一、起源:引入分布式事务之前的判断

分布式事务不是一类"更严格的事务",而是一批用补偿替代回滚的工程方案。它把数据库内部已经解决的问题(原子性、隔离性)重新交给业务代码承担,因此是否引入、引入到什么程度,需要在写代码之前判断清楚。

1.1 先判断能否通过业务设计规避

多数被判定为"需要分布式事务"的场景,可以通过调整业务设计消除跨数据源的原子性要求。规避手段有三类,优先级高于引入任何协调者。

第一类:把写入收敛到同一个数据源

一致性问题的根源是"一次业务操作需要在多个数据源上写入"。若这些写入属于同一个聚合,应收敛到同一个服务、同一个库,用本地事务解决:

现象 收敛方式
两个服务分别写订单主表与订单明细表 明细属于订单聚合,应归订单服务所有
订单服务直接写库存表 违反数据所有权,应改为调用库存服务并接受最终一致
一次操作写同库的两张表 本地事务即可覆盖,不需要分布式事务

判定依据是数据所有权是否唯一。同一实体存在两个写入方时,问题出在服务边界而不是事务方案,跨服务事务只是把边界错误带来的代价后移。

第二类:把操作改造成幂等可重试

写入被拆成多个可独立重试的步骤后,失败不需要回滚,只需要重试到成功:

原始形态(要求原子):
  A 服务写库 + B 服务写库 同时成功或同时失败

改造形态(要求幂等):
  A 服务写库 → 投递指令 → B 服务按幂等键消费
  B 服务处理失败 → 重复投递 → B 服务去重吸收

改造的前提是每一步都可由唯一键判定是否已执行。判定手段是唯一索引与去重表,实现方式与幂等键的粒度选择见 消息可靠性与幂等设计。

第三类:把同步写改为受理加异步推进

若调用方并不需要同步得到最终结果,可以把接口语义从"执行完成"改为"受理成功",由状态机驱动后续步骤:

接口语义 一致性要求 承接机制
同步返回最终结果 调用返回时下游必须已完成 需要分布式事务或强一致方案
只返回受理状态 调用返回时下游可以未完成 状态机加幂等消费加对账

第三类改造把强一致需求降级为最终一致,代价是调用方需要增加状态查询与后续流程衔接,收益是不再需要跨服务的事务协调。

规避判断的检查顺序

1. 这些写入是否属于同一个聚合根?
   是 → 收敛到同一服务同一库,用本地事务
   否 → 进入第 2 步

2. 失败后重新执行一次是否安全(幂等)?
   是 → 幂等重试,不需要事务协调
   否 → 先补齐幂等,再判断

3. 调用方是否必须同步得到最终结果?
   否 → 受理加异步推进加对账
   是 → 进入第 4 步

4. 业务能否容忍中间态对外可见?
   能 → 最终一致方案(本地消息表、事务消息、最大努力通知)
   不能 → 强一致方案(两阶段提交、TCC),并评估其成本

四步都不通过时,才进入分布式事务方案的选型。

1.2 引入后的成本

分布式事务的成本由四部分构成,它们不会因为框架封装而消失,只是被转移到了框架与运维侧。

成本类型 具体表现 受影响的对象
性能 全局事务的提交需要与协调者交互,提交耗时从单库提交的毫秒级上升到两次以上的网络往返;分支事务的锁与资源占用延续到全局事务结束 接口响应时间、数据库连接占用、锁等待
复杂度 参与者需要额外实现接口(TCC 三个方法、Saga 补偿、回查),业务代码被拆到多个方法中,事务语义不再由数据库保证 开发工作量、代码可读性、新成员理解成本
运维 需要部署与维护协调者集群、存储全局事务状态、维护补偿任务与对账任务,协调者成为新的单点 部署复杂度、故障域数量
排查难度 一次失败涉及多个服务的日志与状态,中间态数据与最终态数据同时存在,定位需要按全局事务 ID 串联 故障平均定位时间、值班负担

四类成本中,排查难度的增长最容易被低估:本地事务出问题时,证据集中在一次会话的日志与一条错误码上;分布式事务出问题时,证据分散在协调者、多个参与者与补偿任务三处,且协调者侧的状态与实际业务状态可能不一致。

1.3 本文的定位与引用关系

跨服务写操作的原子性缺口、五类方案的原理与对账要求已在 消息一致性:事务消息与最终一致性 中展开,本文不重复其推导,只处理该文未覆盖的部分:框架层的落地方式、分支事务与补偿接口的写法、空回滚与悬挂这类分布式事务特有故障的识别与防治、协调者与事务日志的运维、以及演练与处置流程。

数据库侧的本地事务语义、隔离级别与锁行为见 mysql: 事务与锁;Java 侧的事务管理器、传播行为与连接绑定见 Java 持久层;微服务场景下的方案选择顺序见 Spring Cloud 微服务 第 2.8 节。


二、原理

2.1 方案谱系与适用面

2.1.1 五类方案的落地形态

同一类方案在不同框架中的落地形态差异很大,选型时需要看的是"框架提供了什么、业务需要补什么"。

两阶段提交(2PC 与 XA)

  • 框架角色:协调者由数据库或独立组件承担,业务代码几乎无侵入;
  • 业务需要补的:参与库必须支持 XA 协议,事务分组、连接池与超时参数需要与协调者对齐;
  • 落地形态:多数情况下由应用服务器或独立协调者接管,业务侧只声明事务边界;
  • 主要限制:协调者在第二阶段故障时参与者处于阻塞状态,阻塞期间持有行锁与连接;跨数据中心部署时故障窗口被放大。

TCC

  • 框架角色:协调者负责编排 Try、Confirm、Cancel 三个阶段的调用顺序与重试,参与者的三个方法由业务实现;
  • 业务需要补的:资源的预留与释放语义、三个方法的幂等、空回滚与悬挂的防治、防悬挂记录表;
  • 落地形态:每个参与者提供三个服务方法(或一个方法内按阶段分支),框架按全局事务状态调用;
  • 主要限制:业务侵入最深,且预留资源在 Try 到 Confirm 之间对外不可用,可用资源量下降。

Saga

  • 框架角色:协调者按编排或编制流程依次调用正向接口,失败时按逆序调用补偿接口;
  • 业务需要补的:每个正向步骤的补偿接口、补偿的幂等与可重入性、补偿顺序的依赖关系;
  • 落地形态:长流程(跨多个服务的业务流水线)比短事务更契合,补偿以业务语义为单位而不是以数据库为单位;
  • 主要限制:补偿是语义补偿而非状态回滚,中间态在补偿完成前对外可见,且补偿本身可能失败。

本地消息表与事务消息

  • 框架角色:本地消息表由业务自建表加中继任务实现,事务消息由消息中间件提供半消息与回查能力;
  • 业务需要补的:消费端幂等、消息表或事务记录表的清理策略、回查接口或中继任务的实现;
  • 落地形态:原理与落地时序见 消息一致性:事务消息与最终一致性 第 2.2 节与第 2.3 节,业务侧接入见 RocketMQ 第 2.5 节;
  • 主要限制:只保证最终一致,不提供读侧一致,中间态需要通过业务设计隐藏。

最大努力通知

  • 框架角色:无独立协调者,由通知方按重试曲线通知,双方按时对账;
  • 业务需要补的:通知重试、通知记录、对账任务、接收方幂等;
  • 落地形态:接收方不可控时唯一可行的方案,重试与对账缺一不可;
  • 主要限制:不保证不丢,最终正确性完全依赖对账。

2.1.2 方案对照表

维度 两阶段提交 TCC Saga 本地消息表 事务消息
一致性强度 强一致 强一致(业务层) 最终一致 最终一致 最终一致
回滚机制 数据库回滚(回滚日志) 业务逆向操作(Cancel) 业务逆向操作(补偿) 不适用(无回滚,只有重试) 不适用
一致性达成时机 全局提交返回时 Confirm 全部成功时 全部补偿完成时 中继任务投递并消费成功后 回查加提交并消费成功后
业务侵入性 低 高(三个接口) 中(每个步骤一个补偿接口) 中(建表加中继任务) 中(实现回查接口)
对中间件的依赖 需支持 XA 无 无 无 需支持半消息与回查
事务期间的资源占用 高(持锁至全局提交) 中(预留资源至 Confirm) 低(不预留,靠补偿) 低 低
隔离性 由数据库提供 缺失,需业务设计 缺失,需业务设计 缺失,靠读侧兜底 缺失,靠读侧兜底
中间态可见性 不可见 可见(预留态) 可见(未补偿态) 可见(未收敛态) 可见(未收敛态)
补偿失败的处理 不适用 需重试与人工 需重试与人工 需重试与人工 需重试与人工
典型适用场景 同构数据库、短事务、强一致要求 资金冻结、库存预留 长流程、跨系统流水线 通用、消息量中等 消息量大、延迟敏感
落地成本 依赖协议支持,配置成本高 最高 中高 低 中

