分布式事务:Saga、消息与幂等
本篇要点:能按"业务需要什么保证"而不是"框架提供什么模式"来选分布式事务方案,并写出本地消息表、幂等、对账这三件套。前置文章:《容错:限流、熔断、隔离与降级》让一次调用失败不再扩散,这一章处理更麻烦的情况——一次业务流程只成功了一半。
为什么需要它
对账报表连续三天多出十七笔差异,金额不到两千。第一反应是报表取数错了,因为除报表外一切正常。
第四天逐条追了一遍,原因跟报表无关。库存服务在 Saga 第二阶段回滚失败:下游老系统超时后返回 504,补偿重试三次都不通,这笔被标成"需人工介入"放下了。订单侧认为已取消成功,库存多留了一份。
这件事改变了一个认知:分布式事务方案的责任边界到"标成需人工介入"就结束了,之后没人管,系统也不会再管。Saga 花两周迁上线,真正补上这个洞的是后来加的对账作业。
所以这一章的结论放在前面:如果重做一遍,先上本地消息表加对账,而不是先上 Saga。这个顺序不是因为 Saga 不好,是因为 Saga 的假设往往不成立,而对账不依赖任何假设。
更根本的问题是分类依据。"强一致用 AT、长流程用 Saga、跨公司用最大努力通知"是按框架提供什么分的;按业务需要什么保证分,结论不同:库存扣减允许最终一致(超卖比少卖严重得多),订单与支付必须强一致,银行网关只给成功、失败、不确定三种回答,不确定约占 3%。
核心概念
强一致与最终一致
强一致(strong consistency)指任何时刻读到的都是最新已提交的结果;最终一致(eventual consistency)指中间状态可以不一致,但经过一段时间必须收敛。中间状态可接受的那类方案,统称柔性事务(flexible transaction)。
类比:强一致像同一次转账里的两个账户,扣款和入账必须同时成立;最终一致像快递,包裹在途中时"已发货"和"已签收"两个状态并存,但最终会收敛到一个。
反例是把"最终一致"当成"可以不一致":它同样有收敛期限和收敛机制;没有对账作业的最终一致,只是"不知道什么时候会不一致"。
2PC 与 XA:锁持有多久
两阶段提交(two-phase commit,2PC)先让所有参与者准备,全部就绪后再统一提交。XA 是数据库层实现 2PC 的规范。
它的一致性最强,代价是锁要持有到全局事务结束,高并发扣减时并行请求会被串起来。
Saga:两个隐含假设
Saga 的机制很干净:每个参与者提交本地事务,任一失败就反向补偿(compensation)。microservices.io 把它写成"可靠协调的本地事务序列",定义里有个隐含前提——补偿必须能可靠执行。
这正是翻车的地方。补偿不是"撤销",是另一个正向操作:把已扣的库存加回去,它同样会超时、会失败、会成功却返回失败。Seata 的 Saga 给了个诚实的选项:异常时是否补偿由用户决定。这个选项本身就是信号,说明框架也知道补偿不一定做得到。
第二个假设更隐蔽:Saga 不保证隔离性(isolation)。具体表现是,用户在订单页看到"待支付"、同时库存已扣;他刷新又下一单,第二单看到库存不足,其实是同一个人。用户的疑问是“还没付款,怎么就没货了”。这不是 bug,是设计的结果。
AT:自动补偿的代价
AT 模式(Seata 的自动事务)最省事:加 @GlobalTransactional,数据源走 DataSourceProxy,第一阶段把业务数据和 undo_log 写进同一本地事务并释放本地锁,第二阶段异步提交,回滚靠 undo_log 反向补偿。
它有两个硬约束。业务表必须有单列主键——三列复合主键的运单表只有 MySQL 支持,其他库要加自增主键、把原复合主键改成唯一键,最后改的是表结构而不是框架。每个业务库都必须有 undo_log 表,分库可以、分表不行,按月分表的日志库只能把写操作挪出全局事务。
截至 2026 年 11 月,Seata 最新正式版是 2.6.0(2026-01-28),Maven 上 seata-spring-boot-starter 的 release 也是 2.6.0。GitHub 上有个 v2.7.0 的 tag(2026-10-14),但那是 RC Round4,不是正式发布,别把这个 tag 当 GA 来排升级计划。以 seata.apache.org 的发布公告为准。
