区块链的共识机制
所谓“共识机制”，是通过特殊节点的投票，在很短的时间内完成对交易的验证和确认；对一笔交易，如果利益不相干的若干个节点能够达成共识，我们就可以认为全网对此也能够达成共识。北京木奇移动技术有限公司，专业的区块链外包开发公司，欢迎洽谈合作。下面我们将一下区块链的几种共识机制，希望对大家了解区块链基础技术有帮助。
因为区块链技术的发展， 大家对共识机制这个词也不再陌生，随着技术发展，各种创新的共识机制也在发展。
POW工作量证明
比特币就是使用PoW工作量证明机制，到后来的以太坊都是PoW的共识机制。Pow相当于算出很难的数学难题，就是计算出新区块的hash值，而且计算的难度会每一段时间就会调整。PoW虽然是大家比较认可的共识机制,计算会消耗大量的能源,还有可能会污染环境。
POS权益证明
通过持有Token的数量和时长来决定获得记账权的机率。相比POW，POS避免了挖矿造成大量的资源浪费，缩短了各个节点之间达成共识的时间，网络环境好的话可实现毫秒级，对节点性能要求低。
但POS的缺点同样明显，持有Token多的节点更有机会获得记账权，这将导致“马太效应”，富者越富，破坏了区块链的去中心化。
DPOS权益证明
DPOS委托权益证明与POS原理相同，其主要区别在于，DPOS的Token持有者可以投票选举代理人作为超级节点，负责在网络上生产区块并维护共识规则。如果这些节点未能履行职责，将投票选出新的节点。同样的弊端也是倾向于中心化。
POA权威证明
POA节点之间无需进行通信即可达成共识，因此效率极高。并且它也能很好地对抗算力攻击，安全性较高。但是POA需要一个集中的权威节点来验证身份，这就意味着它会损害区块链的去中心化，这也是在去中心化和提高效率之间的妥协。
区块链共识机制的主要作用不是确保
您好[心]~很高兴为您解答，区块链共识机制的主要作用是确保。区块链技术中的共识机制主要作用是保证区块链的真实可靠、不可篡改，不同区块链采用的共识算法各不相同，而这些算法能否确保真正的安全则是我们关注的重点。比如比特币采用的POW工作量证明机制，想破坏则需要对全网51%的算力进行攻击，随着比特币区块链的壮大，这几乎是一件不可能完成的任务。【摘要】
区块链共识机制的主要作用不是确保【提问】
您好[心]~很高兴为您解答，区块链共识机制的主要作用是确保。区块链技术中的共识机制主要作用是保证区块链的真实可靠、不可篡改，不同区块链采用的共识算法各不相同，而这些算法能否确保真正的安全则是我们关注的重点。比如比特币采用的POW工作量证明机制，想破坏则需要对全网51%的算力进行攻击，随着比特币区块链的壮大，这几乎是一件不可能完成的任务。【回答】
什么是cap理论
CAP即：Consistency（一致性）Availability（可用性）Partition tolerance（分区容忍性）这三个性质对应了分布式系统的三个指标：而CAP理论说的就是：一个分布式系统，不可能同时做到这三点请点击输入图片描述请点击输入图片描述①一致性：对于客户端的每次读操作，要么读到的是最新的数据，要么读取失败。换句话说，一致性是站在分布式系统的角度，对访问本系统的客户端的一种承诺：要么我给您返回一个错误，要么我给你返回绝对一致的最新数据，不难看出，其强调的是数据正确。②可用性：任何客户端的请求都能得到响应数据，不会出现响应错误。换句话说，可用性是站在分布式系统的角度，对访问本系统的客户的另一种承诺：我一定会给您返回数据，不会给你返回错误，但不保证数据最新，强调的是不出错。③分区容忍性：由于分布式系统通过网络进行通信，网络是不可靠的。当任意数量的消息丢失或延迟到达时，系统仍会继续提供服务，不会挂掉。换句话说，分区容忍性是站在分布式系统的角度，对访问本系统的客户端的再一种承诺：我会一直运行，不管我的内部出现何种数据同步问题，强调的是不挂掉。
cap理论是什么