选型时的四个判据:

  1. 一致性要求能否降级:能降级为最终一致时,优先选成本最低的方案;
  2. 业务是否具备可补偿性:TCC 与 Saga 都要求业务能定义"撤销一次操作"的语义,扣款可以退款、发券可以收券,而"发送一条不可撤回的短信"不具备可补偿性;
  3. 是否要求读侧强一致:跨服务的读侧强一致无法由上述任何方案完整提供,若业务确实要求,需要把相关数据收敛到同一数据源;
  4. 中间态能否对外隐藏:TCC 的预留态与 Saga 的未补偿态都会在收敛期间存在,对外可见时需要有状态标注与兜底分支。

2.2 角色与流程

2.2.1 角色划分

角色 职责 典型实现位置
事务协调者(TC) 维护全局事务与分支事务的状态,决定提交还是回滚,驱动重试与超时判定,持久化事务记录 独立集群,与业务服务分离部署
事务管理器(TM) 与业务代码同进程,负责开启全局事务、注册分支、发起全局提交或回滚 业务服务内的代理与注解
资源管理器(RM) 管理一个具体数据源或一个外部资源,负责分支事务的本地执行与补偿数据的记录 业务服务内的数据源代理与业务实现类
参与者 全局事务涉及的具体业务服务,TCC 与 Saga 中同时承担补偿逻辑的实现 业务服务

四者的关系可以概括为:事务管理器在业务侧划出事务边界,协调者持有全局状态,资源管理器把本地执行的结果与补偿所需的数据登记到协调者。

2.2.2 全局事务与分支事务的生命周期

全局事务                               分支事务
  │                                       │
  ├─ 事务管理器开启全局事务                │
  ├─ 生成全局事务 ID(XID)                │
  │                                       │
  ├─ 调用参与者 A ─────────────────────────►├─ 注册分支事务(分支 ID)
  │                                       ├─ 执行本地操作(Try 或正向步骤)
  │  ◄──────────────────────────────────── ├─ 返回阶段一结果
  ├─ 调用参与者 B ─────────────────────────►├─ 注册分支事务
  │  ◄──────────────────────────────────── ├─ 返回阶段一结果
  │                                       │
  ├─ 阶段一全部成功                        │
  │   → 通知协调者提交                     │
  │     → 协调者驱动各分支阶段二(Confirm)
  │     → 全部分支确认后,全局事务结束
  │
  └─ 阶段一出现失败
      → 通知协调者回滚
        → 协调者驱动各分支逆向操作(Cancel 或补偿)
        → 全部分支补偿完成后,全局事务结束

三个时序要点决定了实现方式:

  1. 阶段一的结果必须先行持久化。分支事务的本地操作一旦提交,即使阶段二失败也不会自动撤销,因此补偿所需的数据(前镜像、预留记录、业务状态)必须在阶段一与本地操作同一事务写入;
  2. 协调者的通知是异步且可重复的。网络抖动、协调者重试、参与者重启都会造成同一分支的阶段二被调用多次,因此阶段二接口必须幂等;
  3. 阶段二的顺序在回滚时通常是逆序的。正向步骤之间存在依赖(先扣款后发券),回滚应反其道而行,否则可能出现"券已收回但款未退"的中间态。

2.2.3 提交与回滚的时序对照

阶段 提交路径 回滚路径
阶段一(各分支) 执行本地操作并提交,登记补偿数据 执行本地操作并提交,登记补偿数据
协调者判定 全部分支返回成功 任一分支返回失败或超时
阶段二(各分支) Confirm:确认预留资源,通常不改变业务结果 Cancel 或补偿:释放预留资源,撤销业务结果
阶段二的调用次数 至少一次,需幂等 至少一次,需幂等
阶段二失败的处置 协调者重试,重试耗尽转人工 协调者重试,重试耗尽转人工
结束条件 全部分支确认完成 全部分支补偿完成

两个路径在实现上的共同点是"阶段一之后本地事务已提交",因此阶段二不是数据库层面的回滚,而是业务层面的一次新操作。这一点是所有补偿类方案的共同前提,也是"空回滚""悬挂"这类问题存在的原因。

2.3 关键难点

四个难点都由"阶段一的本地提交不可撤销"与"阶段二的调用至少一次"共同推导出来。

2.3.1 幂等:重复提交与重复回滚

重复来源 表现 后果
协调者重试 同一分支的 Confirm 或 Cancel 被调用多次 预留资源被重复释放,或业务状态被重复推进
参与者超时后重试 参与者未收到响应自行重试阶段一 分支事务被重复注册,本地操作被执行两次
网络重传与进程重启 已处理的请求被重新投递 与协调者重试相同

防治的关键是给每个阶段二操作一个可判定的唯一标识(全局事务 ID 加分支 ID),并在业务侧以该标识做去重。

2.3.2 空回滚:未执行却收到回滚

空回滚指 Cancel 被调用时,Try 从未执行成功。成因是阶段一的请求在网络上超时(未丢失),协调者判定失败并发起 Cancel,而 Cancel 先到达参与者。

参与者 A                网络                 协调者
   │                                          │
   │ ◄── Try(请求在网络中延迟或被丢弃)──────  │
   │                                          ├─ Try 超时,判定失败
   │ ◄────────────── Cancel ─────────────────  │
   ├─ Cancel 执行:找不到预留资源                │
   │  若不做记录:本次 Cancel 无任何痕迹         │
   │  随后迟到的 Try 到达并执行成功              │
   │  → 资源被预留,但全局事务已回滚,无人释放    │

空回滚本身不会造成数据错误,但它会破坏"是否有分支事务记录"这一判据,从而使后续迟到的 Try 无法被识别为悬挂。因此处理空回滚的动作是留下一条防悬挂记录,而不是简单地返回成功。

2.3.3 悬挂:回滚先于执行到达

悬挂是空回滚的后续:Cancel 已执行完毕,迟到的 Try 才到达并执行成功,此时预留的资源没有任何事务会来释放。

难点 触发顺序 判定依据 处置
空回滚 Cancel 到达时 Try 未执行 查不到分支事务记录 插入防悬挂记录,返回成功
悬挂 Cancel 已完成后 Try 才到达 查到防悬挂记录 拒绝执行 Try,返回失败

两者的防治是一体的:Cancel 在查不到记录时必须写入一条标记,Try 在执行前必须检查该标记。只做其中一半,另一类问题必然出现。

2.3.4 补偿失败与人工干预

补偿失败与业务失败的区别在于:业务失败是预期内的分支,补偿失败会使数据停在"阶段一已完成但阶段二未完成"的状态,且该状态不会自行消失。

补偿失败原因 是否可自愈 处置
参与者暂时不可用、网络抖动 可自愈 协调者按退避策略重试
参与者需要人工修复(如依赖的第三方不可用) 部分可自愈 重试加告警,超过阈值转人工
补偿逻辑本身有缺陷(参数错误、状态判定错误) 不可自愈 立即告警,停止重试,人工介入
补偿与业务操作产生冲突(如并发修改了同一行) 需人工确认 告警并保留现场,人工判定

区分可自愈与不可自愈的依据与消息重试场景一致:连接类与超时类失败可重试,参数类与状态类失败应直接转人工,无限重试只会掩盖问题。

2.3.5 超时与状态不确定

超时使"成功"与"失败"之间多出一个"未知"状态:

超时位置 实际状态 后果
阶段一请求超时 参与者可能已执行成功 协调者按失败处理,可能产生空回滚或悬挂
阶段二请求超时 参与者可能已执行成功 协调者重试,要求阶段二幂等
协调者判定超时 全局事务长时间处于进行中 分支事务长期持有锁与连接,阻塞其他事务
参与者长时间无响应 分支状态无法推进 全局事务无法结束,事务日志持续增长

工程上没有消除"未知"的手段,只能缩短其存在时间并使其可观测:为每一类超时设置明确的判定阈值,把超过阈值仍未决的事务计入监控指标,并为判定为失败的全局事务保留人工核查入口。

2.4 隔离性缺失的后果

2.4.1 中间态可见

本地事务的隔离性由数据库提供,跨服务的方案无法提供等价能力:参与者各自提交了阶段一,读请求读到的可能是"扣款已完成但未发货"这类局部状态。

方案 中间态的表现 对外可见性
两阶段提交 全局提交前各参与者数据不可见 中间态对读请求不可见
TCC 预留资源已冻结,业务状态处于预留态 可见,需要通过状态字段标注
Saga 前序步骤已生效,后序步骤未执行 可见,且存在时间较长
本地消息表与事务消息 上游已变更,下游未收到或未处理 可见,收敛时间由重试与投递决定

2.4.2 分布式事务中的脏读与不可重复读

现象 出现位置 表现
脏读 读侧读到了阶段一中未最终确定的数据 读到一笔随后被补偿撤销的扣款
不可重复读 同一业务数据在一次请求处理过程中被补偿改变 校验时存在、写入时已被撤销
幻读 缺少全局锁时同一业务被并发处理两次 两个全局事务同时处理同一笔订单

