Q70 - 分布式事务与Seata实战
共50道题 | 难度分布:★★★★★平均 | 20K+ Java后端岗位必考
一、分布式事务基础(1-8)
什么是分布式事务?
★★★★★
- 分布式事务是跨多个服务/数据库的事务操作,需要保证数据一致性。
- 产生的根本原因:微服务拆分后,一个业务操作涉及多个数据库。
- 示例:下单 → 扣库存(库存服务)→ 扣余额(账户服务)→ 创建订单(订单服务)。
- 核心挑战:没有共享数据库,无法使用本地事务的ACID保证。
- 面试要点:分布式事务是微服务架构的核心难题——理解其产生的根本原因。
CAP定理与BASE理论?
★★★★★
- CAP定理:
- C(Consistency):一致性——所有节点看到相同数据。
- A(Availability):可用性——每个请求都能得到响应。
- P(Partition Tolerance):分区容忍——网络分区时系统继续运行。
- 结论:分布式系统只能同时满足CAP中的两个(通常选择AP或CP)。
- BASE理论:
- BA(Basically Available):基本可用。
- S(Soft State):软状态——允许中间状态。
- E(Eventually Consistent):最终一致性。
- 关系:BASE是CAP中AP的延伸——放弃强一致性,追求最终一致性。
- 面试要点:分布式事务的理论基础——从强一致性到最终一致性。
分布式事务的解决方案分类?
★★★★★
- 强一致性方案:
- 2PC(Two-Phase Commit):两阶段提交。
- 3PC(Three-Phase Commit):三阶段提交。
- XA事务:基于X/Open标准的分布式事务。
- 最终一致性方案:
- TCC(Try-Confirm-Cancel):补偿事务。
- Saga模式:长事务编排。
- 本地消息表:消息+定时任务。
- 可靠消息最终一致性:RocketMQ事务消息。
- 面试要点:能分类说出6种以上方案并说明适用场景。
2PC(两阶段提交)?
★★★★★
- 阶段一(Prepare):协调者询问所有参与者是否可以提交。
- 阶段二(Commit/Rollback):所有参与者都同意则提交,否则回滚。
- 问题:
- 同步阻塞:所有参与者锁定资源直到第二阶段完成。
- 单点故障:协调者宕机导致参与者阻塞。
- 数据不一致:网络分区可能导致部分参与者提交、部分回滚。
- 实现:XA协议(MySQL XA、Oracle XA)。
- 面试要点:2PC是理论方案——生产环境很少直接使用。
3PC(三阶段提交)?
★★★★☆
- 相比2PC增加了CanCommit阶段和超时机制。
- 三个阶段:
1. CanCommit:询问是否可以提交(不锁定资源)。
2. PreCommit:执行事务但不提交(锁定资源)。
3. DoCommit:提交或中断。
- 改进:
- 增加超时机制:参与者超时后自动提交(减少阻塞)。
- CanCommit阶段:提前排除不可能提交的参与者。
- 问题:仍然不能完全解决数据不一致问题。
- 面试要点:3PC是2PC的改进——了解即可,实际很少使用。
TCC(Try-Confirm-Cancel)模式?
★★★★★
- TCC是业务层面的补偿事务模型。
- 三个阶段:
- Try:预留资源(冻结库存、冻结余额)。
- Confirm:确认操作(扣减冻结的库存/余额)。
- Cancel:取消操作(释放冻结的资源)。
- 示例(下单):
- Try:冻结100元余额 + 冻结1件库存。
- Confirm:扣减冻结的100元 + 扣减冻结的1件库存。
- Cancel:解冻100元 + 解冻1件库存。
- 优势:性能好(不锁定数据库资源),灵活性高。
- 劣势:业务侵入性强(每个操作需要写Try/Confirm/Cancel三个方法)。
- 面试要点:TCC是生产环境最常用的强一致性方案。
Saga模式?