CAP原则又称CAP定理，指的是在一个分布式系统中，一致性（Consistency）、可用性（Availability）、分区容错性（Partitiontolerance）。CAP原则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。CAP原则主要内容：一致性（C）：在分布式系统中的所有数据备份，在同一时刻是否同样的值。（等同于所有节点访问同一份最新的数据副本）可用性（A）：保证每个请求不管成功或者失败都有响应。分区容忍性（P）：系统中任意信息的丢失或失败不会影响系统的继续运作。
区块链是什么？哪里可以学习？
区块链是未来5年最右前景的行业之一，是全球各大金融机构和顶级银行都在大力投资和追逐的新兴领域。那么区块链到底是什么呢？区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链区块链可以构建一种纯粹的点对点的价值转移体系，在不需要各节点互信的情况下，区块链可以保证系统内数据记录的完整性和安全性，可以脱离第三方机构背书，有效地降低交易的复杂性和风险。区块链用算法证明机制来保证这份信任。与费时费钱的其他工具技术相比，他能实时自动撮合、强制执行，而且成本很低。与其相信人，不如相信技术，区块链技术带来的是一种智能化信任。捷径文思 · 链创学院 具体还得看个人
如何学习区块链技术?
1、技术语言Python和Go这两门语言是众多公司招聘都提到的技术语言。需要优先学习。而且这两种语言在区块链之外的技术方向也有很大的应用。比如Go用在大并发系统的后台构筑，Python用于人工智能系统构筑。所以学习这两门语言是优先考虑的问题。2、技术框架掌握Bitcoin、ETH和Hyperledger的一种或多种。BTC就不用说了，底层是C++写的，大量的货币类项目，如莱特币，dash，门罗，zcash等都使用比特币的技术进行二次开发。ETH则是区块链2.0的代表，可以在ETH网络上构建各种各样的应用类Dapp。现在大量的应用类区块链项目都是使用ETH平台开发的。Hyperledger fabric则是IBM力推的区块链开发平台，主要用于联盟链的开发，是目前普及度最高的联盟链开发平台。3、算法POW（工作量证明算法），POS（权益证明算法），PBFT（拜占庭容错算法）等都是区块链中密码学部分的重要组成，对于这些算法有充分的了解，有利于你参加区块链项目底层开发时能够对密码学的部分有更好的理解。扩展资料：区块链技术就是一种分布式记账技术，它的特点就是去中心化、公开透明，让每个人都可以参与数据库建立，而且每个建立的数据又是不可篡改的，大家都参与了，陌生人之间的信任问题也就解决了。区块链技术出现了，它是个全民参与的记账技术，AB之间的交易信息和数据公布于众，而且是不可篡改的，大家都知道有这个事情的发生，那么这里就不需要什么权威的第三方C了，或者说系统里的每一个都是充当了C的角色，这也叫做去中心化。
什么是CAP原理
CAP原则又称CAP定理，指的是在一个分布式系统中， Consistency（一致性）、 Availability（可用性）、Partition tolerance（分区容错性），三者不可得兼。
分布式系统的CAP理论：理论首先把分布式系统中的三个特性进行了如下归纳：
1. 一致性（C）：在分布式系统中的所有数据备份，在同一时刻是否同样的值。（等同于所有节点访问同一份最新的数据副本），换句话就是说，任何时刻，所用的应用程序都能访问得到相同的数据。
2.可用性（A）：在集群中一部分节点故障后，集群整体是否还能响应客户端的读写请求。（对数据更新具备高可用性），换句话就是说，任何时候，任何应用程序都可以读写数据。
3.分区容错性（P）：以实际效果而言，分区相当于对通信的时限要求。系统如果不能在时限内达成数据一致性，就意味着发生了分区的情况，必须就当前操作在C和A之间做出选择，换句话说，系统可以跨网络分区线性的伸缩和扩展。
不可能设计出既满足一致性，有满足可用性还同时满足分区容错性的系统。其实就是一个三角约束，咱们触类旁通一下，学过项目的管理的同学都知道，在项目管理中也有一个有名的黄金三角约束：时间，质量和成本或者时间，成本和范围的三角约束。
ZooKeeper - 常见问题