对照的数据库侧机制与现象分类见 mysql: 事务与锁 第 2.2 节。区别在于数据库提供的是事务内的可见性规则,而分布式事务需要业务侧自行构造这份规则。

2.4.3 业务侧的容忍设计

三种设计可以把中间态收束为可接受的业务形态:

冻结与预留

把"已扣除"改为"已冻结",冻结状态在业务上是一个合法且可解释的状态:

-- 不用余额扣减表达预留,改用冻结额表达
UPDATE account
SET frozen_amount = frozen_amount + #{amount},
    version = version + 1
WHERE id = #{accountId} AND balance - frozen_amount >= #{amount} AND version = #{version};
-- 影响行数为 1 表示预留成功

冻结额与可用余额分离后,Confirm 把冻结额转为实际扣减,Cancel 把冻结额归还。中间态(已冻结未扣减)在业务上可解释,且对外展示时可以选择不体现冻结额。

状态机与前置条件

所有状态推进都要求前置状态匹配,使重复或逆序的消息无法改变业务结果:

-- 状态推进必须是条件更新,前置状态不匹配则影响行数为 0
UPDATE t_order SET status = 'PAID'
WHERE order_no = #{orderNo} AND status = 'PENDING_PAY';

幂等键与去重表

以业务唯一键拦截重复处理,使重复的阶段二调用不产生第二次副作用。三种设计的组合关系与实现细节见本文第 3.4 节。

2.5 与本地事务的衔接

2.5.1 分支事务的本地提交时机

分支事务的本地事务在阶段一结束时立即提交,不等待全局事务的结果。这一点是被动选择而非设计偏好:

  1. 若阶段一不提交,锁与连接会一直持有到全局提交,全局事务的持续时间等于参与者的本地事务时长之和;
  2. 协调者需要在阶段一之后才能判定全局结果,若参与者不提交,协调者的判定依据(是否成功)就无法由数据库状态确认;
  3. 参与者进程崩溃时未提交的本地事务会回滚,而协调者可能已收到"成功",造成协调者认知与数据库状态不一致。

因此"阶段一提交、阶段二补偿"是所有补偿类方案的共同形态。它带来的直接后果是:在全局事务过程中,持有全局锁或预留资源的分支会阻塞其他全局事务对同一行数据的操作。

本地事务自带的超时与传播行为仍然生效,事务边界与连接绑定的约束见 Java 持久层 第 2.6 节与第 3.3 节:分支事务方法内同样不应包含远程调用与消息发送,否则事务时长会被外部依赖的耗时拉长,而这些时长会直接累加到全局事务的持锁时间上。

2.5.2 事务日志表的作用与清理

补偿类方案需要在数据库中保留三类记录:

记录 内容 用途 生命周期
分支事务记录 全局事务 ID、分支 ID、分支状态、参与者标识 阶段二查询分支状态、判定空回滚与悬挂 保留至全局事务结束后一段时间
补偿数据(前镜像或预留记录) 修改前的数据、预留的资源量 生成补偿语句或执行资源释放 保留至阶段二完成
防悬挂记录 已回滚但未执行的分支标识 拦截迟到的阶段一请求 保留时间需长于阶段一请求可能的最大延迟

三类记录的清理都必须在全局事务结束后进行。清理策略与消息表的清理同构:按时间分区整体丢弃优于按行删除,删除条件必须限定状态(已完成、已回滚),不能把未决记录纳入清理范围,具体形态参见 消息一致性:事务消息与最终一致性 第 3.1 节的清理策略。

2.5.3 与消息投递的一致性

分布式事务框架解决的是"多个数据源的写"的问题,不解决"本地事务与消息发送"的问题。两者需要分别处理:

需求 承接方案 说明
本地写库与下游服务写库需原子 TCC、Saga 或二阶段提交 由事务协调者驱动补偿
本地写库与消息发送需一致 本地消息表或事务消息 由中继任务或回查保证
二者同时存在 在 TCC 的 Confirm 阶段内完成消息投递,或把消息投递本身作为一个分支 不要在 Try 阶段投递,否则 Cancel 无法撤回已投递的消息

第三种组合是实践中的常见形态,其关键约束是消息投递必须放在阶段二而不是阶段一。若在 Try 阶段投递消息,Cancel 时消息已经发出,下游可能已按预留态执行了后续操作,补偿需要额外撤销下游的数据。原理层面的对照见 消息一致性:事务消息与最终一致性 第 2.1 节。

2.6 性能与容量

2.6.1 全局事务对连接的占用

环节 连接占用 持续时间
阶段一的本地事务 一条数据库连接 本地事务执行期间
阶段二的补偿操作 一条数据库连接 补偿执行期间
全局事务的等待窗口 不占用数据库连接,但占用业务线程或事务会话 从阶段一结束到全局事务完成

连接占用的峰值出现在并发全局事务数较高时,估算方式为"并发全局事务数 × 每个全局事务同时活跃的分支数"。这个量必须与连接池上限对照,池上限与数据库承载能力的核算方式见 Java 持久层 第 2.2.3 节与第 3.7.3 节。

2.6.2 锁等待与超时

阶段一提交后,补偿类方案的资源占用由业务语义维持(预留记录、冻结额、状态字段),而两阶段提交维持的是数据库行锁。两者的阻塞表现不同:

方案 阻塞来源 阻塞的解除条件
两阶段提交 参与者持有的行锁 全局提交或回滚完成
TCC 预留记录与业务条件更新 Confirm 或 Cancel 完成
Saga 业务状态与条件更新 后续步骤或补偿完成
消息类方案 无额外锁,但存在业务上的重复处理风险 消费端幂等吸收

阻塞时间的上限由全局事务的超时设置决定。超时时间过短会把正常慢事务判为失败并触发补偿,过长会让锁等待传导到其他业务路径,取值应对照业务正常处理耗时的分位数而不是平均值。

2.6.3 协调者与日志存储的容量规划

协调者的容量由三个量决定:

并发全局事务数     ≈ 峰值 QPS × 单笔全局事务平均耗时(秒)
事务记录条数       ≈ 峰值 QPS × 保留时间
存储容量           ≈ 事务记录条数 × 单条记录大小 + 索引开销

示例
  峰值 QPS 300,单笔全局事务平均耗时 0.4 秒
    → 并发全局事务约 120
  保留时间 3 天(按日峰值 200 万笔计)
    → 事务记录约 600 万条
  单条记录 2KB(含分支明细)
    → 数据量约 12GB,索引与副本后按 30GB 以上规划

容量规划的输入还需要包括:补偿失败转人工的记录、防悬挂记录、以及参与者侧的事务日志表。参与者侧的事务日志表容量往往比协调者侧更大,因为它与业务写入同量级,且需要覆盖更长的补偿窗口。


三、实现

3.1 场景判定与方案选择

3.1.1 从业务一致性要求出发的选择流程

step 1 归类业务
  账务类(不允许不平)      → 必须叠加对账,方案强度按可补偿性定
  订单与库存类(不允许永久不一致)→ 最终一致方案加对账
  通知类(允许少量丢失)    → 最大努力通知加对账
  跨系统同步类(允许延迟)  → 最大努力通知加主动拉取

step 2 判断可补偿性
  操作可定义撤销语义(退款、释放、收回)→ TCC 或 Saga 可用
  操作不可撤销(已发送的通知、已清算的资金)→ 只能最终一致加对账

step 3 判断同步性要求
  调用方需同步得到最终结果且不可降级 → 两阶段提交或 TCC
  调用方可接受受理语义             → Saga 或消息类方案

step 4 判断中间态可见性
  中间态不可对外可见 → 需要状态机与展示层配合,或改用消息类方案并隐藏中间态
  中间态可标注       → 直接使用对应方案

step 5 选择成本最低的可行方案,并补齐配套能力
  幂等(必需)、对账(账务类必需)、监控与告警、补偿与人工入口

3.1.2 应改用幂等重试或对账的场景

场景特征 不建议引入分布式事务的理由 替代方案
只有一个数据源,多次写入 本地事务已覆盖 本地事务加正确的传播行为
跨数据源但操作天然幂等(如按单号覆盖写入) 失败重试即可收敛 幂等重试加对账
下游允许延迟,且调用方不要求同步结果 无需协调者 受理加异步推进加对账
下游为外部系统,无法改造 无法要求其实现补偿接口 最大努力通知加对账
一致性要求来自"用起来方便"而非业务硬约束 成本无法由收益覆盖 读侧兜底加状态标注
调用量极低(日均数十笔) 协调者与补偿体系的维护成本远高于问题本身 定时对账加人工核对