★★★★★
- Saga将长事务拆分为多个本地事务,每个本地事务有对应的补偿操作。
- 两种编排方式:
- Choreography(事件编排):每个服务发布事件触发下一个服务。
- Orchestration(集中编排):中央协调器(Orchestrator)控制流程。
- 正向流程:T1 → T2 → T3 → 完成。
- 补偿流程:T3失败 → C2 → C1 → 回滚。
- 优势:无锁定、性能好、适合长事务。
- 劣势:补偿逻辑复杂、不保证隔离性(脏读问题)。
- 面试要点:Saga是微服务领域最流行的事务模式。
本地消息表方案?
★★★★☆
- 原理:利用本地事务保证消息和业务操作的原子性。
- 流程:
1. 业务操作和消息插入在同一个本地事务中。
2. 后台线程定时扫描消息表,发送到MQ。
3. 消费者消费消息,执行远程操作。
4. 消费者返回确认,消息表标记为已发送。
- 优势:实现简单,不依赖特殊MQ功能。
- 劣势:消息表和业务表耦合,定时轮询有延迟。
- 面试要点:本地消息表是"去MQ依赖"的最终一致性方案。
二、Seata框架(9-22)
Seata是什么?
★★★★★
- Seata(Simple Extensible Autonomous Transaction Architecture)是阿里开源的分布式事务框架。
- 支持四种事务模式:AT、TCC、Saga、XA。
- 核心组件:
- TC(Transaction Coordinator):事务协调器,维护全局事务状态。
- TM(Transaction Manager):事务管理器,定义全局事务边界(@GlobalTransactional)。
- RM(Resource Manager):资源管理器,管理分支事务的资源。
- 部署架构:Seata Server(TC)独立部署 + Seata Client(TM/RM)集成到应用中。
- 面试要点:Seata是Java生态最主流的分布式事务框架。
Seata AT模式原理?
★★★★★
- AT(Automatic Transaction)模式是Seata的默认模式,对业务零侵入。
- 一阶段(Branch Transaction):
1. 拦截SQL,解析语义。
2. 查询修改前的数据(Before Image)。
3. 执行业务SQL。
4. 查询修改后的数据(After Image)。
5. 生成Undo Log并保存到undo_log表。
- 二阶段(Commit):
- 异步删除Undo Log(无需同步操作,性能好)。
- 二阶段(Rollback):
- 读取Undo Log的Before Image。
- 校验After Image是否被脏写(防脏写检查)。
- 生成反向SQL回滚数据。
- 删除Undo Log。
- 面试要点:AT模式的核心是"拦截SQL + Undo Log"——理解一阶段和二阶段。
Seata AT模式的全局锁?
★★★★★
- 全局锁:Seata在分支事务提交前向TC申请全局锁。
- 作用:防止脏写——在全局事务提交前,其他事务不能修改同一行数据。
- 流程:
1. 分支事务执行SQL。
2. 分支事务提交前,向TC申请全局锁(锁定行数据)。
3. TC授予全局锁后,分支事务本地提交。
4. 全局事务提交/回滚后,释放全局锁。
- 超时:全局锁等待超时(默认30s),超时后回滚。
- 写隔离:全局事务持有全局锁期间,其他全局事务的写操作被阻塞。
- 读隔离:默认读不隔离(读未提交),可配置
SELECT FOR UPDATE全局锁读。
- 面试要点:全局锁是AT模式的核心机制——理解其与数据库锁的区别。
Seata AT模式的Undo Log?
★★★★☆
- Undo Log存储在业务数据库的
undo_log表中。
- 内容:
xid(全局事务ID)、branch_id、rollback_info(Before/After Image JSON)、log_status。
- Before Image:修改前的数据(用于回滚)。
- After Image:修改后的数据(用于脏写检查)。
- 脏写检查:回滚时对比当前数据和After Image,如果不一致说明被其他事务修改。
- 清理:全局事务提交后异步删除Undo Log。
- 面试要点:Undo Log是AT模式实现回滚的关键数据。
Seata TCC模式?