Zookeeper是一个分布式数据管理与协调服务，目标是可以提供高性能、高可用和顺序访问控制的能力，同时也是为了解决分布式环境下数据一致性的问题。
在一致性协议方面，注重CP。
首先，Zookeeper集群中有几个关键的概念，Leader、Follower和Observer，Zookeeper中通常只有Leader节点可以写入，Follower和Observer都只是负责读，但是Follower会参与节点的选举和过半写成功，Observer则不会，他只是单纯的提供读取数据的功能。
通常这样设置的话，是为了避免太多的从节点参与过半写的过程，导致影响性能，这样Zookeeper只要使用一个几台机器的小集群就可以实现高性能了，如果要横向扩展的话，只需要增加Observer节点即可。
ZooKeeper建议集群节点个数为奇数，只要超过一半的机器能够正常提供服务，那么整个集群都是可用的状态。
Zookeeper中数据存储于内存之中，这个数据节点就叫做Znode，他是一个树形结构，比如/a/b/c类似。
而Znode又分为持久节点、临时节点、顺序节点三大类。
持久节点是指只要被创建，除非主动移除，否则都应该一直保存在Zookeeper中。
临时节点不同的是，他的生命周期和客户端Session会话一样，会话失效，那么临时节点就会被移除。
还有就是临时顺序节点和持久顺序节点，除了基本的特性之外，子节点的名称还具有有序性。
会话自然就是指Zookeeper客户端和服务端之间的通信，他们使用TCP长连接的方式保持通信，通常，肯定会有心跳检测的机制，同时他可以接受来自服务器的Watch事件通知。
用户可以在指定的节点上注册Wather，这样在事件触发的时候，客户端就会收到来自服务端的通知。
Zookeeper使用ACL来进行权限的控制，包含以下5种：
CREATE，创建子节点权限
DELETE，删除子节点权限
READ，获取节点数据和子节点列表权限
WRITE，更新节点权限
ADMIN，设置节点ACL权限
所以，ZooKeeper通过集群的方式来做到高可用，通过内存数据节点Znode来达到高性能，但是存储的数据量不能太大，通常适用于读多写少的场景。
Zookeeper可以提供分布式数据的发布/订阅功能，依赖的就是Wather监听机制。
客户端可以向服务端注册Wather监听，服务端的指定事件触发之后，就会向客户端发送一个事件通知。
他有几个特性：
Zookeeper通过ZAB原子广播协议来实现数据的最终顺序一致性，他是一个类似2PC两阶段提交的过程。
由于Zookeeper只有Leader节点可以写入数据，如果是其他节点收到写入数据的请求，则会将之转发给Leader节点。
主要流程如下：
Leader收到请求之后，将它转换为一个proposal提议，并且为每个提议分配一个全局唯一递增的事务ID：zxid，然后把提议放入到一个FIFO的队列中，按照FIFO的策略发送给所有的Follower
Follower收到提议之后，以事务日志的形式写入到本地磁盘中，写入成功后返回ACK给Leader
Leader在收到超过半数的Follower的ACK之后，即可认为数据写入成功，就会发送commit命令给Follower告诉他们可以提交proposal了
ZAB包含两种基本模式，崩溃恢复和消息广播。
整个集群服务在启动、网络中断或者重启等异常情况的时候，首先会进入到崩溃恢复状态，此时会通过选举产生Leader节点，当集群过半的节点都和Leader状态同步之后，ZAB就会退出恢复模式。之后，就会进入消息广播的模式。
Leader的选举可以分为两个方面，同时选举主要包含事务zxid和myid，节点主要包含3个状态
首先，每个节点都会对自己进行投票，然后把投票信息广播给集群中的其他节点
节点接收到其他节点的投票信息，然后和自己的投票进行比较，首先zxid较大的优先，如果zxid相同那么则会去选择myid更大者，此时大家都是LOOKING的状态
投票完成之后，开始统计投票信息，如果集群中过半的机器都选择了某个节点机器作为leader，那么选举结束
最后，更新各个节点的状态，leader改为LEADING状态，follower改为FOLLOWING状态
