提纲：

🔥分布式事务

• 问题

• CAP定理

• BASE理论

• 解决方案

一、分布式事务

1. 问题

• 在分布式微服务中，例如一个下单功能，涉及到订单微服务与库存微服务，若库存扣除成功，订单添加失败，就会导致事务不一致

2.CAP 定理

• Consistency：一致性

  • 强一致性：必须保证每次读取到最新的数据 —— 这需要完成写操作后，进行数据同步最新的数据，期间会锁定读操作

  • 弱一致性：可以容忍部分数据版本的滞后

  • 最终一致性：只需要经过一段时间后，分布式系统中都能看到最新的数据

• Availability：可用性 —— 向服务端请求时，每次都能返回数据，不关心数据是否是最新的，必定与强一致性互斥

• Partition tolerance：分区容错性，由于网络中断等原因，导致服务中某个节点与其他节点失去连接，成为一个独立分区，出现分区时，系统仍然能向外提供服务

  • # 解决分区容错性需要将节点中的数据保存在其他不同节点上，那么数据在一个节点发生变化时，就必定会带来节点间的数据一致性和可用性的抉择问题

  • # 对于分布式事务，其实就可以看成将一个事务的执行结果，即回滚/提交，保存在了多个分支事务中，每一个执行分支事务的服务节点都能根据分支事务执行情况，对这个结果进行修改，那么就必定会带来C/A 的选择问题

• CAP 定理指分布式系统无法同时高度满足这三个条件，实际上，如果舍弃 P，则只能采用单点服务，因此分布式系统都是选定 P，再从 C/A 中选择一个

3.BASE 理论

• 1、Basically Available：基本可用，分布式系统出现故障时，允许损失一定的可用性

  • CP 模式：即关注一致性，使多个子事务执行后互相等待，同时提交，同时回滚，实现强一致，但在事务实行时会使系统处于弱可用状态

• 2、Soft State：软状态，允许在系统运行时出现临时的不一致状态

• 3、Eventually Consistent：最终一致，在软状态后，保证数据的一致

  • AP 模式：即关注可用性，各个子事务分别进行和提交回滚，允许事务间结果不一致，在事务结束后采取弥补措施来保证最终一