现象

应用系统中的关键服务绝大部分都会是对数据库的依赖。

当多个进程同时操作同一个数据，会产生资源争抢，数据一致性的问题。

如果只有一个数据库服务器，数据一致性问题也就不存在了。

可是，随着系统访问量、数据量的不断增长，数据库出现多个服务器，又出现缓存服务，又要拆分数据库，还要分拆到不同的子应用等等。

这样一来，数据一致性问题就会变得越来越突出。

举个栗子

我们来看这样一个数据流程。

• 用户提交一个订单（2个不同商家各一件商品）——数据源头

• 应用服务器验证用户信息、订单信息、库存信息等等，然后将这个订单发送到订单消息队列——消息队列

• 订单处理服务器从消息队列中拿到新订单，接下来的处理，可能做的数据操作有：

  1. 生成一个订单/也可能会分拆为两个订单

  2. 更新两个商品库存数量

  3. 更新商家的销售数据

  4. 生成订单对应的支付信息

  5. 生成用户订单成功的状态信息

思路

上面的数据处理中，涉及到的数据有：订单数据、商品数据、商家数据、支付数据、用户数据。

涉及到的应用和服务有：前端应用系统，消息队列，后端应用系统，数据库，缓存，甚至订单、商品、商家、支付、用户可能都是独立的子应用。

可能大部分系统不会像上面这么庞大。

如果前后端都是一起的，也就没有消息队列。

如果也没有这些子系统，数据库是集中的，那可能数据一致性问题会稍微小些。

这时候，只需要注意数据库更新的一致性就好了，比较容易想到的应对方法，就是用数据库事务来保证。

如果这些数据不只是一份数据库，还有缓存中一份，又要考虑缓存数据的更新，所以问题还是复杂了。

数据库更新，怎么保证缓存也能正常更新呢？

• 程序中处理，数据库更新后，就要马上更新缓存数据

• 如果缓存更新失败或者程序出现异常，要有异常处理方法

• 异常处理方法可以是程序中实时的纠正或者重试

• 异常处理方法也可以是针对数据库的更新，二次检查缓存数据的更新

这里还只是一个数据库和一个缓存的情况，已经要做出这么多事情。

那这些工作带来的影响有哪些呢？

• 程序开发更加复杂，不能有些许的遗漏

• 数据验证和重试带来的性能下降

• 数据库事务带来的数据库瓶颈明显

• 二次检查再次增加复杂度和额外开销

本来一个订单处理，如果不考虑数据一致性问题，数据库写入/更新510次，缓存写入/更新510次，整个过程应该在10ms内完成。

但是加上数据库事务之后，会把这些操作中涉及到的几个表都加锁，意味着数据的读、写都串行化了，整个应用系统的并发能力急剧下降。

当然，因为这里引入缓存，对数据库的依赖会减少很多，而且还有从库可以提供读的服务，应用系统的访问并发能力不至于下降太多。

但这些代价在交易处理中是难以避免的，为了解决数据一致性问题，牺牲的是订单处理的并发能力。

对于大部分商城、网站，订单并发量也不高，这类问题不太常发生，所以也就这么过去了。

但是在一些促销活动的时候，肯定还是会遇到下单等待太久的问题。

瓶颈

为了具备更大并发的订单处理能力，单数据库、缓存肯定是行不通了。

那么要在这么多的子应用、大量的数据库、缓存服务中保持数据一致性又要怎么做呢？

• 每个子应用都要支持分布式事务，共同保证数据库全部成功更新

• 每个子应用各自要保证自己的数据更新一致性（异常处理、重试、二次检查等方法同上）

上面看上去只有两条，但是要做的事情和困难会比上面要多十倍,难百倍。

看到这里，是不是对于数据一致性的问题都有点绝望了。

真相

正因如此，大部分的分布式系统,大部分应用,是没有做到数据一致性，哪怕是弱一致性。

比如：论坛里面发帖，要更新10份左右的数据，出现脏数据是常有的，这就是没有做到数据一致性。

比如：商城里面库存超卖，订单状态不一致等，也是因为没有做到数据一致性。

之所以会这样，因为投入产出严重不成比例，是很无奈的选择。

数据不一致的情况毕竟比例极低，但是投入的代价却极大。

数据不一致引发的后果，可以忍受和容忍，哪怕是发现后再修正。

那么，还有什么办法可以避免或减少出现数据一致性问题呢？

下面有几个方法可以考虑：

• 将系统规模和容量降低，保证系统的稳定性和高效；

一个每秒钟上百万请求的应用系统能不能分拆为1000个每秒钟1000请求的独立集群呢？

一个上百万的商家、商品、订单库，能不能分拆为1000个只有1000个商家、商品、订单的子库呢？

• 将数据关联降低，减少更新次数，减少不一致问题的出现概率；

上面的订单、库存、商家、支付、用户几个数据，核心数据只有订单，其他的几个数据完全可以从订单数据推导出来，减少订单处理中的一致性要求。

• 将应用分拆，对性能和一致性要求高的应用独立实现；

减少业务耦合，集中资源重点投入。