《数据密集型应用系统设计》第 9 章读了两遍,还是想记一下

读书分布式一致性

这本书我断断续续读了大半年,第 9 章「一致性与共识」读了两遍。第一遍读完感觉懂了,第二遍才发现第一遍很多地方其实是在自我欺骗。

这章最难的不是术语,而是它把「一致性」拆成了几个互不相关的维度,而日常讨论里大家把它们混在一起用。记一下我理解的框架。

线性一致性:站在单个对象的视角

线性一致性(linearizability)说的是:整个系统看起来就像一个单副本,所有操作按真实时间排序,且每个操作在其开始和结束之间生效。

关键点在于它只关心单个对象。一个 key 的读写是不是线性的,跟另一个 key 完全无关。

实现线性一致性的代价是:任何写入必须等多数派确认才能返回。这就是 Raft、Zab 这类协议在做的事。etcd、Consul、ZooKeeper 都是线性的(ZooKeeper 严格说是顺序一致性,读可能读到旧值,除非加 sync)。

为什么不线性一致有时候也能接受?因为线性一致性需要跨机房的往返。一个跨三个机房的写操作,至少要多等一个 RTT。要么接受延迟,要么接受读到旧值。

可串行化:站在多对象事务的视角

可串行化(serializability)是完全另一个维度的问题。它说的是:多个事务并发执行的结果,等价于它们按某个顺序串行执行。

注意它不涉及时间,也不涉及副本。哪怕只有一个节点、一个副本,只要有多事务并发,就存在可串行性的问题。

常见实现:

  • 两阶段加锁(2PL)——MySQL 的 SERIALIZABLE 隔离级别,悲观。
  • 可串行化快照隔离(SSI)——PostgreSQL 的 SERIALIZABLE,乐观,冲突时回滚。
  • 单线程执行——Redis 就是这样的,命令是串行执行的,所以天然满足可串行化(但不满足线性一致性,因为主从异步复制会读到旧数据)。

书里有一句话我印象很深:「可串行化不等于线性一致,两者的组合叫严格可串行化(strict serializability)」。 严格可串行化才是大多数人心里想的那个「强一致」,而它是最贵的一种。

因果一致性:最实用但最少被提及

因果一致性(causal consistency)是这三个里门槛最低的。它只要求:如果操作 B 知道操作 A,那么所有节点看到 A 的时间都不能晚于 B。

反过来说,没有因果关系的两个操作,不同节点看到的顺序可以不一样。

这个性质在真实系统里非常有用。举个例子:用户发了一条朋友圈,然后自己评论了一句。其他用户可能先看到评论再看到朋友圈吗?如果系统只保证最终一致,是的,这就会发生,看起来非常怪。但如果保证因果一致,就不会。

实现因果一致性的经典手段是版本向量,以及「读到自己的写」这种会话级的保证。

作者在书里反复强调一个观点,我觉得是这一章的核心:很多系统声称的「一致性」,实际是「读己之写 + 单调读 + 一致前缀读」这三条会话保证的组合,而不是线性一致性。 这三条对用户来说已经够用了,而且便宜得多。

我现在会怎么选

把这三条维度做成一个粗略的决策表:

场景需要的保证典型做法
分布式锁、选主、配置中心线性一致性Raft / etcd / ZooKeeper
转账、库存扣减可串行化(严格点要严格可串行化)单库事务 + 2PL/SSI,或全局单点
聊天记录、评论列表、协同编辑因果一致性版本向量、CRDT、session token
点赞数、浏览量、推荐流最终一致性异步复制 + 冲突合并
用户改完资料立刻看自己的资料读己之写读主库,或会话粘到主

最后一行的经典做法是「写后一段时间内读主库」。虽然丑,但真的省事,而且用户根本感知不到。

有点被戳到的地方

作者有一句话大意是:很多人把「分布式事务」当成目标,而它其实是成本。 能用单机事务解决的,就不要引入分布式事务;实在要跨库,优先考虑把业务拆开而不是上个 Saga。

还有一处:他说 CAP 理论被过度使用了。「网络分区时在一致性可用性之间二选一」这个描述太粗糙,因为分区不是二元的,而是有概率的、有持续时间的,真实系统的选择是连续的。我读到这里有点后悔之前面试时背过的一些答案。

关于这本书

它不太像教科书,更像一个有经验的人在给你讲他见过的系统。好处是很多地方会告诉你「这个方案在实践中会怎么出问题」,坏处是有些关键推导被省略了,需要自己补。

第 5 章关于复制、第 9 章这一章、还有第 12 章关于流处理的部分,是我认为最值的三章。如果时间有限,建议先看这三章。