强势解析eBay BASE模式、去哪儿及蘑菇街分布式架构

互联网行业是大势所趋，从招聘工资水平即可看出，那么如何提升自我技能，满足互联网行业技能要求？需要以目标为导向，进行技能提升，本文主要针对高并发分布式系统设计、架构(数据一致性)做了分析，祝各位早日走上属于自己的"成金之路"。

 

目录：
问题分析
概念解读
Most Simple原理解读
eBey、去哪儿、蘑菇街分布式事务案例分析

参考资料

1.问题解析    
要想做架构，必须识别出问题，即是谁的问题，什么问题。
明显的，分布式架构解决的是高并发的问题，高并发下服务高可用和数据一致性问题问题；当规模规模较小时，单库HA即可满足请求，当业务规模持续增加，单库已经无法满足业务需求，业界主流做法，是对业务进行分表、分库，那么原来的有些业务，现在则要在一个事务中，保证两个库同时操作成功或操作不成功(一个库成功，一个库失败，要么重新尝试失败库操作直到成功，要么回滚成功库)。随之而来的问题既是如何保证分库时业务操作的数据一致性。理解高并发分布式架构、分布式系统数据一致性的问题、起源是第一步。

这里多啰嗦一点，分库后，每个库可以采取不同的语言，以时下很流行的微服务向外提供服务；但是业务量不大的情况下，使用微服务到增加了复杂性及技术成本。明白技术的起源，针对不同的业务量，采取适当的架构、以最恰当的方式承载业务，是架构师必须具备的能力。

 

2.常见概念解读：

a.关系型数据库通常具有ACID特性：原子性（Atomicity）、一致性（Consistency）、隔离性（Isolation）、持久性（Durability）。

b.Base(basically available, soft state, eventually consistent)：一种 Acid 的替代方案，BASE 的可用性是通过支持局部故障而不是系统全局故障来实现的。化学理论中ACID是酸、Base恰好是碱。

c.CAP定律：在分布式系统中，同时满足"CAP定律"中的"一致性"、"可用性"和"分区容错性"三者是不可能的。

d.强一致：当更新操作完成之后，任何多个后续进程或者线程的访问都会返回最新的更新过的值。这种是对用户最友好的，就是用户上一次写什么，下一次就保证能读到什么。根据 CAP 理论，这种实现需要牺牲可用性，常见的RDBMS。

e.弱一致性：系统并不保证续进程或者线程的访问都会返回最新的更新过的值。系统在数据写入成功之后，不承诺立即可以读到最新写入的值，也不会具体的承诺多久之后可以读到。

f.最终一致性：弱一致性的特定形式。系统保证在没有后续更新的前提下，系统最终返回上一次更新操作的值。在没有故障发生的前提下，不一致窗口的时间主要受通信延迟，系统负载和复制副本的个数影响。DNS 是一个典型的最终一致性系统。

为保证可用性，互联网分布式架构将强一致性需求转换成最终一致性的需求，并通过系统执行幂等性的保证，保证数据的最终一致性。

 

※幂等性(Idempotence)：分布式架构的基石，即同一个操作无论请求多少次，其结果都相同。

典型的是HTTP，Methods can also have the property of "idempotence" in that (aside from error or expiration issues) the side-effects of N > 0 identical requests is the same as for a single request.

 

每个概念实际所解决的是人遇到的某个特定的问题，发现其背后所代表的问题，是理解高并发分布式架构、分布式系统数据一致性第二步。

 

3.Most Simple原理解读

假设有一个从账户取钱的远程API（可以是HTTP的，也可以不是），我们暂时用类函数的方式记为：

bool withdraw(account_id, amount)
withdraw的语义是从account_id对应的账户中扣除amount数额的钱；如果扣除成功则返回true，账户余额减少amount；如果扣除失败则返回false，账户余额不变。

值得注意的是：和本地环境相比，我们不能轻易假设环境的可靠性。

一种典型的场景是withdraw请求已经被服务器端正确处理，但服务器端的返回结果由于网络等原因被掉丢了，导致客户端无法得知处理结果。如果是在网页上，一些不恰当的设计可能会使用户认为上一次操作失败了，然后刷新页面，这就导致了withdraw被调用两次，账户也被多扣了一次钱。如图1所示：

一种更轻量级的解决方案是幂等设计。我们可以通过一些技巧把withdraw变成幂等的，比如：

int create_ticket() 
bool idempotent_withdraw(ticket_id, account_id, amount)
create_ticket的语义是获取一个服务器端生成的唯一的处理号ticket_id，它将用于标识后续的操作。idempotent_withdraw和withdraw的区别在于关联了一个ticket_id，一个ticket_id表示的操作至多只会被处理一次，每次调用都将返回第一次调用时的处理结果。这样，idempotent_withdraw就符合幂等性了，客户端就可以放心地多次调用。