如果开始选举出来的leader节点宕机了，那么运行期间就会重新进行leader的选举。
leader宕机之后，非observer节点都会把自己的状态修改为LOOKING状态，然后重新进入选举流程
生成投票信息(myid,zxid)，同样，第一轮的投票大家都会把票投给自己，然后把投票信息广播出去
接下来的流程和上面的选举是一样的，都会优先以zxid，然后选择myid，最后统计投票信息，修改节点状态，选举结束。
还是会存在的，可以分成3个场景来描述这个问题。
因为ZooKeeper是过半成功即代表成功，假设我们有5个节点，如果123节点写入成功，如果这时候请求访问到4或者5节点，那么有可能读取不到数据，因为可能数据还没有同步到4、5节点中，也可以认为这算是数据不一致的问题。
解决方案可以在读取前使用sync命令。
这也就是数据同步说过的问题。
leader刚生成一个proposal，还没有来得及发送出去，此时leader宕机，重新选举之后作为follower，但是新的leader没有这个proposal。
这种场景下的日志将会被丢弃。
如果发送proposal成功了，但是在将要发送commit命令前宕机了，如果重新进行选举，还是会选择zxid最大的节点作为leader，因此，这个日志并不会被丢弃，会在选举出leader之后重新同步到其他节点当中。
为什么要使用zookeeper?有什么功能吗？
2006年的时候Google出了Chubby来解决分布一致性的问题(distributed consensus problem)，所有集群中的服务器通过Chubby最终选出一个Master Server ，最后这个Master Server来协调工作。简单来说其原理就是：在一个分布式系统中，有一组服务器在运行同样的程序，它们需要确定一个Value，以那个服务器提供的信息为主/为准，当这个服务器经过n/2+1的方式被选出来后，所有的机器上的Process都会被通知到这个服务器就是主服务器 Master服务器，大家以他提供的信息为准。很想知道Google Chubby中的奥妙，可惜人家Google不开源，自家用。
但是在2009年3年以后沉默已久的Yahoo在Apache上推出了类似的产品ZooKeeper，并且在Google原有Chubby的设计思想上做了一些改进，因为ZooKeeper并不是完全遵循Paxos协议，而是基于自身设计并优化的一个2 phase commit的协议，如图所示：
ZooKeeper跟Chubby一样用来存放一些相互协作的信息(Coordination)，这些信息比较小一般不会超过1M，在zookeeper中是以一种hierarchical tree的形式来存放，这些具体的Key/Value信息就store在tree node中。
当有事件导致node数据，例如：变更，增加，删除时，Zookeeper就会调用 triggerWatch方法，判断当前的path来是否有对应的监听者(watcher),如果有watcher，会触发其process方法，执行process方法中的业务逻辑
如何在大规模分布式系统中实现高可用性与数据一致性的平衡？
在大规模分布式系统中实现高可用性和数据一致性之间的平衡是一个复杂而关键的挑战。以下是几种常见的方法和技术，可帮助实现这种平衡：
1. 异步复制：使用数据复制的异步机制可以提高系统的可用性和性能。数据更改可以被快速接受和处理，而副本的一致性会在后台异步更新。
2. 两阶段提交（2PC）：2PC是一种常见的协议，用于在分布式系统中实现数据一致性。它将多个参与者（节点）进行协调，确保在提交更改之前，所有节点都就更改达成一致意见。
3. 三阶段提交（3PC）：3PC是对2PC的改进，以减少长时间阻塞的风险。它引入了准备、承诺和提交三个阶段，以提供更好的可用性和容错性。
4. 分区容错性 (Partition Tolerance)：在大规模分布式系统中，网络分区是不可避免的。为了实现高可用性，系统应具备分区容忍性，即使发生网络分区，分布式系统仍可以正常运行。
