一、前情提示

這篇文章，咱們繼續來聊聊之前的億級流量架構的演進。老規矩！我們首先看一下這個復雜的系統架構演進到當前階段，整體的架構圖是什么樣子的。

筆者再次友情提醒，如果各位小伙伴對下面這個復雜的架構圖還有什么不理解的地方，一定要先回看之前的文章，因為系列文必須對上下文有清晰的理解和認識。

接著文本我們來聊聊一個核心系統每天承載百億流量的背景下，應該如何來保證復雜系統中的數據一致性？

二、什么是數據一致性？

簡單來說，在一個復雜的系統中一定會對一些數據做出非常復雜的處理，而且可能是多個不同的子系統，甚至是多個服務。

對一個數據按照一定的順序依次做出復雜的業務邏輯的執行，最終可能就會生產出一份寶貴的系統核心數據，落地到存儲里去，比如說在數據庫里存儲。

給大家來一張手繪彩圖，感受下這個現場的氛圍：

從上圖中我們就可以看到，多個系統如何對一個數據依次進行處理，最終拿到一份核心數據，并落地到存儲里去。

那么在這個過程中，就可能會產生所謂的數據不一致的問題。

什么意思呢？給大家舉一個最簡單的例子，我們本來期望數據的變化過程是：數據1 -> 數據2 -> 數據3 -> 數據4。

那么最后落地到數據庫里的應該是數據4，對不對？

結果呢？不知道為啥，經過上面那個復雜的分布式系統中的各個子系統，或者是各個服務的協作處理，最后居然搞出來一個數據87。

搞了半天，搞了一個跟數據4風馬牛不相及的一個東西，最后落地到了數據庫里。

然后啊，這套系統的最終用戶，可能通過前臺的界面看到了一個莫名其妙的數據87。

這就尷尬了，用戶明顯會覺得這個數據有錯誤，就會反饋給公司的客服，此時就會上報bug到工程師團隊，大家就開始吭哧吭哧的找問題。

上面說的這個場景，其實就是一種數據不一致的問題，也是我們接下來幾篇文章要討論的一個問題。

實際上，在任何一個大規模分布式系統里，都會存在類似的問題。無論是電商，O2O，還是本文舉例的數據平臺系統，都一樣。

三、一個數據計算鏈路的梳理

那么既然已經明確了問題，接下來就來看看在數據平臺這個系統里，到底是什么問題可能會導致一個最終落地存儲的數據的異常呢？

要明白這個問題，咱們先回過頭看看，在之前提過的數據平臺這個項目里，一個最終落地的數據的計算鏈路是什么樣的？

大家看看下面的圖：

如上圖所示，其實從最簡單的一個角度來說，這個數據計算的鏈路大概也就是上面的那個樣子。

• 首先，通過MySQL binlog采集中間件獲取到數據，轉發給數據接入層。
• 然后，數據接入層會把原始數據落地到kv存儲里去
• 接著，是實時計算平臺會從kv存儲里提取數據進行計算
• 最后，會將計算結果寫入到數據庫+緩存的集群里。數據查詢平臺會從數據庫 + 緩存的集群里提取數據，提供用戶來進行查詢

看起來很簡單，對吧？

但是哪怕是這個系統里，數據計算鏈路，也絕對不是這么簡單的。

如果大家看過之前的系列文章的話，就應該知道，這個系統為了支撐高并發、高可用、高性能等場景，引入了大量的復雜機制。

所以實際上一條原始數據進入到系統，一直到最后落地到存儲里，計算鏈路還會包含下面的東西：

• 接入層的限流處理
• 實時計算層的失敗重試
• 實時計算層的本地內存存儲的降級機制
• 數據分片的聚合與計算，單條數據在這里可能會進入一個數據分片里
• 數據查詢層的多級緩存機制

上面只不過是隨便列舉了幾條。然而哪怕只是上述幾條，都可以把一個數據的計算鏈路變得復雜很多倍了。

四、數據計算鏈路的bug

既然大家已經明白了，在一個復雜系統里，一份核心數據可能是經過一個極為復雜的計算鏈路的處理，中間百轉千回，任何可能的情況都會發生。

那么就可以理解在大型分布式系統中，數據不一致的問題是如何產生的了。

其實原因非常的簡單，說白了，就是數據計算鏈路的bug。

也就是說，在數據的計算過程中，某個子系統出現了bug，并沒有按照我們預期的行為去處理，導致最終產出去的數據變得錯誤了。

那么，為什么會在數據計算鏈路中出現這種bug呢？

原因很簡單，如果大家曾經參與過上百人協作的大型分布式系統，或者是主導過上百人協作開發的大型分布式系統的架構設計，應該對核心數據的異常和錯誤非常熟悉，并且會感到頭疼不已。

大規模分布式系統中，動輒上百人協作開發。很可能某個子系統或者是某個服務的負責人，對數據的處理邏輯理解偏差了，代碼里寫了一個隱藏的bug。

而這個bug，輕易不會觸發，并且在QA測試環境還沒測出來，結果帶著一顆定時炸彈，系統上線。

最后在線上某種特殊的場景下，觸發了這個bug，導致最終的數據出現問題。

五、電商庫存數據的不一致問題

接觸過電商的同學，可能此時腦子里就可以快速的想到一個類似的經典場景：電商中的庫存。

在大規模的電商系統中，庫存數據絕對是核心中的核心。但是實際上，在一個分布式系統中，很多系統可能都會采用一定的邏輯來更新庫存。

這就可能導致跟上述說的場景類似的問題，就是多個系統都更新庫存，但就是某個系統對庫存的更新出現了bug。

這可能是因為那個系統的負責人沒理解到底應該如何更新庫存，也或者是他更新的時候采用的邏輯，沒有考慮到一些特殊情況。

這樣導致的結果就是，系統里的庫存和倉庫中實際的庫存，死活對不上。但就是不知道到底哪個環節出了問題，導致庫存數據出錯。

這個，其實就是一個典型的數據不一致的問題。

六、大型系統的數據不一致排查有多困難

當面對一個大型分布式系統時，如果你之前壓根兒沒考慮過數據不一致的問題，那么我敢打賭，當你負責的系統在線上被客服反饋有某個核心數據不一致的時候，你絕對會一臉蒙圈。

因為一個核心數據的處理，少則涉及幾個系統的協作處理，多則涉及十個以上的系統的協作處理。

如果你沒有留存任何日志、或者僅僅就是有部分日志，然后基本就只能所有人干瞪眼，大家大眼對小眼，都盯著自己的代碼看。

大家根據一個數據最后的錯誤結果，比如數據87。10多個人對著自己的代碼，反復的思考，冥思苦想。

然后每個人都在大腦中瘋狂的模擬自己代碼的運行，但是就是想不明白，為什么本來應該是數據4的，結果出來了一個數據87？

所以現實問題就是這樣，這種數據不一致的問題，大概有以下幾個痛點：

自己基本無法主動提前感知到數據問題，要被動等待用戶發現，反饋給客服，這很可能導致你的產品被大量投訴，老板很生氣，后果很嚴重。

即使客服告訴了你數據錯了，但是你們沒法還原現場，沒有留存證據，基本就是一群工程師對著代碼想象，猜測。

即使你解決了一次數據不一致的問題，但是以后也許還有下一次，這樣搞下去，會導致團隊里好幾個能干的小伙兒時間都搭在這種破事兒上。