最后三项是实践中最常见的误引入来源。判断标准是:把该场景的不一致后果写成一句话,若这句话不涉及金额、库存占用、法律义务或对外承诺,通常不需要分布式事务。

3.2 框架接入实践

3.2.1 依赖引入与配置

以 Spring Cloud 生态中主流的分布式事务框架为例,接入包含三部分:依赖、协调者地址与事务分组、以及数据源的代理。

# 应用侧配置:协调者地址通过注册中心解析,事务分组决定走哪个协调者集群
seata:
  enabled: true
  application-id: order-service
  # 事务分组名,需要与协调者侧的集群映射一致
  tx-service-group: order-service-tx-group
  service:
    vgroup-mapping:
      order-service-tx-group: default
    # 通过注册中心获取协调者地址,避免写死 IP
    grouplist:
      default: 127.0.0.1:8091
  registry:
    type: nacos
    nacos:
      server-addr: ${NACOS_ADDR}
      namespace: ${NACOS_NAMESPACE}
      group: SEATA_GROUP
  config:
    type: nacos
    nacos:
      server-addr: ${NACOS_ADDR}
      namespace: ${NACOS_NAMESPACE}
  # 事务日志(阶段一记录的补偿数据)的存储方式
  store:
    mode: db
    db:
      datasource: transaction-store
      table-name: undo_log
/**
 * 数据源必须被框架代理,否则分支事务不会被注册,
 * 阶段一执行后既不会记录补偿数据,也不会参与全局回滚。
 */
@Configuration
public class DataSourceProxyConfig {

    @Bean
    @ConfigurationProperties("spring.datasource.druid")
    public DataSource druidDataSource() {
        return new DruidDataSource();
    }

    @Bean
    @Primary
    public DataSourceProxy dataSourceProxy(DataSource druidDataSource) {
        return new DataSourceProxy(druidDataSource);
    }

    @Bean
    public SqlSessionFactory sqlSessionFactory(DataSourceProxy dataSourceProxy) throws Exception {
        SqlSessionFactoryBean factoryBean = new SqlSessionFactoryBean();
        factoryBean.setDataSource(dataSourceProxy);
        return factoryBean.getObject();
    }
}

接入阶段的三处核对项:

核对项 错误表现 判定方式
数据源是否被代理 业务正常但全局回滚时不生效,阶段一的数据不会撤销 观察事务日志表中是否产生分支记录
事务分组与集群映射 全局事务无法开启,报找不到协调者 核对应用侧分组名与协调者侧映射配置
ORM 是否使用代理数据源 分支事务未注册,回滚无补偿数据 核对 SqlSessionFactory 或 EntityManagerFactory 绑定的数据源

ORM 侧的配合要求与数据源绑定的原理见 Java 持久层 第 2.7.1 节:事务与连接通过线程绑定,框架的代理必须位于这一链路上,否则代理层看不到实际的 SQL 执行。

高危 提醒:修改事务分组配置(tx-service-group 及其 vgroup-mapping)会改变应用连接的协调者集群。影响范围是本次变更涉及的全部服务实例:切换后新的全局事务会在另一个协调者集群上开启,而切换前处于进行中或等待补偿的全局事务仍留在原集群,其分支事务不会被新集群感知,表现为事务长期未决与补偿不触发;若目标集群的集群映射配置有误,会直接导致全局事务无法开启、业务接口整体报错。执行前必须确认原集群中无未决的全局事务(核对协调者侧的事务记录数与未决列表),确认新集群已部署且集群映射与存储配置一致,并按实例灰度重启而不是一次全量。回滚方式:将分组配置改回原值并重启受影响实例;已经分裂到两个集群的未决事务需要分别到两个集群核查状态并手工推进,不能依赖单一集群的自动补偿。

3.2.2 代理与注解的形态

三种典型的使用形态:

// 形态一:注解声明全局事务边界,分支事务自动注册
@GlobalTransactional(name = "create-order", rollbackFor = Exception.class)
public void createOrder(CreateOrderCommand command) {
    // 本地分支:订单写入,由代理数据源自动注册为分支事务
    orderMapper.insert(command.toOrder());
    // 远程分支:库存预留,参与者侧的全局事务 ID 由调用链上下文透传
    inventoryClient.freeze(command.getSku(), command.getQuantity());
}

// 形态二:TCC 模式下由接口声明三个阶段
@LocalTCC
public interface InventoryTccService {

    @TwoPhaseBusinessAction(name = "inventoryFreeze", commitMethod = "confirm", rollbackMethod = "cancel")
    boolean freeze(BusinessActionContext context, @BusinessActionContextParameter(paramName = "sku") String sku,
                   @BusinessActionContextParameter(paramName = "quantity") int quantity);

    boolean confirm(BusinessActionContext context);

    boolean cancel(BusinessActionContext context);
}

// 形态三:Saga 模式下以状态机或编制流程声明正向与补偿步骤
@SagaStart
public void execute(OrderSagaContext context) {
    // 每个步骤声明正向接口与补偿接口,由状态机按序驱动
    sagaService.step("createOrder", this::createOrder, this::cancelOrder, context);
    sagaService.step("freezeStock", this::freezeStock, this::unfreezeStock, context);
    sagaService.step("deductBalance", this::deductBalance, this::refundBalance, context);
}

形态选择的依据:

形态 适用 约束
注解声明全局事务 参与者可直接访问数据库,业务可自动补偿 需要框架支持对 SQL 的解析与补偿数据的生成
TCC 接口声明 资源需要预留,或参与者没有可被解析的本地事务 需要实现三个方法并处理空回滚与悬挂
Saga 流程声明 长流程、跨多个服务、步骤间有明确顺序 需要为每一步实现补偿,且补偿需幂等

同时需要注意:全局事务的注解同样通过代理生效,类内自调用不会开启全局事务,该失效机制与本地事务注解一致,见 Java 持久层 第 2.6.6 节;代理的实现机制见 Spring Framework 核心体系。

3.2.3 事务分组与路由

事务分组把"服务"与"协调者集群"解耦:应用只声明分组名,由分组到集群的映射决定实际使用的协调者。

概念 作用 变更影响
事务分组(tx-service-group) 应用声明的事务归属 变更即切换协调者集群,属高危操作
集群映射(vgroup-mapping) 分组到协调者集群的映射关系 变更影响该分组下的全部应用,需与协调者侧配置同源
协调者集群 实际持有全局事务状态的组件 需要独立的高可用部署与存储规划

分组的划分原则与服务的划分一致:按业务域划分,同一业务链路中的参与者使用同一个分组,避免一次全局事务跨两个协调者集群(跨集群时协调者之间无法共享状态,无法协同提交或回滚)。

3.2.4 与注册中心的配合

协调者集群不通过配置文件写死地址,而是注册到注册中心由参与者发现。这样做解决的是协调者扩容与漂移问题,但也带来一个约束:参与者必须能正常完成注册中心的发现流程,否则无法开启全局事务。

# 协调者侧的注册配置(参与者侧配置的类型与命名空间需保持一致)
registry:
  type: nacos
  nacos:
    application: seata-server
    server-addr: ${NACOS_ADDR}
    namespace: ${NACOS_NAMESPACE}
    group: SEATA_GROUP

三条实践约束:

  1. 参与者与协调者必须在同一命名空间与分组,跨环境的名空间错配表现为"找不到协调者";
  2. 注册中心不可用时,参与者可能无法开启新的全局事务,因此分布式事务链路属于对注册中心强依赖的路径,注册中心自身的高可用与客户端缓存的讨论见 Spring Cloud 微服务 第 2.2.5 节;
  3. 参与者服务的实例元数据(版本、区域)同样需要按治理要求配置,以便在灰度期间控制全局事务涉及的实例范围。

3.2.5 与 ORM 的配合

配合点 要求 违反后果
数据源代理 事务框架的代理数据源必须位于 ORM 的数据源链路上 分支事务不注册,全局回滚无补偿数据
事务管理器 全局事务与本地事务管理器共用同一个数据源 本地事务与分支事务分属两个连接,状态不一致
批量操作 批量语句需能被解析出前镜像;框架无法解析的语句应改用 TCC 或 Saga 回滚时生成错误的补偿语句
多数据源 每个数据源都需要独立代理并单独注册 未代理的数据源写入不会回滚
自增主键 补偿依赖主键定位行,插入类分支需确保主键可回填 补偿语句无法定位目标行
分页与流式查询 只读查询不参与分支事务 无影响,但长查询会延长全局事务的持锁时间

在 JPA 与 MyBatis 混用的系统中,两条路线共用同一个代理数据源与事务管理器是前提,混合使用的边界规则见 Java 持久层 第 2.5 节。若框架无法解析某些语句(如自定义函数、存储过程、部分批量写法),应把这些操作从全局事务中移出,或改为 TCC 显式声明补偿逻辑。多数据源常与分库分表同时出现,分片键选择、路由与跨分片事务边界的处理方式见 分库分表与全局唯一 ID。