基于幂等性的解决方案中一个完整的取钱流程被分解成了两个步骤：1.调用create_ticket()获取ticket_id；2.调用idempotent_withdraw(ticket_id, account_id, amount)。虽然create_ticket不是幂等的，但在这种设计下，它对系统状态的影响可以忽略，加上idempotent_withdraw是幂等的，所以任何一步由于网络等原因失败或超时，客户端都可以重试，直到获得结果。如图所示：

和分布式事务相比，幂等设计的优势在于它的轻量级，容易适应异构环境，以及性能和可用性方面。在某些性能要求比较高的应用，幂等设计往往是唯一的选择。

 

幂等性是高并发分布式架构、分布式系统数据一致性的底层基本原理，理解这一步，是走上"成金之路"的关键。

 

4.案例分析

a.eBay经典的BASE模式

一个最常见的场景，如果产生了一笔交易，需要在交易表增加记录，同时还要修改用户表的金额。这两个表属于不同的库及远程服务，所以就涉及到分布式事务一致性的问题。

 

核心思想是用两个事务来保证一致性，同时用异步保证了可用性：一个事务处理主要操作"增加交易表记录"与异步消息构建，另外一个事务用来处理构建的异步消息；第一个事务即处理主要业务又记录次要业务，同时还能快速返回，保证了高可用性，第二个事务则用来保证数据的一致性。(即将buyer和seller表更新的处理转为"线下"处理，消息日志可以存储到本地文本、数据库或消息队列，再通过业务规则自动或人工发起重试。人工重试更多的是应用于支付场景，通过对账系统对事后问题的处理，类似与淘宝双11重复支付后续退款)

 

一个经典的解决方法，将主要修改操作以及更新用户表的"异步消息"放在一个本地事务来完成。同时为了达到多次重试的幂等性，避免重复消费用户表消息带来的问题，增加一个更新记录表 updates_applied 来记录已经处理过的消息。

在第一事务中，通过本地的数据库的事务保障，保证"增加交易表记录"、"增加两条异步消息队列记录(一条处理buyer表、一条处理seller表)"，同时成功或同时失败。

在第二事务中，分别读出消息队列（但不删除），通过判断更新记录表 updates_applied 来检测相关消息是否被执行，如没执行，则执行相关业务逻辑(保证幂等性，保证即使执行过程中异常，重复执行没有任何问题)，执行完所有消息后然后增加一条操作记录到updates_applied，事务到此结束。用事务保证两个异步消息执行及updates_applied的一致性操作(又称为分布式事务框架)。最后删除队列。

 

b.去哪儿网分布式事务方案

i.优先使用异步方案，原理和"a.eBay经典的BASE模式"类似，对业务逻辑处理不能保证"幂等性"的，增加去重表(即a中的updates_applied) 来处理

ii.对于不适合异步消息处理的业务，如A、B、C三方需要同步处理才能返回：在A、B、C三个库中分别维护一个事务记录表recorda/recordb/recordc，当A、B、C业务事务处理完，将结果存到对应的recordx中，由一个中心服务对比查询三方的事物记录表，有如下两种处理方式：

    第一种：A、B成功，C失败了，重试C，知道C成功；

    第二种：C不可能成功时，回滚A、B，如C为扣库存，当库存为0时，则不能成功(不考虑补库存)。

另，这种recordx表由RPC框架层进行维护，对业务是透明的。

 

c.蘑菇街交易创建过程

场景：将下单功能拆分为12个子业务(见参考资料b)，对于非实时、非强一致性的关联业务，使用"eBay经典的BASE模式"思想，第一个本地事务执行成功后，以发消息通知、关联事务异步化执行方案，来避免a中第二个事务的"分布式事务框架"对业务带来的侵入和复杂性，具体方案是基于DB事件变化通知给MQ，而MQ消费者通过ACK，保证消息一定消费成功，完成强一致性(消息可能会被重发，所以消息消费方要保证幂等性)。

 

而对要求同步做、强一致性要求的场景(和b的ii相同场景)，如优惠券和优惠券减库存：可以引入"a.eBay经典的BASE模式"的第二个事务(分布式事务框架)来处理，但是复杂性会急剧上升；

另一种方式是创建一个不可见订单，然后在同步调用锁券和扣减库存时，针对调用异常（失败或者超时），发出废单消息到MQ。如果消息发送失败，本地会做时间阶梯式的异步重试；优惠券系统和库存系统收到消息后，会进行判断是否需要做业务回滚，这样就准实时地保证了多个本地事务的最终一致性。

根据业务进行不同的方案处理，解决了高并发分布式架构、分布式系统的数据一致性问题。

 

整体来说，蘑菇街的案例可迁移性强，可移植性好，可以尝试模拟下实际场景，驾驭分布式架构、分布式系统数据一致性方案，祝大家早日走上"成金之路"，看到这里，烦请不吝"推荐"，谢谢！

 

5.参考资料：

a.幂等性http://www.cnblogs.com/weidagang2046/archive/2011/06/04/idempotence.html 

b.架构案例详细http://weibo.com/ttarticle/p/show?id=2309403965965003062676 

c.http://www.infoq.com/cn/articles/solution-of-distributed-system-transaction-consistency

posted @ 2017-03-15 11:30