★★★★☆
- Seata TCC模式需要自定义Try/Confirm/Cancel三个方法。
- 接口定义:
@LocalTCC
public interface AccountTccService {
@TwoPhaseBusinessAction(name = "deduct", commitMethod = "confirm", rollbackMethod = "cancel")
boolean deduct(@BusinessActionContextParameter(paramName = "userId") String userId,
@BusinessActionContextParameter(paramName = "amount") BigDecimal amount);
boolean confirm(BusinessActionContext context);
boolean cancel(BusinessActionContext context);
}
- Try阶段:冻结资源(余额冻结、库存冻结)。
- Confirm阶段:扣减冻结资源(幂等操作)。
- Cancel阶段:释放冻结资源(幂等操作)。
- 面试要点:Seata TCC模式需要手动实现三个阶段。
Seata TCC的空回滚与悬挂问题?
★★★★★
- 空回滚:Try未执行但Cancel被调用(网络超时导致Try未到达)。
- 解决:在Cancel中检查Try是否执行,未执行则直接返回成功。
- 悬挂:Cancel先于Try执行(Try网络延迟,Cancel先到达)。
- 解决:在Try中检查是否已经Cancel,已Cancel则拒绝执行。
- 实现方式:使用
transaction_context表记录Try是否已执行。
public boolean cancel(BusinessActionContext context) {
String xid = context.getXid();
// 检查Try是否执行
if (transactionContextDao.getTry(xid) == null) {
// 空回滚,记录状态
transactionContextDao.insertCancel(xid);
return true;
}
// 正常Cancel逻辑
...
}
Seata Saga模式?
★★★★☆
- Seata Saga模式基于状态机(State Machine)实现。
- JSON定义状态机:
- ServiceTask:调用远程服务。
- CompensateTask:补偿操作。
- Choice:条件分支。
- Fail:异常处理。
- 正向流程:状态机按定义顺序调用每个ServiceTask。
- 异常流程:任意步骤失败 → 反向执行已完成的CompensateTask。
- 适用场景:长事务(如跨国转账、保险理赔)、参与方不可修改(遗留系统)。
- 面试要点:Saga状态机是Seata长事务的解决方案。
Seata XA模式?
★★★★☆
- Seata XA模式基于数据库XA协议实现强一致性。
- 流程:
1. TM开启全局事务。
2. RM注册XA分支事务。
3. 数据库执行XA Prepare。
4. TC决定提交/回滚。
5. 数据库执行XA Commit/Rollback。
- 优势:强一致性、对业务零侵入。
- 劣势:性能差(XA锁定资源直到全局事务完成)、不支持所有数据库。
- 适用场景:对一致性要求极高且可以接受性能损耗的场景。
- 面试要点:XA模式是最安全但最慢的方案。
Seata的四种模式对比?
★★★★★
- AT模式:零侵入、性能好、适合大多数场景。推荐首选。
- TCC模式:高性能、业务侵入、适合资金类高一致性场景。
- Saga模式:长事务、参与方不可改、适合编排型业务流程。
- XA模式:强一致、性能差、适合对一致性要求极致的场景。
- 选型决策:
- 默认选择:AT模式。
- 资金/核心链路:TCC模式。
- 长事务/第三方系统:Saga模式。
- 强一致性+可接受性能损耗:XA模式。
- 面试要点:能根据场景选择合适的Seata模式。
Seata Server部署?
★★★★☆
- 存储模式:
file:文件存储(单机,不可集群)。
db:数据库存储(MySQL/PostgreSQL,推荐生产)。
redis:Redis存储(高性能,需要Redis集群)。
- 注册中心:
- Nacos(推荐)。
- Eureka、Consul、ZooKeeper、Redis。
- 配置中心:
- Nacos(推荐)。
- Apollo、ZooKeeper、Consul。
- 高可用:多节点Seata Server + Nacos注册 + 数据库存储。
- 面试要点:Seata Server推荐Nacos + DB的部署模式。
Seata的@GlobalTransactional注解?