3.3 分支事务实现实践

3.3.1 TCC 三个方法的实现要点

Try:资源预留,而不是资源扣减

/**
 * Try 阶段:只做资源预留,不产生最终业务结果。
 * 预留必须可判定:影响行数为 0 表示预留失败,禁止先查询后更新。
 */
@Override
public boolean freeze(BusinessActionContext context, String sku, int quantity) {
    String xid = context.getXid();
    // 悬挂防治:若该分支已回滚过,直接拒绝执行
    if (compensationRecordMapper.existsByXidAndBranch(xid, BRANCH_FREEZE)) {
        return false;
    }
    // 幂等:同一分支重复进入时,已预留则直接返回成功
    if (reserveMapper.existsByXidAndBranch(xid, BRANCH_FREEZE)) {
        return true;
    }
    int affected = stockMapper.freeze(sku, quantity);
    if (affected == 0) {
        return false;
    }
    // 预留记录与库存变动处于同一本地事务
    reserveMapper.insert(xid, BRANCH_FREEZE, sku, quantity);
    return true;
}
-- 预留以条件更新实现,可用量不足时影响行数为 0
UPDATE stock
SET available_qty = available_qty - #{quantity},
    frozen_qty = frozen_qty + #{quantity},
    version = version + 1
WHERE sku = #{sku} AND available_qty >= #{quantity};

Confirm:确认预留,不改变业务结果

Confirm 的执行前提是 Try 已成功。若 Try 未成功而 Confirm 到达(属于异常路径),Confirm 应保证不产生新的副作用:

/**
 * Confirm 阶段:把预留转为实际消耗。
 * 幂等:重复 Confirm 不重复扣减,以预留记录的状态作为判据。
 */
@Override
public boolean confirm(BusinessActionContext context) {
    String xid = context.getXid();
    ReserveRecord record = reserveMapper.selectByXidAndBranch(xid, BRANCH_FREEZE);
    if (record == null) {
        // Try 未成功而 Confirm 到达:记录异常并返回成功,避免协调者无限重试
        LOG.warn("confirm without try, xid={}", xid);
        return true;
    }
    if (record.getStatus() == STATUS_CONFIRMED) {
        return true;
    }
    stockMapper.confirmFreeze(record.getSku(), record.getQuantity());
    reserveMapper.updateStatus(xid, BRANCH_FREEZE, STATUS_CONFIRMED);
    return true;
}

Cancel:释放预留,并留下防悬挂记录

/**
 * Cancel 阶段:释放预留资源;无论是否找到预留记录,都必须留下痕迹。
 */
@Override
public boolean cancel(BusinessActionContext context) {
    String xid = context.getXid();
    ReserveRecord record = reserveMapper.selectByXidAndBranch(xid, BRANCH_FREEZE);
    if (record == null) {
        // 空回滚:Try 未执行或未成功,写入防悬挂记录,拦截迟到的 Try
        compensationRecordMapper.insertIgnore(xid, BRANCH_FREEZE, STATUS_CANCELLED);
        return true;
    }
    if (record.getStatus() == STATUS_CANCELLED) {
        // 幂等:重复 Cancel 直接返回
        return true;
    }
    stockMapper.releaseFreeze(record.getSku(), record.getQuantity());
    reserveMapper.updateStatus(xid, BRANCH_FREEZE, STATUS_CANCELLED);
    return true;
}
-- 防悬挂记录表:以 (xid, branch_id) 唯一键拦截重复写入
CREATE TABLE tcc_compensation_record (
  id          BIGINT UNSIGNED NOT NULL AUTO_INCREMENT,
  xid         VARCHAR(128)    NOT NULL COMMENT '全局事务ID',
  branch_id   VARCHAR(64)     NOT NULL COMMENT '分支标识',
  status      TINYINT         NOT NULL COMMENT '1 已回滚 2 已确认',
  create_time DATETIME(3)     NOT NULL DEFAULT CURRENT_TIMESTAMP(3),
  PRIMARY KEY (id),
  UNIQUE KEY uk_xid_branch (xid, branch_id)
) ENGINE = InnoDB DEFAULT CHARSET = utf8mb4 COMMENT = 'TCC 防悬挂与幂等记录';

资源预留设计的三条约束

约束 说明
预留粒度与业务匹配 按 SKU 或账户预留,而不是按整单预留,避免单个大事务阻塞整类资源
预留有有效期 预留记录必须有超时时间与兜底释放任务,防止协调者长期不可用时资源被永久占用
预留状态可查询 对外提供按业务单号查询预留状态的接口,供对账与人工处置使用

3.3.2 Saga 补偿接口的设计与幂等

Saga 的补偿以业务步骤为单位,而不是以数据库行为单位:

/**
 * 正向步骤与补偿步骤成对定义,补偿接口按业务单号幂等。
 */
public class OrderSagaSteps {

    /** 正向:创建订单 */
    public void createOrder(OrderSagaContext ctx) {
        orderService.createIfAbsent(ctx.getBizNo(), ctx.getOrder());
    }

    /** 补偿:取消订单,重复调用不产生第二次副作用 */
    public void cancelOrder(OrderSagaContext ctx) {
        orderService.cancelByBizNoIfPresent(ctx.getBizNo());
    }

    /** 正向:扣减余额 */
    public void deductBalance(OrderSagaContext ctx) {
        accountService.deduct(ctx.getBizNo(), ctx.getAmount());
    }

    /** 补偿:退回余额,以业务单号加动作作为幂等键 */
    public void refundBalance(OrderSagaContext ctx) {
        accountService.refund(ctx.getBizNo(), ctx.getAmount(), "SAGA_COMPENSATE");
    }
}
-- 补偿的幂等由业务键唯一约束兜底:同一业务单号的退款只能记账一次
CREATE UNIQUE INDEX uk_flow_biz_action ON account_flow (biz_no, action);
设计要点 做法 原因
补偿接口的入参 只依赖业务单号与必要参数,不依赖正向步骤的返回值 正向步骤的返回值在补偿时可能已不可获取
补偿的判定 先查业务当前状态,再决定是否执行补偿 补偿可能在业务已被人工处理后到达
补偿的幂等键 业务单号加动作类型 与正向操作的幂等键区分,避免相互覆盖
补偿的失败处理 返回明确的成功或失败,失败由协调者重试 补偿静默失败会使数据永久停在中间态
补偿的粒度 与正向步骤一一对应 便于按序回滚与定位失败步骤

3.3.3 补偿的可重入性与顺序

可重入性要求补偿多次执行的结果与执行一次相同。实现方式有三种:

方式 机制 适用
状态条件更新 补偿语句带前置状态条件,状态已变则影响行数为 0 状态机清晰的业务
幂等键唯一约束 以业务单号加动作插入流水,重复插入被拦截 资金、库存等有流水记录的业务
补偿标记表 单独记录已补偿的业务单号 无天然流水记录的业务

补偿顺序在存在依赖关系时不能简单逆序,需要按依赖拓扑决定:

正确顺序(依赖反向):先撤销下游,再撤销上游
  冻结库存 → 扣减余额 → 生成订单
  补偿顺序:取消订单 → 退回余额 → 释放库存

错误顺序:先释放库存再退回余额
  若退回余额失败,会出现"库存已释放但余额已扣除"的状态,
  补偿重试时需要重新判断库存是否已释放,逻辑复杂化

顺序的判定依据是步骤之间的数据依赖:若步骤 B 的补偿需要读取步骤 A 产生的数据,则 A 的补偿必须在 B 之后执行。对于无法确定顺序的步骤,应在补偿接口内部增加状态检查,使其在任意顺序下都能得到确定结果。

3.4 防治手段落地

3.4.1 幂等表与状态机设计

两种幂等实现的适用面与成本:

手段 实现 优点 局限
幂等表(去重表) 以幂等键为唯一索引插入记录,插入成功者获得执行权 语义明确,适用于任意操作 每次操作增加一次写入;表持续增长需清理
状态机条件更新 更新语句带前置状态条件,影响行数为 0 表示重复或非法 无额外存储,与业务表合一 只适用于有状态语义的操作
唯一索引 直接依赖业务表的唯一键 无需额外结构 只适用于插入类操作