5. 基于副本的容错机制：通过在不同的节点上存储数据副本，可以提高系统的可用性和容错性。当某个节点出现故障时，系统可以从其他副本恢复数据并继续运行。
6. 响应式设计：使用适当的监控、自动化和故障恢复机制，对系统进行响应式设计，以及时检测和处理故障，从而确保高可用性和数据一致性。
需要注意的是，平衡高可用性和数据一致性是一项复杂的任务，需要根据具体的场景和需求选择合适的方法和技术。系统设计师应仔细评估系统的要求，并进行合适的权衡和折衷，以满足特定场景下的需求。
保证分布式系统数据一致性的6种方案
编者按 ：本文由「高可用架构后花园」群讨论整理而成。 有人的地方，就有江湖 有江湖的地方，就有纷争 在电商等业务中，系统一般由多个独立的服务组成，如何解决分布式调用时候数据的一致性？ 具体业务场景如下，比如一个业务操作，如果同时调用服务 A、B、C，需要满足要么同时成功；要么同时失败。A、B、C 可能是多个不同部门开发、部署在不同服务器上的远程服务。 在分布式系统来说，如果不想牺牲一致性，CAP 理论告诉我们只能放弃可用性，这显然不能接受。为了便于讨论问题，先简单介绍下数据一致性的基础理论。 强一致 弱一致性 最终一致性 在工程实践上，为了保障系统的可用性，互联网系统大多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。但在电商等场景中，对于数据一致性的解决方法和常见的互联网系统（如 MySQL 主从同步）又有一定区别，群友的讨论分成以下 6 种解决方案。 业务整合方案主要采用将接口整合到本地执行的方法。拿问题场景来说，则可以将服务 A、B、C 整合为一个服务 D 给业务，这个服务 D 再通过转换为本地事务的方式，比如服务 D 包含本地服务和服务 E，而服务 E 是本地服务 A ~ C 的整合。 优点： 解决（规避）了分布式事务。 缺点： 显而易见，把本来规划拆分好的业务，又耦合到了一起，业务职责不清晰，不利于维护。 由于这个方法存在明显缺点，通常不建议使用。 此方案的核心是将需要分布式处理的任务通过消息日志的方式来异步执行。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。 消息日志方案的核心是保证服务接口的幂等性。 考虑到网络通讯失败、数据丢包等原因，如果接口不能保证幂等性，数据的唯一性将很难保证。 eBay 方式的主要思路如下。 Base：一种 Acid 的替代方案 此方案是 eBay 的架构师 Dan Pritchett 在 2008 年发表给 ACM 的文章，是一篇解释 BASE 原则，或者说最终一致性的经典文章。文中讨论了 BASE 与 ACID 原则在保证数据一致性的基本差异。 如果 ACID 为分区的数据库提供一致性的选择，那么如何实现可用性呢？答案是 BASE (basically available, soft state, eventually consistent) 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。下面是一个简单的例子：如果将用户分区在 5 个数据库服务器上，BASE 设计鼓励类似的处理方式，一个用户数据库的故障只影响这台特定主机那 20% 的用户。这里不涉及任何魔法，不过它确实可以带来更高的可感知的系统可用性。 文章中描述了一个最常见的场景，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远程服务，所以就涉及到分布式事务一致性的问题。 文中提出了一个经典的解决方法，将主要修改操作以及更新用户表的消息 放在一个本地事务 来完成。同时为了避免重复消费用户表消息带来的问题，达到多次重试的幂等性， 增加一个更新记录表 updates_applied 来记录已经处理过的消息。 系统的执行伪代码如下 （点击可全屏缩放图片） 基于以上方法，在第一阶段，通过本地的数据库的事务保障，增加了 transaction 表及消息队列 。 