★★★★☆
@GlobalTransactional(timeoutMills = 60000, name = "create-order")
public Order createOrder(OrderRequest request) {
orderService.create(request); // 分支事务1
stockService.deduct(request); // 分支事务2
accountService.debit(request); // 分支事务3
return order;
}
- 参数:
timeoutMills:全局事务超时时间(默认60s)。
name:事务名称(用于监控和排查)。
rollbackFor:触发回滚的异常类型。
noRollbackFor:不触发回滚的异常类型。
- 面试要点:@GlobalTransactional是Seata的入口注解。
Seata的事务传播?
★★★★☆
- 全局事务的XID通过RPC Header传播。
- Dubbo:通过
DubboFilter传播XID。
- Feign/OpenFeign:通过
RequestInterceptor传播XID。
- RestTemplate:通过
ClientHttpRequestInterceptor传播XID。
- gRPC:通过Metadata传播XID。
- 自定义传播:
RootContext.bind(xid)手动绑定。
- 面试要点:XID传播是Seata跨服务事务的关键。
Seata的性能优化?
★★★★☆
- AT模式优化:
- 减少Undo Log大小(只记录必要字段)。
- 全局锁超时调优(
lock.retry.interval、lock.retry.times)。
- 异步提交(
client.async.commit.buffer.limit)。
- 通用优化:
- Seata Server集群化部署。
- 使用Redis存储模式(比DB快)。
- 缩小事务范围(只包裹必要的操作)。
- 读写分离(Undo Log使用从库读)。
- 面试要点:Seata性能优化的核心是"缩小事务范围"。
Seata的生产踩坑?
★★★★☆
- 全局锁超时:高并发下全局锁竞争激烈,导致大量超时回滚。
- 解决:缩短事务范围、增加重试次数、使用TCC模式。
- Undo Log表膨胀:大量Undo Log未及时清理。
- 解决:配置定期清理策略。
- Seata Server单点:Server宕机导致全局事务无法提交。
- 解决:集群部署 + 数据库存储。
- 数据库连接泄漏:长时间持有数据库连接。
- 解决:合理设置超时时间。
- 面试要点:能说出Seata生产环境的常见问题。
三、消息队列事务(23-32)
RocketMQ事务消息?
★★★★★
- RocketMQ原生支持事务消息(半消息机制)。
- 流程:
1. Producer发送半消息(Half Message)到Broker。
2. Broker存储半消息(对Consumer不可见)。
3. 执行本地事务。
4. 根据本地事务结果,提交或回滚半消息。
5. 如果提交,Consumer可以消费;如果回滚,消息被删除。
6. 如果长时间未收到确认,Broker回查本地事务状态。
TransactionMQProducer producer = new TransactionMQProducer("group");
producer.setTransactionListener(new TransactionListener() {
public LocalTransactionState executeLocalTransaction(Message msg, Object arg) {
// 执行本地事务
return LocalTransactionState.COMMIT_MESSAGE;
}
public LocalTransactionState checkLocalTransaction(MessageExt msg) {
// 回查本地事务状态
return LocalTransactionState.COMMIT_MESSAGE;
}
});
- 面试要点:RocketMQ事务消息 = 半消息 + 本地事务 + 回查机制。
Kafka的事务支持?
★★★★☆
- Kafka支持Exactly-Once语义的事务。
- 场景:Consume-Transform-Produce的精准一次处理。
- API:
KafkaProducer producer = new KafkaProducer(props);
producer.initTransactions();
producer.beginTransaction();
producer.send(record1);
producer.send(record2);
producer.commitTransaction();
- 限制:只能保证Kafka内部的事务(不能跨外部数据库)。
- 与RocketMQ对比:Kafka事务是"内部事务",RocketMQ事务消息是"跨系统事务"。
- 面试要点:理解Kafka事务和RocketMQ事务消息的区别。
最大努力通知方案?
★★★★☆
- 最大努力通知 = 发送方尽最大努力通知接收方,接收方不一定成功。
- 流程:
1. 发送方执行本地事务。
2. 发送方通过MQ通知接收方。
3. 接收方处理通知。
4. 如果接收方未确认,发送方按策略重试(1次/5次/10次)。
5. 超过重试次数,放弃通知(需要人工处理)。
- 适用场景:支付结果通知、物流状态通知。
- 与可靠消息对比:最大努力通知不保证一定成功,适合对一致性要求不高的场景。
- 面试要点:最大努力通知是"最弱"的一致性保证。
可靠消息最终一致性?