组合使用是常见形态:状态机负责状态推进类操作,幂等表负责流水与通知类操作。幂等键的粒度选择(消息 ID、业务单号、业务单号加动作)见 消息可靠性与幂等设计。

-- 幂等表:以幂等键作为唯一约束,插入成功表示首次处理
CREATE TABLE t_idempotent_record (
  id           BIGINT UNSIGNED NOT NULL AUTO_INCREMENT,
  idempotent_key VARCHAR(128)  NOT NULL COMMENT '幂等键:业务单号+动作类型',
  biz_type     VARCHAR(64)     NOT NULL COMMENT '业务类型',
  status       TINYINT         NOT NULL DEFAULT 0 COMMENT '0 处理中 1 成功 2 失败',
  create_time  DATETIME(3)     NOT NULL DEFAULT CURRENT_TIMESTAMP(3),
  update_time  DATETIME(3)     NOT NULL DEFAULT CURRENT_TIMESTAMP(3) ON UPDATE CURRENT_TIMESTAMP(3),
  PRIMARY KEY (id),
  UNIQUE KEY uk_idempotent_key (idempotent_key)
) ENGINE = InnoDB DEFAULT CHARSET = utf8mb4 COMMENT = '幂等去重表';
/**
 * 先插入幂等记录抢占执行权,捕获唯一键冲突表示重复请求。
 */
public void handleWithIdempotent(String idempotentKey, Runnable action) {
    try {
        idempotentRecordMapper.insert(idempotentKey);
    } catch (DuplicateKeyException e) {
        // 重复请求:按已有记录的最终状态决定返回成功还是失败
        IdempotentRecord record = idempotentRecordMapper.selectByKey(idempotentKey);
        if (record.getStatus() == STATUS_SUCCESS) {
            return;
        }
        throw new IllegalStateException("重复请求,前次处理未完成:" + idempotentKey);
    }
    try {
        action.run();
        idempotentRecordMapper.updateStatus(idempotentKey, STATUS_SUCCESS);
    } catch (Exception e) {
        idempotentRecordMapper.updateStatus(idempotentKey, STATUS_FAILED);
        throw e;
    }
}

注意"处理中"状态的语义:若首次处理未完成即崩溃,幂等记录停留在 0,后续重复请求会被判断为"前次未完成"。此时需要有兜底策略——按超时时间把长时间停留在 0 的记录重新开放,或由对账任务核查业务真实状态。

3.4.2 空回滚与悬挂的判定字段与代码结构

判定字段与状态的对应关系:

记录状态 Try 已执行 Cancel 已执行 应判定为
无任何记录 否 否 尚未开始,Try 可正常执行
有预留记录,状态为预留中 是 否 正常路径,阶段二执行 Confirm 或 Cancel
只有防悬挂记录 否 是 空回滚已发生,后续 Try 必须拒绝(悬挂防治)
预留记录状态为已取消 是 是 已正常回滚,重复 Cancel 直接返回成功

代码结构上把检查集中到一处,避免三个方法各自判断而出现遗漏:

/**
 * 阶段二调用的统一入口:先判定分支状态,再决定是否执行。
 */
protected BranchDecision decide(String xid, String branchId, Phase phase) {
    ReserveRecord record = reserveMapper.selectByXidAndBranch(xid, branchId);
    boolean compensated = compensationRecordMapper.existsByXidAndBranch(xid, branchId);

    if (phase == Phase.CONFIRM) {
        if (record == null) {
            return BranchDecision.SKIP_SUSPICIOUS;   // Try 未成功,记录异常后返回成功
        }
        return record.isConfirmed() ? BranchDecision.ALREADY_DONE : BranchDecision.EXECUTE;
    }

    // phase == Phase.CANCEL
    if (record == null) {
        return compensated ? BranchDecision.ALREADY_DONE
                           : BranchDecision.EMPTY_ROLLBACK;   // 空回滚:需写入防悬挂记录
    }
    return record.isCancelled() ? BranchDecision.ALREADY_DONE : BranchDecision.EXECUTE;
}

防悬挂记录的保留时间决定悬挂的判定窗口:若清理掉防悬挂记录后迟到的 Try 才到达,悬挂仍会发生。保留时间应大于阶段一请求可能的最大延迟,工程上通常取全局事务超时时间的若干倍。

高危 提醒:清理防悬挂记录表会使其失去拦截迟到的阶段一请求的能力。影响范围是该表覆盖时间窗内的全部分支事务:清理后到达的 Try 会正常执行并预留资源,而对应的全局事务早已回滚,预留资源没有任何事务会释放,表现为库存或余额被长期占用且不会自动恢复;若此类悬挂数量较多,还会掩盖正常业务的可用量。执行前必须确认清理窗口之外的阶段一请求已不可能到达(核对全局事务超时配置与参与者侧的请求队列),并按时间分区由旧到新分批清理,避免一次清空。回滚方式:被误删的记录无法恢复,只能依靠对账任务把长期处于预留态且无对应全局事务的资源纳入人工核查并释放;清理前应先导出待删除区间的内容作为核查依据。

3.4.3 重试与退避

阶段二的重试由协调者驱动,但参与者侧的补偿逻辑需要配合两点:

配置 建议方向 依据
重试次数上限 覆盖依赖的最长故障恢复时间 与消息重试的取值方法一致
退避策略 指数退避并封顶,带随机抖动 避免补偿请求在同一时刻集中
失败分类 连接类、超时类可重试;参数类、状态类直接转人工 不可自愈的失败重试无效
超时判定 补偿接口的内部超时应小于协调者的调用超时 否则协调者先超时并重试,形成重复执行

阶段一的重试需要额外注意:参与者自行重试阶段一可能产生悬挂。若参与者在未收到响应时重试 Try,而协调者已发起 Cancel,两次 Try 中的第二次会落在 Cancel 之后。因此参与者的超时重试应尽量交由调用方(协调者)统一控制,或在重试前检查防悬挂记录。

3.4.4 超时补偿与人工处理台

超时补偿任务的判定链:
  1. 扫描协调者侧超过阈值仍未决的全局事务
  2. 逐条到参与者侧核对分支事务的真实状态
     → 分支已提交且全局已判定回滚:需要发起补偿
     → 分支未执行:可直接标记结束
     → 状态无法判定:转人工
  3. 对需要补偿的全局事务触发补偿,并记录触发原因
  4. 补偿失败的记录进入人工队列,按金额与业务类型分级

人工处理台需要提供的能力:

能力 用途
按全局事务 ID 与业务单号查询 定位具体事务及其全部分支
展示分支状态与补偿记录 判断补偿是否已执行、执行了几次
展示业务真实状态 以业务表状态而非事务状态为最终判据
受控的补偿触发 手工触发补偿并记录操作人与依据
受控的强制结束 在确认业务已一致的前提下关闭事务记录
操作留痕 与审计要求对齐,见 合规与审计

3.5 对账与补偿体系

3.5.1 对账维度与频率

维度 比较内容 频率参考 用于发现
全局事务数 协调者侧事务数与参与者侧分支记录数的对应关系 小时级 事务记录丢失或分支未注册
未决事务 超过阈值仍未完成的全局事务 小时级 协调者不可用、参与者无响应
预留资源 预留记录与业务侧的冻结量是否一致 小时级 悬挂导致的资源长期占用
业务流程完整性 上游已完成的业务在下游是否存在对应记录 小时级 消息类方案的漏投递
金额与流水 逐笔流水与汇总金额 日终 补偿重复或补偿遗漏
补偿记录 补偿次数与实际业务撤销次数是否一致 日终 重复补偿

差异分类与自动补偿的边界(可自动重放、不可自动冲正)已在 消息一致性:事务消息与最终一致性 第 3.4 节展开,分布式事务场景下的差异主要集中在"未决事务"与"预留资源不一致"两类,其处置需要人工确认而不是自动重放。

3.5.2 补偿任务的调度

补偿任务与对账任务都属于周期性任务,其调度方式与可靠性要求一致:

调度方式 适用 注意点
应用内定时任务 与业务同进程,部署简单 多实例部署时需要分布式锁或分片,避免重复执行
独立调度进程 任务与业务隔离,可靠性更高 需要独立的部署与监控
系统级调度(cron、systemd timer) 与外部脚本或运维任务配合 环境变量与执行用户容易出错,注意点见 定时任务与定时器
消息延迟投递触发 补偿延迟可控 依赖消息中间件的延迟能力,超长延迟不适合

三条实现约束:

  1. 任务必须幂等:多实例、重试、手工重跑都会造成重复执行,任务本身的动作需要幂等;
  2. 任务必须有执行记录:每次执行的时间、扫描量、处理量、失败量需要落库,任务中断才能被发现;
  3. 任务必须有执行时长上限与超时保护:单次执行过久会与下一次执行重叠,形成并发执行。

补偿失败的升级路径:

第 1 级:自动重试(协调者与补偿任务,退避加封顶)
  ↓ 重试耗尽
第 2 级:进入人工队列并告警(按金额与业务类型分级)
  ↓ 超过处理时限未处置
第 3 级:升级告警至业务负责人,冻结相关业务的自动补偿,避免与人工处置冲突
  ↓ 处置完成
第 4 级:记录处置结论并回填原因分类,用于统计与流程改进

3.6 可观测性

3.6.1 监控项清单

分布式事务的监控需要同时覆盖协调者侧、参与者侧与补偿任务三处。

分类 指标 用途
事务量 全局事务开启数、提交数、回滚数 判断事务量趋势与回滚率变化
成功率 全局事务成功率、分支事务成功率 事务链路健康度的主指标
回滚 回滚率、按回滚原因分类的计数 区分业务正常回滚与异常回滚
异常计数 空回滚计数、悬挂计数、补偿失败数、未决事务数 分布式事务特有故障的直接指标
耗时 全局事务平均与分位耗时、阶段一耗时、阶段二耗时 定位耗时集中在哪个阶段
资源 协调者事务会话数、事务日志表行数与增长率、连接池占用 容量与瓶颈判断
补偿任务 任务执行次数、处理量、失败量、执行时长、最近成功时间 判断补偿链路是否仍在工作
对账 对账执行结果、差异条数、未关闭差异数 最终一致性兜底是否有效