本地消息表:不需要框架的那一类
本地消息表(outbox pattern)把"业务操作"和"待发送消息"写在同一个本地事务里,再由独立任务扫表发消息,消费端做幂等。它保证的是"本地操作和消息投递同生共死",不保证消费端一定成功,后者靠重试和幂等。
它比事务消息好落地的地方在回查能力。事务消息要求把"发消息"交给 MQ 的半消息机制,回查逻辑要自己实现,而回查接口必须能根据业务主键判断本地事务到底成没成。14 个服务里有 5 个的本地事务跨两张以上的表,写不出可靠的回查。本地消息表把这件事拉回数据库,用唯一键和本地事务解决。
代价也清楚:多一张表、多一个扫描任务,消息延迟从毫秒变成扫描间隔。
幂等与对账
幂等(idempotency)指同一个请求执行多次,结果和执行一次相同。它是所有重试机制成立的前提,《容错:限流、熔断、隔离与降级》的重试、这一章的消息重投都依赖它。
对账(reconciliation)是用一套独立作业比对两边的账,把差异找出来。它不预防不一致,它负责发现不一致——这两个职责不能互相替代。
对账跑三条线:订单对支付、订单对库存、库存对仓储。按天全量、按小时增量,差异落 recon_diff 表,分三类——金额差异、状态差异、单边账;人工只处理金额差异和超阈值的状态差异,其余自动冲正。补偿失败的兜底也落在这里:标成"需人工介入"的记录必须有对应的差异行,否则那个状态等于消失了。
图 7-1 是选型时用的判断顺序,从"下游可不可控"开始,最后所有分支都指向对账。
图 7-1 分布式事务选型的判断顺序
如图 7-1 所示,四条分支里三条收在"对账作业"上。这不是保守,是因为每个方案的失败路径最终都会落到"需人工介入"这类状态,没有独立作业去发现它们,等于把失败藏起来。
| 模式 | 一致性 | 隔离性 | 适用场景 |
|---|---|---|---|
| AT | 强(有全局锁) | 写隔离有,读隔离弱 | 订单 + 支付核心链路 |
| Saga | 最终 | 无 | 外部系统不可控的长流程 |
| TCC | 强 | 由业务保证 | 资源可预留、团队能改造 |
| XA | 最强 | 有 | 低并发、强一致 |
| 本地消息表 | 最终 | 无 | 大多数跨服务场景 |
动手实践
目标:搭出本地消息表的最小可用版本:建表、扫描、幂等消费,再用压测确认热点写操作该不该进全局事务。
第一步,建表。outbox 和业务表同库,靠本地事务保证原子。
CREATE TABLE outbox (
id BIGINT NOT NULL AUTO_INCREMENT,
msg_key VARCHAR(64) NOT NULL COMMENT '业务唯一键,用于去重',
topic VARCHAR(128) NOT NULL,
payload TEXT NOT NULL,
status TINYINT NOT NULL DEFAULT 0 COMMENT '0待发 1已发 2失败',
retry_count INT NOT NULL DEFAULT 0,
next_retry_at DATETIME(3) NOT NULL,
PRIMARY KEY (id),
UNIQUE KEY uk_msg_key (msg_key),
KEY idx_scan (status, next_retry_at)
) ENGINE = InnoDB;预期输出:Query OK, 0 rows affected;SHOW INDEX FROM outbox 能看到 uk_msg_key 唯一索引和 idx_scan 联合索引,后者决定扫描任务会不会全表扫。
第二步,写扫描任务,只扫待发和到期的失败项。
SELECT id, msg_key, topic, payload, retry_count
FROM outbox