★★★★★
- 基于MQ的最终一致性方案。
- 核心保证:消息一定会被消费(至少一次)。
- 实现要素:
1. 消息发送可靠性:本地消息表 or 事务消息。
2. 消息存储可靠性:MQ持久化。
3. 消息消费可靠性:手动ACK + 重试 + 死信队列。
1. 发送方:本地事务 + 发送消息(原子操作)。
2. MQ存储消息(持久化)。
3. 消费方消费消息,执行操作。
4. 消费方ACK确认。
5. 失败重试 → 死信队列 → 人工处理。
消息幂等性保证?
★★★★★
- 问题:消息重试可能导致重复消费(重复扣款、重复发货)。
- 解决方案:
- 数据库唯一约束:利用唯一键防止重复插入。
- 状态机:订单状态只能单向流转(待支付→已支付→已发货)。
- Redis去重:
SETNX message_id 1,消费前检查。
- 业务幂等表:记录已处理的消息ID。
- 乐观锁:
UPDATE account SET balance = balance - 100, version = version + 1 WHERE id = 1 AND version = ?。
- 最佳实践:每个消息携带唯一ID(Message Key),消费前检查是否已处理。
- 面试要点:幂等性是分布式系统的基本要求——能说出3种以上方案。
消息消费的顺序性?
★★★★☆
- 问题:多Consumer并行消费时,消息可能乱序。
- 解决方案:
- 分区顺序:同一Key的消息发到同一个Partition/Queue,单线程消费。
- 全局顺序:只有一个Partition/Queue(牺牲并发度)。
- Kafka:通过Partition Key保证分区顺序。
- RocketMQ:通过MessageQueueSelector指定队列。
- RabbitMQ:单Queue + 单Consumer。
- 权衡:顺序性 vs 吞吐量——分区顺序是最佳平衡。
- 面试要点:分区顺序是最实用的顺序性保证方案。
消息积压处理?
★★★★☆
- 问题:消费速度 < 生产速度,消息大量堆积。
- 排查:
1. 消费者是否有异常(日志错误)。
2. 消费逻辑是否过慢(DB慢查询)。
3. 消费者实例数是否足够。
1. 紧急扩容消费者实例。
2. 临时转发到新Topic + 更多消费者。
3. 跳过非关键消息(记录日志后ACK)。
4. 批量消费(减少单条处理开销)。
- 预防:
- 监控消费延迟(Consumer Lag)。
- 设置合理的告警阈值。
- 压测评估消费能力。
- 面试要点:消息积压是生产环境的常见故障。
死信队列(DLQ)?
★★★★☆
- 死信队列:消费重试多次仍然失败的消息被发送到DLQ。
- 处理方式:
- 人工检查和处理。
- 定时任务重新消费。
- 告警通知运维人员。
- Kafka:没有内置DLQ,需要自定义(发送到
<topic>.DLQ)。
- RocketMQ:内置
%DLQ%<group>死信Topic。
- RabbitMQ:内置死信交换器(DLX)。
- 面试要点:DLQ是消息消费的"安全网"——不能丢消息。
分布式事务的隔离性问题?
★★★★☆
- 分布式事务的隔离性比单机事务弱。
- 脏读问题:Saga模式下,T1已提交但T2失败回滚,其他事务可能读到T1的数据(随后被回滚)。
- 解决方案:
- 语义锁(Semantic Lock):在业务数据中添加
status字段标记"处理中"。
- 交换式(Commutative):操作可交换顺序(如
+100和-50)。
- 悲观视图(Pessimistic View):读操作走补偿逻辑。
- 版本控制:乐观锁检查数据版本。
- Seata AT模式:通过全局锁实现写隔离,通过
SELECT FOR UPDATE实现读隔离。
- 面试要点:分布式事务的隔离性是一个复杂话题——理解脏读和解决方案。
分布式事务的监控与告警?