其中"空回滚计数"与"悬挂计数"是最容易被遗漏的两项,也是判定 TCC 实现是否完整的直接依据:正常实现下空回滚可以偶发出现(网络抖动),但悬挂出现即代表防治逻辑存在缺口。

3.6.2 日志与追踪的关联

分布式事务的排查需要在三处之间跳转,因此关联标识必须统一:

标识 写入位置 用途
全局事务 ID(XID) 协调者记录、参与者日志、事务日志表、消息属性 把一次全局事务的全部分支串起来
业务单号 业务表、事务日志表、日志 从业务视角定位,不依赖事务 ID
追踪上下文 请求头、消息属性、日志 MDC 与链路追踪系统对接

三条落地要求:

  1. XID 必须写入日志上下文(如 MDC),并与追踪上下文一起输出,否则跨服务的分支无法按 XID 检索;
  2. 跨线程与跨消息边界需要显式传递:线程池、异步任务、消息消费不会自动携带上下文,需要手动透传,机制与常见断链原因见 Java 应用可观测性与埋点建设 第 2.4.3 节与第 3.7.4 节;
  3. 参与者侧记录阶段二的调用次数:补偿被执行了几次是判断重复补偿的关键证据,仅记录成功或失败无法还原过程。

日志级别的约定与本地事务场景一致:阶段一的正常执行记 INFO,阶段二的重试记 WARN,补偿失败与悬挂判定记 ERROR,且这些日志必须包含 XID、分支 ID 与业务单号。

3.6.3 告警设计

告警项 触发条件 级别 说明
补偿失败 补偿失败数大于 0 高 离散事件,持续时间应设为 0
悬挂计数 出现悬挂判定 高 代表防治逻辑存在缺口
未决事务堆积 未决事务数超过阈值且持续增长 高 事务链路可能已中断
全局事务回滚率 回滚率较基线突增 高 通常是下游业务或依赖异常
协调者不可用 协调者健康检查失败或会话数骤降 高 影响全部新开启的全局事务
事务日志表增长 表行数或空间增长率异常 中 容量风险与清理失效
补偿任务未执行 最近成功执行时间超过两个调度周期 中 兜底链路静默失效
阶段二耗时 P99 超过阈值 中 补偿变慢会延长资源占用

告警的持续时间、抑制关系与分级响应要求遵循通用的 SLI 与错误预算方法:告警的输入应来自可计算的指标而不是日志关键词,分级的依据是影响面与恢复紧迫度,抑制方向必须是从底层到上层(协调者不可用应抑制由它派生的未决事务告警),设计方法见 SLO 与告警设计,指标类型与规则语法见 监控与告警。

分布式事务告警中有两项需要特别处理:补偿失败与悬挂属于离散事件,持续时间应设为 0,确保事件发生即通知,否则在低流量时段会被误判为瞬时抖动而漏报;未决事务的判定需要绝对阈值与持续时间同时满足,因为正常业务也存在耗时较长的全局事务。

3.7 演练与故障处置

3.7.1 补偿链路演练

补偿链路是分布式事务中平时不执行、故障时才执行的路径,未演练过的补偿在真正需要时往往不可用。演练清单:

演练项 方法 观察点
阶段二失败重试 让参与者的 Confirm 或 Cancel 暂时抛异常 协调者是否重试、重试次数与退避是否符合预期
重复补偿 手工重复触发同一分支的 Cancel 补偿是否幂等、业务是否只撤销一次
空回滚 在 Try 未执行时直接触发 Cancel 是否写入防悬挂记录、是否返回成功
悬挂 在 Cancel 完成后再投递 Try Try 是否被拒绝、资源是否未被预留
协调者不可用 停止协调者后开启全局事务 事务是否被拒绝或挂起、恢复后能否自动推进
参与者不可用 停止一个参与者后执行全局事务 全局事务是否超时回滚、恢复后补偿是否补做
补偿失败转人工 让补偿持续失败至重试耗尽 是否告警、是否进入人工队列、人工台是否可用
事务日志清理 在预发环境执行清理策略 清理是否只覆盖已结束事务、是否影响未决事务

演练需在预发环境或独立租户中进行,且必须准备数据核对方式(演练前后的业务数据快照)。演练结论应回填到设计文档与告警规则中。

3.7.2 协调者不可用的处置

影响面判断
  1. 协调者集群部分节点故障:
     → 已开启的全局事务由存活的协调者继续推进
     → 新事务能否开启取决于客户端连接的节点是否可用
  2. 协调者集群整体不可用:
     → 新全局事务无法开启,业务接口在开启事务处失败
     → 已开启且未完成的事务停止推进,分支事务的资源保持占用
     → 补偿任务无法触发(补偿依赖协调者状态)

处置顺序
  1. 确认协调者不可用的原因(进程、注册、存储、网络)
  2. 若为存储不可用导致,优先恢复存储,避免协调者状态丢失
  3. 恢复后核对未决事务列表与业务侧实际状态,对已完成业务的未决事务
     触发补偿或标记结束,对状态无法判定的转人工
  4. 核对是否有全局事务在故障窗口内被重复开启(业务侧重试导致)

协调者属于有状态组件,其状态存储的恢复优先于进程恢复。若状态存储丢失,协调者与参与者之间的状态将无法对齐,此时只能以业务数据为准逐笔核对,处理成本极高。

3.7.3 事务日志膨胀的处理

膨胀的原因有三类:未决事务长期存在、清理任务失效、以及补偿数据未被及时删除。

-- 膨胀排查:按状态与时间统计事务日志的分布
SELECT status, COUNT(*) AS cnt, MIN(create_time) AS earliest, MAX(create_time) AS latest
FROM undo_log
GROUP BY status;

-- 排查是否存在长期未结束的全局事务
SELECT COUNT(*) FROM global_table WHERE status = 0 AND gmt_create < DATE_SUB(NOW(), INTERVAL 1 DAY);

高危 提醒:直接清理事务日志(删除 undo_log 中未决记录、清空协调者的事务表、跳过清理条件的批量删除)会破坏补偿数据的唯一来源。影响范围是该库或该协调者集群上所有未决的全局事务:参与者无法生成补偿语句,全局回滚只能中断并留下不一致数据;协调者侧事务记录被删除后,参与者上报的分支状态无处归档,后续补偿不会触发,且无法再通过事务 ID 回溯。执行前必须确认待清理区间内无未决事务(按全局事务状态与时间双重过滤),必须先做数据备份并保留待删除内容作为核查依据,清理必须按时间分区由旧到新分批执行并观察协调者日志。回滚方式:数据层面只能从备份恢复,恢复后需重新核对未决事务与业务状态;无法恢复时应改用对账任务识别差异并逐笔人工处置,处置依据是参与者的业务表状态而不是事务日志。

膨胀的根治手段是缩短未决事务的存在时间:设置明确的事务超时、对超时事务自动判定并补偿、对无法判定的事务及时转人工。清理策略本身只能解决"已结束事务的历史数据",不能解决"未决事务堆积"。

3.7.4 异常悬挂事务的手工修复流程

悬挂的识别特征:某笔业务的预留资源(冻结额、库存预留、状态标记)长期存在,但对应的全局事务已结束或已回滚,且通过事务 ID 在参与者侧查不到对应的分支记录。

判定与修复流程
  1. 识别:对账任务或人工发现长期未释放的预留资源
  2. 核对业务真实状态:该笔业务是否实际发生
     → 业务已实际发生且资金与库存已正确扣减:预留是多余的,需释放
     → 业务未发生:预留应释放,且需确认是否有下游已按预留执行了后续动作
  3. 定位来源:按预留记录中的 XID 查询协调者侧事务状态,确认事务是否已回滚
  4. 确认无进行中的事务引用该预留(避免与阶段二并发)
  5. 执行释放,并记录操作人、时间、依据(业务单号、XID、核对结论)
  6. 回填:把该分支补写入防悬挂记录,避免迟到的阶段一请求再次预留