在第二阶段，分别读出消息队列（但不删除），通过判断更新记录表 updates_applied 来检测相关记录是否被执行，未被执行的记录会修改 user 表，然后增加一条操作记录到 updates_applied，事务执行成功之后再删除队列。 通过以上方法，达到了分布式系统的最终一致性。进一步了解 eBay 的方案可以参考文末链接。 随着业务规模不断地扩大，电商网站一般都要面临拆分之路。就是将原来一个单体应用拆分成多个不同职责的子系统。比如以前可能将面向用户、客户和运营的功能都放在一个系统里，现在拆分为订单中心、代理商管理、运营系统、报价中心、库存管理等多个子系统。 拆分首先要面临的是什么呢？ 最开始的单体应用所有功能都在一起，存储也在一起。比如运营要取消某个订单，那直接去更新订单表状态，然后更新库存表就 ok 了。因为是单体应用，库在一起，这些都可以在一个事务里，由关系数据库来保证一致性。 但拆分之后就不同了，不同的子系统都有自己的存储。比如订单中心就只管理自己的订单库，而库存管理也有自己的库。那么运营系统取消订单的时候就是通过接口调用等方式来调用订单中心和库存管理的服务了，而不是直接去操作库。这就涉及一个『 分布式事务 』的问题。 分布式事务有两种解决方式 1. 优先使用异步消息。 上文已经说过，使用异步消息 Consumer 端需要实现幂等。 幂等有两种方式， 一种方式是业务逻辑保证幂等 。比如接到支付成功的消息订单状态变成支付完成，如果当前状态是支付完成，则再收到一个支付成功的消息则说明消息重复了，直接作为消息成功处理。 另外一种方式如果业务逻辑无法保证幂等，则要增加一个去重表或者类似的实现 。对于 producer 端在业务数据库的同实例上放一个消息库，发消息和业务操作在同一个本地事务里。发消息的时候消息并不立即发出，而是向消息库插入一条消息记录，然后在事务提交的时候再异步将消息发出，发送消息如果成功则将消息库里的消息删除，如果遇到消息队列服务异常或网络问题，消息没有成功发出那么消息就留在这里了，会有另外一个服务不断地将这些消息扫出重新发送。 2. 有的业务不适合异步消息的方式，事务的各个参与方都需要同步的得到结果。 这种情况的实现方式其实和上面类似，每个参与方的本地业务库的同实例上面放一个事务记录库。 比如 A 同步调用 B，C。A 本地事务成功的时候更新本地事务记录状态，B 和 C 同样。如果有一次 A 调用 B 失败了，这个失败可能是 B 真的失败了，也可能是调用超时，实际 B 成功。则由一个中心服务对比三方的事务记录表，做一个最终决定。假设现在三方的事务记录是 A 成功，B 失败，C 成功。那么最终决定有两种方式，根据具体场景： 对 b 场景做一个特殊说明：比如 B 是扣库存服务，在第一次调用的时候因为某种原因失败了，但是重试的时候库存已经变为 0，无法重试成功，这个时候只有回滚 A 和 C 了。 那么可能有人觉得在业务库的同实例里放消息库或事务记录库，会对业务侵入，业务还要关心这个库，是否一个合理的设计？ 实际上可以依靠运维的手段来简化开发的侵入，我们的方法是让 DBA 在公司所有 MySQL 实例上预初始化这个库，通过框架层（消息的客户端或事务 RPC 框架）透明的在背后操作这个库，业务开发人员只需要关心自己的业务逻辑，不需要直接访问这个库。 总结起来，其实两种方式的根本原理是类似的，也就是 将分布式事务转换为多个本地事务，然后依靠重试等方式达到最终一致性 。 交易创建的一般性流程 我们把交易创建流程抽象出一系列可扩展的功能点，每个功能点都可以有多个实现（具体的实现之间有组合/互斥关系）。把各个功能点按照一定流程串起来，就完成了交易创建的过程。 面临的问题 每个功能点的实现都可能会依赖外部服务。那么如何保证各个服务之间的数据是一致的呢？比如锁定优惠券服务调用超时了，不能确定到底有没有锁券成功，该如何处理？再比如锁券成功了，但是扣减库存失败了，该如何处理？ 方案选型 服务依赖过多，会带来管理复杂性增加和稳定性风险增大的问题。试想如果我们强依赖 10 个服务，9 个都执行成功了，最后一个执行失败了，那么是不是前面 9 个都要回滚掉？