★★★☆☆
- 监控指标:
- 全局事务成功率。
- 全局事务平均耗时。
- 分支事务失败率。
- 全局锁等待时间。
- 回滚次数。
- Seata监控:
- Seata Console:内置监控面板。
- Prometheus + Grafana:导出Metrics。
- 日志分析:全局事务日志。
- 告警:
- 全局事务成功率 < 99%。
- 全局事务耗时 > 10s。
- 回滚次数突增。
- 面试要点:分布式事务也需要可观测性。
四、其他分布式事务方案(33-40)
Axon Framework?
★★★☆☆
- Axon是Java的CQRS + Event Sourcing框架。
- 事务模型:基于Event Sourcing,每个操作生成事件。
- Saga支持:Axon内置Saga编排(Annotation驱动)。
- 优势:Event Sourcing天然支持补偿(反向事件)。
- 适用场景:复杂业务流程、需要审计日志的系统。
- 面试要点:了解Event Sourcing在分布式事务中的应用。
Long Running Transaction(LRA)?
★★★☆☆
- MicroProfile LRA:Eclipse规范的微服务长事务协议。
- 类似Saga模式,但通过REST API协调。
- 流程:Start LRA → Join → Complete/Compensate。
- 实现:Narayana(Red Hat)。
- 适用场景:MicroProfile生态(Quarkus、Payara)。
- 面试要点:了解MicroProfile LRA规范即可。
分布式事务的反模式?
★★★★☆
- 反模式1:过度使用分布式事务——不是所有操作都需要强一致性。
- 反模式2:事务范围过大——HTTP调用、文件IO不应该在事务内。
- 反模式3:忽略幂等性——重试导致重复操作。
- 反模式4:不处理补偿失败——Cancel操作自身也可能失败。
- 反模式5:同步等待所有参与者——应该异步协调。
- 解决:分析业务场景,选择合适的一致性级别。
- 面试要点:能识别分布式事务的反模式。
分布式事务的性能对比?
★★★★☆
1. 本地消息表/可靠消息:异步,不阻塞。
2. Saga:无锁,异步补偿。
3. TCC:短时间锁定资源。
4. AT(Seata):全局锁,性能较好。
5. XA:数据库级锁,性能最差。
- 吞吐量影响:
- XA模式吞吐量下降约30-50%。
- AT模式吞吐量下降约10-20%。
- TCC模式吞吐量下降约5-10%。
- 消息方案吞吐量下降约2-5%。
- 面试要点:能对比各方案的性能影响。
跨库查询的问题?
★★★★☆
- 问题:分库分表后,JOIN查询无法跨库执行。
- 解决方案:
- 数据冗余:在需要的库中冗余必要字段。
- 数据同步:通过Canal/Debezium同步数据。
- 汇总表:通过ETL构建汇总宽表。
- API聚合:通过服务间调用聚合数据。
- CQRS:命令和查询分离,查询走读库。
- 面试要点:跨库查询是分库分表后的副作用。
分布式ID生成?
★★★★☆
- 分布式事务中的ID问题:自增ID在分库分表后不再唯一。
- 方案:
- UUID:无序、无业务含义、索引效率差。
- Snowflake(雪花算法):有序、高性能、时间戳+机器ID+序列号。
- 号段模式(Leaf-Segment):从DB批量获取ID段,本地分配。
- Redis INCR:简单但依赖Redis。
- 数据库号段+双Buffer:美团Leaf方案。
- Seata中的ID:Seata使用UUID作为全局事务XID。
- 面试要点:雪花算法是最常用的分布式ID方案。
分布式事务与分库分表?
★★★★☆
- 分库分表放大了分布式事务的需求。
- ShardingSphere集成Seata:
- 支持跨分片的事务管理。
- AT模式 + ShardingSphere = 自动化的跨分片事务。
- 挑战:
- 分片键路由:不同分片的数据在不同数据库。
- 跨片JOIN:需要内存聚合。
- 全局排序:需要归并排序。
- 面试要点:分库分表 + 分布式事务是高并发系统的两大难题。
分布式事务的测试策略?
