前言

这篇文章对我目前理解的分布式系统做一个介绍，包括什么是分布式系统，引入分布式系统带来的数据一致性问题。

什么是分布式系统

我们先说说什么是分布式系统，我目前对分布式系统的理解其实很粗俗。

随着互联网业务的发展，传统的、部署在单机上的单体架构已经无法承受用户的高并发请求的访问，因为一台计算机的内存、CPU 资源是有上限的，当压榨一台机器达到瓶颈时，我们就不得不想其他的办法来提升整个系统的可支配的资源上限。

一个显而易见的方式就是堆机器，我们将原来系统中的业务模块做拆分，拆分成一个个更小的业务模型，比如结算域、订单域、交易域等，然后将这些更小的业务域部署到不同的机器上，更进一步的，我们还可以在多台机器上部署相同的服务，做成集群，整体通过负载均衡对外提供服务。

这样机器一多，那么整个系统能够支配的 CPU、内存、存储资源也会更多，就能应对更高的并发和流量。

数据一致性问题

虽然通过增加机器解决了整个系统的资源瓶颈，但是也带来了一些额外的问题。

首当其冲的就是节点之间如何进行通信，同一个节点上进程间的通信（IPC）可以基于消息队列、共享内存、管道等来实现，但是对于跨节点进程通信，就不得不使用 Socket 网络通信。

但网络总是不可靠的，它会带来接口调用的第三种结果，超时，这种不知道实际成功还是失败的结果又会引发一些其他的问题，比如数据一致性问题。

以电商交易场景为例，用户支付订单这一核心操作的同时会涉及到下游物流发货、积分变更、购物车状态清空等多个子系统的变更。

假设支付订单之后远程调用下游物流发货超时，那我们支付订单这个事务是要提交还是回滚呢？如果支付回滚，但实际上物流发货成功，这出现了数据不一致的问题，如果支付提交，但实际上物流发货失败，这还是出现了数据不一致性的问题。

所以正是由于网络调用超时的出现，我们不确定下游系统的状态，从而导致了数据不一致的问题。

实际上，这种数据不一致更多的体现在事务不一致，这其中掺杂着分布式事务的解决方案，除此之外，还有一种副本一致性。

更多数据一致性的内容，你可以参考：CAP 和一致性理论

后记

后面不断成长，应该会有一些更深刻的体会，不断更新。