最近幾周，發(fā)生過多起因為事務問題引起的服務報錯。現(xiàn)象為數(shù)據(jù)庫連接池連接占滿，數(shù)據(jù)庫連接長時間等待，最終導致請求線程hang住，服務大面積報錯。這個時候，服務資源、數(shù)據(jù)庫資源大量空閑，但就是進行不下去，影響是比較惡劣的。

[[321600]]

誰來背鍋?當然是架構師。因為這次所有的服務都活著，沒運維什么事。

面試時，大家可能都會碰到關于事務相關的問題，升級版的可能是分布式事務的問題。在互聯(lián)網(wǎng)行業(yè)中，一句馬馬虎虎的補償事務就能蒙混過關，畢竟都是些短小精悍的接口。

但在很多企業(yè)級應用中，這行不通。我們必須直面慘淡的現(xiàn)實。

為什么要用長事務?

在許多業(yè)務非常復雜的后臺系統(tǒng)，經(jīng)常頻繁操作DB，為了保證數(shù)據(jù)的一致性，能夠在出錯時回滾數(shù)據(jù)，通常會使用事務。

就拿最簡單的單機數(shù)據(jù)庫事務來說。

在事務操作期間，如果持續(xù)時間過長，只有等事務結束之后，DB連接才會釋放，此類長時間占用DB連接的事務操作，稱為長事務。一旦外部有大量請求，并發(fā)調(diào)用此操作，那么將會有大量的DB連接被持有而沒有被釋放掉，直到連接池爆滿。

這個時候，如果有其他請求到來，那十有八九是以失敗告終。

也就是說，連接資源被少數(shù)長事務操作占用。在這種情況下，即使是最簡單接口查詢，都不能夠正常進行。

幾粒老鼠屎，壞了一鍋粥。

一些魔幻的反應

當你去排查這種問題的時候，可能會陷入僵局。jstack顯示，多數(shù)請求其實是阻塞在tomcat的線程池上，而且是一些訪問速度非常快的請求被阻塞。

比如，tomcat的200個線程，有180個阻塞在耗時不到1ms的/status接口上。

很多人就一臉懵逼。經(jīng)驗失靈。

jstack此時的輸出結果，欺騙了我們。真正造成阻塞的，是那額外的20多個線程。

有哪些改善?

保證事務的短小是一個基本要求，包括但不限于：

應控制慢查詢的調(diào)用頻率，盡量減少慢查詢。很多情況下，這條規(guī)則是自欺欺人的，需要業(yè)務做一些妥協(xié)。

事務內(nèi)不應包含任何RPC調(diào)用，減少事務的粒度。通常，一些RPC調(diào)用，包括其他非事務資源的調(diào)用，耗時非常不可控。如果把它們也納入事務的范圍之內(nèi)，勢必會加劇資源的占用。事務內(nèi)不應包含其他容易超時或者長時間阻塞的服務，如HTTP調(diào)用、IO操作。

次優(yōu)先級服務如消息隊列，不應該放在事務內(nèi)，避免因為消息隊列不可用引起的服務不可用。給類似消息隊列的組件，設置一個合理的超時時間的非常有必要的，否則它就會一直等在那里。但即使是這樣，也盡量不要把它們納入到事務操作之內(nèi)。

跨庫、跨類型(如Redis)，不應該放在同一事務中，可避免交叉影響。

你可以看到上面的這些描述，有些和我們所追求的數(shù)據(jù)一致性是相悖的。這不奇怪，依然是CAP原理的權衡。有些業(yè)務選擇的是寧可卡死不再響應，也不能進入異常數(shù)據(jù);有些則首先讓業(yè)務運行下去，臟數(shù)據(jù)會通過補償事務進行修正。

一切看你的選擇。

設計總有人背鍋，補償總有人做出犧牲。

解決方式

那么如何來快速解決大事務造成的服務不可用問題呢?

除了擴容，其實是無解。重啟大法也不見得好用。因為被阻斷的請求，會以更兇猛的態(tài)勢再次來襲。

你可能會想到調(diào)大連接池的大小。但在實踐中得知，也不好用，大事務請求會迅速將連接池占滿。

但我們可以提前進行防御。

以Spring為例，事務的使用方式大多數(shù)是使用@Transactional注解來控制的，或者是聲明式事務方式。我建議以以下方式進行預防和發(fā)現(xiàn)：

1) 重新掃描或者Review業(yè)務代碼，排查事務中是否有以上提到的各種情況。然后將除DB操作外的其他操作移動到事務之外。

2) 每個事務操作都給予足夠重視，對于執(zhí)行復雜度和時間復雜度不確定的事務，添加超時報警，及時發(fā)現(xiàn)引起的原因。

同時，還需要加強監(jiān)控，輔助進行問題排查。

1) 業(yè)務可以考慮定時將數(shù)據(jù)庫連接池的信息進行打印，通過看日志的方式進行初步排查。

2) 使用jstack查詢執(zhí)行棧，找出阻塞的點。

3) 排查并聯(lián)系下游服務，找出主要原因

xjjdog傾向于使用監(jiān)控快速發(fā)現(xiàn)問題。如圖，通過連接池監(jiān)控，可以看到數(shù)據(jù)庫連接池連接數(shù)長時間保持在高位不釋放，同時等待的線程數(shù)急劇增加。發(fā)生此種現(xiàn)象多數(shù)可以考慮是否是以上原因引起。

發(fā)生問題時，應及時(多次)使用jstack定位到線程的阻塞位置，然后排查下游服務是否有問題，或者是否存在慢查詢。

最好的情況是服務已經(jīng)進行了對代碼的梳理，那么引起的原因大概率只剩下了慢查詢。針對慢查詢，druid數(shù)據(jù)庫連接池，提供了sql的聚合，能夠查看是每一類查詢語句的具體執(zhí)行情況。如圖，短時間內(nèi)SQL請求飆升，最大執(zhí)行時長上升，連接池占滿：

具體是哪一句SQL所引起的，一目了然。

End

長事務問題的危險級別屬于高危型，通常會造成嚴重的后果，可以通過觀察監(jiān)控，防范于未然。

最優(yōu)的解決方式，當然是業(yè)務模型的改進。但這東西第一涉及到開發(fā)成本，第二涉及到跨部門協(xié)作。

出錢的老板，無法聽懂你這些夢話。

在一些公司內(nèi)部，這兩者都是讓人抓狂的事情，還不如痛痛快快背個鍋，來得實在。