★★★★☆
- 单元测试:测试Try/Confirm/Cancel方法的正确性。
- 集成测试:
- 使用Testcontainers启动Seata Server + MySQL。
- 测试正常流程和异常流程。
- 混沌测试:
- 模拟网络超时。
- 模拟参与者宕机。
- 模拟协调者宕机。
- 一致性验证:
- 验证全局事务提交后所有分支数据一致。
- 验证全局事务回滚后所有分支数据恢复。
- 面试要点:分布式事务测试需要覆盖异常场景。
五、面试综合设计题(41-50)
设计一个电商下单的分布式事务方案?
★★★★★
- 业务:用户下单 → 扣库存 → 扣余额 → 创建订单 → 发送通知。
- 方案一(Seata AT模式):
- 订单服务:@GlobalTransactional开启全局事务。
- 库存服务:分支事务扣减库存。
- 账户服务:分支事务扣减余额。
- 优势:代码侵入最小。
- 劣势:全局锁影响并发。
- 方案二(TCC模式):
- Try:冻结库存 + 冻结余额。
- Confirm:确认扣减。
- Cancel:解冻。
- 优势:性能最好。
- 劣势:代码复杂度高。
- 方案三(消息最终一致性):
- 订单服务创建订单 + 发送消息。
- 库存/账户服务消费消息。
- 优势:吞吐量最高。
- 劣势:最终一致性(有延迟)。
- 面试要点:能对比三种方案并给出选型建议。
分布式事务的降级策略?
★★★★☆
- 降级场景:Seata Server不可用、网络故障。
- 降级策略:
1. 自动降级:检测到Seata不可用时,回退到本地消息表方案。
2. 手动补偿:记录失败的全局事务,由定时任务补偿。
3. 人工介入:运维通过日志手动补偿。
seata:
client:
tm:
degrade-check: true
degrade-check-period: 2000
degrade-check-allow-times: 10
分布式事务的回滚失败处理?
★★★★☆
- 回滚失败原因:
- 补偿操作本身出错(数据库连接失败)。
- 数据已被其他事务修改(脏写)。
- 网络超时。
- 处理策略:
1. 重试:自动重试补偿操作(幂等)。
2. 人工介入:发送告警,运维手动补偿。
3. 定时任务:扫描未完成的全局事务,尝试补偿。
- Seata处理:Seata会持续重试回滚,直到成功或人工介入。
- 面试要点:回滚失败是分布式事务的"最后防线"问题。
设计一个TCC空回滚安全的账户冻结方案?
★★★★★
CREATE TABLE account_freeze (
xid VARCHAR(128) PRIMARY KEY, -- 全局事务ID
user_id VARCHAR(64),
freeze_amount DECIMAL(10,2),
status TINYINT, -- 1=Try已执行 2=Cancel已执行
create_time DATETIME
);
public boolean deduct(String userId, BigDecimal amount, String xid) {
// 防悬挂:检查Cancel是否已执行
if (freezeDao.existsCancel(xid)) return false;
// 冻结金额
accountDao.freeze(userId, amount);
freezeDao.insert(xid, userId, amount, TRY);
return true;
}
public boolean cancel(String xid) {
// 防空回滚:检查Try是否执行
if (freezeDao.getTry(xid) == null) {
freezeDao.insertCancel(xid); // 记录Cancel已执行
return true;
}
// 正常Cancel:解冻
BigDecimal freezeAmount = freezeDao.getAmount(xid);
accountDao.unfreeze(userId, freezeAmount);
return true;
}
Saga编排 vs Saga协同?