这个成本还是非常高的。 所以在拆分大的流程为多个小的本地事务的前提下，对于非实时、非强一致性的关联业务写入，在本地事务执行成功后，我们选择发消息通知、关联事务异步化执行的方案。 消息通知往往不能保证 100% 成功；且消息通知后，接收方业务是否能执行成功还是未知数。前者问题可以通过重试解决；后者可以选用事务消息来保证。 所以目前只剩下需要实时同步做、有强一致性要求的业务场景了。在交易创建过程中，锁券和扣减库存是这样的两个典型场景。 要保证多个系统间数据一致，乍一看，必须要引入分布式事务框架才能解决。但引入非常重的类似二阶段提交分布式事务框架会带来复杂性的急剧上升；在电商领域，绝对的强一致是过于理想化的，我们可以选择准实时的最终一致性。 我们在交易创建流程中， 首先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。 业界常用的还有支付宝的一种 xts 方案，由支付宝在 2PC 的基础上改进而来。主要思路如下，大部分信息引用自官方网站。 分布式事务服务简介 分布式事务服务 (Distributed Transaction Service, DTS) 是一个分布式事务框架，用来保障在大规模分布式环境下事务的最终一致性。DTS 从架构上分为 xts-client 和 xts-server 两部分，前者是一个嵌入客户端应用的 JAR 包，主要负责事务数据的写入和处理；后者是一个独立的系统，主要负责异常事务的恢复。 核心特性 传统关系型数据库的事务模型必须遵守 ACID 原则。在单数据库模式下，ACID 模型能有效保障数据的完整性，但是在大规模分布式环境下，一个业务往往会跨越多个数据库，如何保证这多个数据库之间的数据一致性，需要其他行之有效的策略。在 JavaEE 规范中使用 2PC (2 Phase Commit, 两阶段提交) 来处理跨 DB 环境下的事务问题，但是 2PC 是反可伸缩模式，也就是说，在事务处理过程中，参与者需要一直持有资源直到整个分布式事务结束。这样，当业务规模达到千万级以上时，2PC 的局限性就越来越明显，系统可伸缩性会变得很差。基于此，我们采用 BASE 的思想实现了一套类似 2PC 的分布式事务方案，这就是 DTS。DTS在充分保障分布式环境下高可用性、高可靠性的同时兼顾数据一致性的要求，其最大的特点是保证数据最终一致 (Eventually consistent)。 简单的说，DTS 框架有如下特性： 以下是分布式事务框架的流程图 实现 与 2PC 协议比较 1. 电商业务 公司的支付部门，通过接入其它第三方支付系统来提供支付服务给业务部门，支付服务是一个基于 Dubbo 的 RPC 服务。 对于业务部门来说，电商部门的订单支付，需要调用 从业务规则上需要同时保证业务数据的实时性和一致性，也就是支付成功必须加积分。 我们采用的方式是同步调用，首先处理本地事务业务。考虑到积分业务比较单一且业务影响低于支付，由积分平台提供增加与回撤接口。 具体的流程是先调用积分平台增加用户积分，再调用支付平台进行支付处理，如果处理失败，catch 方法调用积分平台的回撤方法，将本次处理的积分订单回撤。 (点击图片可以全屏缩放) 2. 用户信息变更 分布式服务对衍生的配套系统要求比较多，特别是我们基于消息、日志的最终一致性方案，需要考虑消息的积压、消费情况、监控、报警等。 In partitioned databases, trading some consistency for availability can lead to dramatic improvements in scalability. 英文版 ： http://queue.acm.org/detail.cfm?id=1394128 中文版： http://article.yeeyan.org/view/167444/125572 感谢李玉福、余昭辉、蘑菇街七公提供方案，其他多位群成员对本文内容亦有贡献。 本文编辑李玉福、Tim Yang，转载请注明来自@高可用架构