WHERE status IN (0, 2) AND next_retry_at <= NOW(3)
ORDER BY next_retry_at
LIMIT 200;预期输出:单次不超过 200 行,P99 执行时间 5ms 以内。扫描间隔压到 200ms 时,端到端 P99 延迟约 400ms,业务能接受。LIMIT 和 idx_scan 是这一条的关键,缺一个都会在多实例并发扫表时出现重复发送。
第三步,把核心链路放进全局事务,但幂等记录要留在外面。
@GlobalTransactional(name = "order-create", rollbackFor = Exception.class)
public void createOrder(OrderCmd cmd) {
orderMapper.insert(buildOrder(cmd));
stockClient.deduct(cmd.getSkuId(), cmd.getCount());
}预期输出:正常路径下单成功;任一步抛异常时全局回滚,undo_log 被用于反向补偿。注意这段看着无害,有个坑——防重复的幂等记录如果也放进这个全局事务,回滚时会跟着一起回滚,客户端重试就没有拦网了。幂等记录要挪到独立库、用 REQUIRES_NEW 传播。反直觉的地方在于:防重复的东西本身不能跟着回滚。
第四步,量一下热点上的全局锁有多贵。单 SKU 秒杀、一条库存行、200 并发,走 AT 全局事务时该行的扣减 P99 从 38ms 涨到 410ms,QPS 上限落在 780 左右;换成 UPDATE stock SET qty = qty - ? WHERE sku = ? AND qty >= ? 加本地事务,其余不变,P99 掉到 96ms,QPS 上限抬到 2400 上下。两次压测同机同库,8C16G、MySQL 8.4、数据量 200 万行。
差别不在框架,在 AT 必须可回滚,所以得写 undo_log、持有全局锁到第二阶段提交;而条件更新扣失败就是没扣,一致性由行锁和 WHERE 自己保证。能用条件更新表达的写操作,一律不进 AT——这条线画完,全局事务的覆盖范围从 11 个用例降到 3 个。
常见误解
很多人以为 Saga 的回滚是撤销,其实它是另一个正向业务动作。 库存扣减的补偿是加回库存,但这期间库存可能被别的订单吃掉,硬加就会超卖。做法是补偿前先做业务校验,可售不足就进异常挂起;硬加那一版上过一次,超卖两百多件。
很多人以为上了事务框架就不需要对账,其实框架的失败路径最终都落到"需人工介入"。 没有独立作业去发现这些状态,等于把失败藏起来。最危险的系统不是经常不一致的系统,是从来不报不一致的系统。
很多人以为幂等键用"用户 + 商品"就够了,其实它拦住了合法请求。 同一用户合法地连买两件会被当成重复;改用时间戳等于没有幂等。最后用的是客户端生成的 requestId,落库加唯一索引,冲突就返回上一次结果。
很多人以为 AT 覆盖的业务越多越安全,其实热点上它会退化成串行。 全局锁持有到第二阶段提交,热点行的并发全排在锁上;把覆盖范围从 11 个用例收到 3 个之后,反而更稳。
小结
- 选型按"业务需要什么保证"分,不按"框架提供什么模式"分;先问允许不允许中间态,再问补偿能不能可靠执行。
- Saga 的两个假设是补偿可靠、无隔离性;两者都不成立时,它只是把不一致推迟到人工介入。
- AT 的两个硬约束是单列主键和每库一张
undo_log,分表上的写操作进不了全局事务。 - 本地消息表用唯一键和本地事务换掉回查能力的要求,
msg_key唯一索引加LIMIT扫描是它的两个要点。 - 幂等键要用客户端生成的
requestId,对账要跑三条线:订单对支付、订单对库存、库存对仓储。
回看《容错:限流、熔断、隔离与降级》:重试会重放写请求,幂等键就是为它准备的。
相关主题
本地消息表把"写库"和"发消息"绑在了一起,但消息发出去之后的事它管不了:重复投递、顺序错乱、消费堆积,每一样都会把已经对上的账重新弄乱。《异步消息:可靠性、顺序与堆积》讲异步消息:可靠性、顺序与堆积,把这条链路的后半段补齐。