微服务架构下分布式事务处理方案选择和对比( 三 ) _微服务架构

P: Partition tolerance,分区容忍性。尽管网络上有部分消息丢失，但系统仍然可继续工作。

CAP原理指的是，这三个要素最多只能同时实现两点，不可能三者兼顾。因此在进行分布式架构设计时，必须做出取舍。而对于分布式数据系统，分区容忍性是基本要求，否则就失去了价值。因此设计分布式数据系统，就是在一致性和可用性之间取一个平衡。
当然，牺牲一致性，并不是完全不管数据的一致性，否则数据是混乱的，那么系统可用性再高分布式再好也没有了价值。牺牲一致性，只是不再要求关系型数据库中的强一致性，而是只要系统能达到最终一致性即可。
从CAP理论到BASE理论
BASE 是 Basically Available（基本可用）、Soft state（软状态）和 Eventually consistent（最终一致性）三个短语的简写，由 eBay 架构师 Dan Pritchett 于 2008 年在《BASE: An Acid Alternative》论文中首次提出。
BASE 思想与 ACID 原理截然不同，它满足 CAP 原理，通过牺牲强一致性获得可用性，一般应用于服务化系统的应用层或者大数据处理系统中，通过达到最终一致性来尽量满足业务的绝大多数需求。BASE 模型包含如下三个元素：

BA：（Basically Available ），基本可用。
S：（ Soft State），软状态，状态可以在一段时间内不同步。
E：（Eventually Consistent ），最终一致，在一定的时间窗口内，最终达成一致即可。

BASE理论是基于CAP定理演化而来，是对CAP中一致性和可用性权衡的结果。核心思想：即使无法做到强一致性，但每个业务根据自身的特点，采用适当的方式来使系统达到最终一致性。
1、基本可用：指分布式系统在出现故障的时候，允许损失部分可用性，保证核心可用。但不等价于不可用。比如：搜索引擎0.5秒返回查询结果，但由于故障，2秒响应查询结果；网页访问过大时，部分用户提供降级服务，等。
2、软状态：软状态是指允许系统存在中间状态，并且该中间状态不会影响系统整体可用性。即允许系统在不同节点间副本同步的时候存在延时。
3、最终一致性：系统中的所有数据副本经过一定时间后，最终能够达到一致的状态，不需要实时保证系统数据的强一致性。最终一致性是弱一致性的一种特殊情况。
BASE理论面向的是大型高可用可扩展的分布式系统，通过牺牲强一致性来获得可用性。ACID是传统数据库常用的概念设计，追求强一致性模型。
基于可靠消息队列实现最终一致性

文章插图

基于消息的最终一致性是消除了分布式事务，是一种在BASE思想指导下比较好的方案。这种方案实现了两个服务之间的解耦，解耦的关键就是异步消息和消息持久化机制。在两个服务调用之间，会存在一个真空期，这段时间相关数据不一致，而只是在一个事务的中间状态。
事务主动方的业务服务事务提交和消息发送之间必须通过事务同步，可以通过事务管理器进行管理，如两阶段提交。事务主动方在完成事务提交和消息发送之后，它的最终处理结果不再受到事务被动方的影响。即发送到事务被动方的事务要么成功，要么重试。
所以，消息同样需要满足幂等性。实际情况下，消息很难具有幂等性，解决这一问题的方法是使用另一个表记录已经被成功应用的消息，这样就可以通过避免消息多次被应用，从而达到幂等性。
在实际应用中，如果消息接收端的服务出现失败，可能需要人工干预。
场景举例说明