：

Java中的java.util.concurrent.atomic包提供了解决ABA问题的工具类。
在Go语言中，通常使用sync/atomic包提供的原子操作来处理并发问题，并引入版本号或时间戳的概念。

那么上面的代码就可以修改成：

type ValueWithVersion struct {  
	Value     int32  
	Version   int32  
}  
  
var sharedValue atomic.Value // 使用atomic.Value来存储ValueWithVersion的指针  
  
func updateValue(newValue, newVersion int32) bool {  
	current := sharedValue.Load().(*ValueWithVersion)  
	if current.Value == newValue && current.Version == newVersion {  
		// CAS操作：只有当前值和版本号都匹配时，才更新值  
		newValueWithVersion := &ValueWithVersion{Value: newValue, Version: newVersion + 1}  
		sharedValue.Store(newValueWithVersion)  
		return true  
	}  
	return false  
}

3. 引入额外的状态信息：

除了共享变量的值本身，还可以引入额外的状态信息，如是否已被修改过。
线程在进行CAS操作前，会检查这个状态信息，以判断变量是否已被其他线程修改过。

需要注意的是，避免ABA问题通常会增加并发控制的复杂性，并可能带来性能开销。因此，在设计并发系统时，需要仔细权衡ABA问题的潜在影响与避免它所需的成本。在大多数情况下，如果ABA问题不会导致严重的数据不一致或逻辑错误，那么可能不需要专门解决它。

4 总结

在高并发环境下保证数据一致性是一个复杂而关键的问题，涉及到多个层面和策略。
除了上面提到的方案外，还有一些常见的方法和原则，用于确保在高并发环境中保持数据一致性：

事务（Transactions）：
- 使用数据库事务来确保数据操作的原子性、一致性、隔离性和持久性（ACID属性）。
- 通过锁机制（如行锁、表锁）来避免并发操作导致的冲突。
分布式锁：
- 当多个服务或节点需要同时访问共享资源时，使用分布式锁来协调这些访问。
- 例如，使用Redis的setnx命令或ZooKeeper的分布式锁机制。
乐观锁与悲观锁：
- 乐观锁假设冲突不太可能发生，通常在数据更新时检查版本号或时间戳。
- 悲观锁则假设冲突很可能发生，因此在数据访问时立即加锁。
数据一致性协议：
- 使用如Raft、Paxos等分布式一致性算法，确保多个副本之间的数据同步。
消息队列：
- 通过消息队列实现数据的异步处理，确保数据按照正确的顺序被处理。
- 使用消息队列的持久化、重试和顺序保证特性。
CAP定理与BASE理论：
- 理解CAP定理（一致性、可用性、分区容忍性）的权衡，并根据业务需求选择合适的策略。
- BASE理论（Basically Available, Soft state, Eventually consistent）提供了一种弱化一致性要求的解决方案。
缓存一致性：
- 使用缓存失效策略（如LRU、LFU）和缓存同步机制（如缓存穿透、缓存击穿、缓存雪崩的应对策略），确保缓存与数据库之间的一致性。
读写分离读写：
- 使用主从复制、读写分离读写等技术，将读操作和写操作分散到不同的数据库实例上，提高并发处理能力。
数据校验与重试：
- 在数据传输和处理过程中加入校验机制，确保数据的完整性和准确性。
- 对于可能失败的操作，实施重试机制，确保数据最终的一致性。
监控与告警：
- 实时监控数据一致性相关的关键指标，如延迟、错误率等。
- 设置告警阈值，及时发现并处理可能导致数据不一致的问题。

在实际应用中，通常需要结合具体的业务场景和技术栈来选择合适的策略。

⚠ 文章源地址: https://www.cnblogs.com/wzh2010/p/18031204.html 转载请注明出处

目录CONTENT

『聚合』高并发下的数据一致性保障（图文全面总结）

1 背景

2 分布式常见一致性问题

2.1 典型支付场景

2.2 在线下单场景

2.3 跨行转账场景

3 一致性解决方案

3.1 分布式锁

3.1.1 基于缓存实现分布式锁

3.1.2 缓存实现分布式锁的优缺点

3.2 乐观模式

3.3 解决CAS模式下的ABA问题

3.3.1 什么是ABA问题？

3.3.2 如何解决？

4 总结

评论区

『聚合』 高并发下的数据一致性保障（图文全面总结）

1 背景

2 分布式常见一致性问题

2.1 典型支付场景

2.2 在线下单场景

2.3 跨行转账场景

3 一致性解决方案

3.1 分布式锁

3.1.1 基于缓存实现分布式锁

3.1.2 缓存实现分布式锁的优缺点

3.2 乐观模式

3.3 解决CAS模式下的ABA问题

3.3.1 什么是ABA问题？

3.3.2 如何解决？

4 总结

评论区

『聚合』高并发下的数据一致性保障（图文全面总结）