★★★★★
- 编排(Orchestration):
- 中央协调器控制整个流程。
- 优点:流程清晰、易于监控、适合复杂流程。
- 缺点:协调器是单点(需要高可用)。
- 工具:Seata Saga、Temporal、Camunda。
- 协同(Choreography):
- 每个服务发布事件,触发下一个服务。
- 优点:无单点、松耦合。
- 缺点:流程不直观、难以监控、循环依赖风险。
- 实现:事件总线 + MQ。
- 选型:
- 简单流程(<5步):协同。
- 复杂流程(>5步、有条件分支):编排。
- 面试要点:能对比两种模式的优缺点。
分布式事务的成本评估?
★★★★☆
- 开发成本:
- AT模式:低(零侵入)。
- TCC模式:高(Try/Confirm/Cancel三个方法)。
- Saga模式:中(定义状态机)。
- 消息方案:中(消息表 + 消费者)。
- 运行成本:
- Seata Server:需要额外部署和维护。
- 性能损耗:全局锁、网络通信、Undo Log。
- 存储成本:Undo Log表、消息表。
- 运维成本:
- Seata Server高可用。
- 事务监控和告警。
- 异常处理和补偿。
- 面试要点:分布式事务是有成本的——不是所有场景都需要。
分布式事务的选型决策树?
★★★★★
- Step 1:是否真的需要分布式事务?
- 能否通过设计避免?(事件驱动、最终一致性)。
- 能否合并到同一个服务?(减少分布式事务需求)。
- Step 2:一致性级别?
- 强一致性 → TCC/AT/XA。
- 最终一致性 → Saga/消息。
- Step 3:事务时长?
- 短事务(<10s)→ AT/TCC。
- 长事务(>10s)→ Saga。
- Step 4:是否可以修改参与方?
- 可以 → AT/TCC。
- 不可以 → Saga。
- Step 5:性能要求?
- 高并发 → TCC/消息。
- 中低并发 → AT。
- 面试要点:选型决策树能快速回答"用哪个方案"。
如何避免分布式事务?
★★★★★
- 最佳的分布式事务方案是"不需要分布式事务"。
- 设计策略:
1. 合并服务:将强相关的操作合并到同一个服务+数据库。
2. 事件驱动:用异步事件替代同步调用。
3. CQRS:命令和查询分离,写入走主库,查询走ES/读库。
4. Event Sourcing:通过事件重建状态,天然支持补偿。
5. 幂等设计:每个操作可安全重试。
- 示例:
- 原来:下单 → 同步扣库存 → 同步扣余额(需要分布式事务)。
- 优化:下单(本地事务)→ 发送事件 → 异步扣库存/余额(最终一致性)。
- 面试要点:"避免分布式事务"是架构设计的最高境界。
分布式事务在新零售场景中的应用?
★★★★☆
- 场景:线上下单 → 线下发货 → 确认收货。
- 方案:
- 下单:本地事务(订单库)+ 消息(扣库存)。
- 发货:TCC模式(冻结快递单号 → 确认发货)。
- 收货:Saga模式(确认收货 → 结算分润 → 完成积分)。
- 异常处理:
- 超时未支付:定时任务取消订单 + 释放库存。
- 发货失败:自动重试 + 人工介入。
- 退货退款:反向Saga(退款 → 回收库存 → 关闭订单)。
- 面试要点:不同阶段选择不同的事务模式。
面试设计题:设计一个跨境支付系统的事务方案?
★★★★★
- 场景:用户用人民币支付 → 换汇 → 支付美元给商家。
- 挑战:
- 多个外部系统(银行、汇率服务、商家账户)。
- 长事务(银行处理可能需要秒级甚至分钟级)。
- 不可撤销(银行转账成功后不能回滚)。
- 方案设计:
1. Saga编排模式(长事务 + 外部系统不可控)。
2. 步骤:冻结人民币 → 获取汇率 → 换汇 → 汇出美元 → 确认完成。
3. 补偿:解冻人民币 ← 汇率过期 ← 换汇回滚 ← 银行退款。
4. 幂等:每步操作携带唯一交易ID。
5. 人工补偿:银行不可逆操作走人工流程。
- 监控:每步状态实时上报,超时告警。
- 面试答题模板:分析挑战 → 选择方案 → 定义步骤 → 设计补偿 → 监控告警。