高危 提醒:手工释放悬挂资源(直接修改冻结额、库存预留字段或状态标记)属于绕过事务协调者的数据修改。影响范围是该预留对应的业务与资源池:若判定错误而该笔业务实际存在进行中的全局事务,手工释放会与随后的 Confirm 或 Cancel 并发修改同一行,导致重复扣减或重复退款;若只释放资源而未补写防悬挂记录,迟到的阶段一请求会再次预留,形成新的悬挂;在库存场景中,错误的释放会直接造成超卖。执行前必须完成三项确认:协调者侧无该 XID 的进行中事务、参与者侧无该分支的阶段二待执行任务、业务表状态与预留记录一致;必须逐笔处理,禁止使用批量更新语句一次性释放全部疑似悬挂记录;必须先在预发或只读环境验证判定逻辑。回滚方式:操作前记录被修改行的原值(冻结额、状态、版本号)与主键列表,需要回退时按主键逐行恢复原值;若已产生下游业务动作,需按业务补偿流程处理冲正,冲正涉及金额时必须人工复核,且遵循"可自动重放、不可自动冲正"的边界。

3.7.5 强制结束或回滚全局事务

高危 提醒:在协调者或管理台强制回滚、强制结束一个未决的全局事务会跳过正常的阶段二流程。影响范围是参与该全局事务的全部分支与它们涉及的资源:强制结束会使协调者停止驱动阶段二,已提交的分支不再收到补偿,未提交的分支被永久搁置;强制回滚会向参与者下发补偿指令,若某分支实际已处于业务完成状态(如订单已被人工确认),补偿会把已完成的业务撤销,产生对外可见的业务错误。执行前必须完成四项确认:逐分支核对参与者侧的本地事务状态与业务真实状态、确认该事务对应的业务是否仍在进行、确认补偿接口对该分支幂等且不会产生额外副作用、确认有数据备份或可核对的原值记录。回滚方式:协调者侧的回滚动作本身无法撤销,已下发的补偿只能通过对账任务识别并按业务补偿流程逆向处理;因此执行前应先导出该事务的全部分支记录与业务数据快照,作为事后核对的唯一依据。

3.8 常见问题与排查

3.8.1 事务未提交或长时间未决

现象:接口调用后业务数据未变,或协调者侧事务长期处于进行中。

排查顺序
  1. 确认全局事务是否成功开启:应用日志中是否有 XID,协调者是否收到事务开启请求
  2. 确认阶段一是否完成:参与者侧的分支记录与本地事务是否已提交
  3. 确认协调者是否在推进阶段二:协调者日志中的提交通知与重试记录
  4. 确认参与者是否可达:网络、实例状态、注册中心中的实例列表
  5. 确认是否有本地事务未回滚导致的锁等待:见 mysql 事务与锁中的长事务排查

常见根因
  全局事务注解未生效(类内自调用、非 public 方法)
  数据源未被代理,分支未注册
  阶段二接口长时间未返回,协调者反复重试
  参与者实例被摘除但协调者仍在向旧实例发送通知

3.8.2 补偿未触发

可能根因 判定方式
全局事务未进入回滚状态 协调者侧事务状态为进行中或已提交
分支未注册到协调者 参与者侧无分支记录,事务日志表中无对应行
参与者已下线 协调者重试记录中出现连接失败,注册中心无该实例
补偿任务未执行 补偿任务的最近成功时间超过调度周期
事务状态存储不可用 协调者日志中出现存储异常

前两项属于接入阶段的问题,后三项属于运维阶段的问题,两者的排查入口不同:前者查应用配置与代理链路,后者查协调者与任务调度的健康状态。

3.8.3 重复补偿

重复补偿表现为同一笔业务被撤销两次,通常同时造成资金或库存的偏差。

判定依据 说明
阶段二的调用次数 参与者日志中同一分支的 Cancel 被执行多次
补偿流水条数 业务流水表中同一业务单号存在多条冲正记录
幂等记录状态 幂等表中该键的记录被重复更新或状态回退

处置顺序为:先停止重复来源(协调者重试、补偿任务、人工重跑三处逐一排查),再核对业务实际状态,最后按业务补偿流程冲正多出的部分。预防手段是补偿接口必须幂等,且补偿被执行后必须落库记录,使后续判定不依赖"是否调用过"这类无法持久化的信息。

3.8.4 悬挂与空回滚的报警处理

报警 含义 处置
空回滚计数上升 Cancel 到达时 Try 未执行 排查阶段一请求的延迟与超时配置,确认防悬挂记录已写入
悬挂计数上升 迟到的 Try 在 Cancel 之后执行 排查 Try 侧是否缺少防悬挂检查,或防悬挂记录已被清理
两者同时上升 阶段一的超时判定与网络延迟不匹配 调整阶段一超时与重试策略,缩短请求在途时间

处理原则是先阻止新增(修正判定逻辑与清理策略),再处理存量(对已产生的悬挂逐笔走手工修复流程,见本文第 3.7.4 节)。

3.8.5 事务日志表膨胀

根因 判定方式 处置
未决事务堆积 按状态统计中未决记录占比高且持续增长 排查未决原因,推进或转人工
清理任务失效 已结束事务的创建时间持续向历史延伸 修复清理任务,先小批量验证再放开
补偿数据未删除 分支已确认但补偿数据仍在 核对清理条件是否覆盖该状态
业务流程异常导致事务量激增 事务开启数较基线突增 排查上游业务与重试放大

3.8.6 框架升级导致的行为差异

框架升级可能改变的默认行为:

变更类型 可能影响
事务模式的默认取值 默认从自动补偿模式切到需要显式声明补偿模式的模式,未改造的参与者失去补偿能力
注册与配置的默认实现 默认注册类型变更导致连接不到协调者
事务日志表结构 升级需要执行 DDL,未执行时启动报错或运行期写入失败
超时与重试的默认参数 全局事务超时缩短会使正常慢事务被判定失败并触发补偿
隔离级别与锁策略 默认锁策略变更会改变并发行为与等待时间

升级的实施要求:先在预发环境用真实的补偿演练验证(见本文第 3.7.1 节),核对版本说明中的默认值变更逐项,按实例灰度发布并观察回滚率、未决事务数与补偿失败数,配置变更与框架升级分开实施以便定位原因,发布流程遵循 变更与发布管理 的灰度与回滚要求。


四、总结

  • 分布式事务不是默认选项:判断顺序是先看能否收敛到同一数据源,再看能否改造为幂等重试,再看能否改为受理加异步推进,最后才比较各方案的强度与成本
  • 引入的成本由四部分构成,其中排查难度的增长最容易被低估——证据分散在协调者、多个参与者与补偿任务三处,协调者状态与业务状态可能不一致
  • 五类方案的落地差异集中在回滚机制上:两阶段提交依赖数据库回滚并阻塞至全局提交,TCC 与 Saga 依赖业务逆向操作,消息类方案没有回滚只有重试;可补偿性是 TCC 与 Saga 的适用前提
  • 角色的划分是固定的:事务管理器划出边界,协调者持有全局状态,资源管理器把本地执行结果与补偿数据登记到协调者;四者的职责不会因框架封装而消失
  • 分支事务在阶段一结束时立即提交,因此阶段二不是数据库回滚而是新的一次业务操作,这是幂等、空回滚与悬挂三类问题存在的原因
  • 空回滚与悬挂的防治是一体的:Cancel 在查不到记录时必须写入防悬挂记录,Try 在执行前必须检查该记录;只做一半则另一类问题必然出现,且防悬挂记录的保留时间决定了悬挂判定窗口
  • 隔离性在补偿类方案中缺失,中间态必然可见;业务侧通过冻结与预留、状态机条件更新、幂等键三种设计把中间态收敛为可接受的业务形态
  • 事务日志表包含分支记录、补偿数据与防悬挂记录三类内容,其清理必须限定在已结束事务范围内;未决事务堆积只能靠缩短事务存在时间解决,清理策略无法替代
  • 框架接入的三处必查项是数据源代理、事务分组与集群映射、ORM 与代理数据源的绑定;事务分组变更会导致事务在两个协调者集群间分裂,属高危操作
  • TCC 的 Try 只做预留不做扣减,三个方法都必须幂等;Confirm 在找不到预留记录时应记录异常并返回成功,Cancel 在找不到记录时必须写入防悬挂记录
  • Saga 的补偿以业务步骤为单位,入参只依赖业务单号,幂等键与正向操作区分;存在依赖关系时补偿顺序由依赖拓扑决定,不能简单逆序
  • 可观测性的核心是三类特有指标:空回滚计数、悬挂计数与补偿失败数;补偿失败与悬挂属于离散事件,告警持续时间应设为 0,未决事务则需要绝对阈值与持续时间同时满足
  • 补偿链路必须演练:阶段二重试、重复补偿、空回滚、悬挂、协调者不可用、参与者不可用、补偿失败转人工、事务日志清理,未演练的补偿在真正需要时往往不可用
  • 高危操作有四类:修改事务分组配置、清理事务日志、手工释放悬挂资源、强制结束或回滚全局事务;它们的共同点是绕过协调者直接改变状态,执行前必须核对业务真实状态并保留原值作为回滚依据
  • 排查遵循"先确认适配链路、再确认事务状态、最后核对业务真实状态"的顺序,且任何情况下都以业务表的持久化状态为最终判据,而不是以事务状态或调用是否成功为依据