订单履约系统中的分布式事务:为什么我们最终选了 Saga
下单是个典型的长事务:扣库存、锁优惠、创建订单、发起支付,四个服务、五种资源,任何一个环节失败都要保证整体一致。
我们最初用的是 TCC,跑了一年之后问题逐渐暴露,最终迁移到 Saga。这篇文章讲清楚为什么,以及迁移过程中踩的坑。
一、先看不变量
在讨论方案之前,必须先把「什么不能被破坏」写下来。我们的不变量有三条:
- 库存不能被超卖,且任何失败路径都必须归还;
- 优惠券一旦核销,必须与订单强绑定,不允许出现”券已用、单不在”;
- 用户侧看到的订单状态,只能是有限状态机里的合法状态。
注意第一条的措辞是”归还”而不是”不扣”。在长事务里,允许中间态存在是 Saga 的前提——这与 TCC 的思维完全不同。
二、四种方案的真实对比
| 方案 | 一致性 | 隔离性 | 侵入性 | 运维复杂度 | 适用场景 |
|---|---|---|---|---|---|
| 2PC/XA | 强 | 强 | 低 | 中 | 同库多数据源、短事务 |
| TCC | 最终 | 靠业务 | 高 | 高 | 资源预留语义清晰 |
| Saga | 最终 | 无 | 中 | 中 | 长流程、跨服务 |
| 本地消息表 | 最终 | 无 | 低 | 低 | 单向通知、可重试 |
TCC 的问题不在理论,在实现:每个参与方都要写 try/confirm/cancel 三个接口,且 cancel 必须幂等、必须处理”try 未成功但 cancel 到达”的情况。我们统计过,四个服务一共实现了 11 组 TCC 接口,其中 6 组在半年内因 cancel 逻辑不严谨出过问题。
更致命的是空回滚与悬挂。举一个真实事故:库存服务的 try 因超时被网关重试两次,第二次 try 覆盖了第一次的预留记录;随后第一次的 cancel 到达,释放了第二次的预留,导致库存虚增 37 件。这类问题在 TCC 里几乎是必然的,只能靠全局事务 ID + 状态位硬扛。
三、Saga 的落地
Saga 把长事务拆成一串本地事务,每个正向操作配一个补偿操作:
创建订单 → 扣减库存 → 核销优惠 → 发起支付
↓补偿 ↓补偿 ↓补偿
关闭订单 ← 归还库存 ← 恢复优惠
关键设计点:
1. 状态机显式化
订单状态从 8 个精简到 5 个,且每个状态只能通过定义好的事件迁移:
const transitions = {
CREATED: ['RESERVED', 'CANCELLED'],
RESERVED: ['PAID', 'CANCELLED'],
PAID: ['FULFILLED', 'REFUNDING'],
CANCELLED: [],
} as const;
function transition(order: Order, next: OrderStatus) {
if (!transitions[order.status]?.includes(next)) {
throw new IllegalTransition(order.status, next);
}
// 乐观锁:version 不匹配则重试
return repo.update(order.id, { status: next, version: order.version + 1 });
}
状态机是 Saga 的安全网。只要迁移函数是唯一入口,就不可能出现”已取消的订单又被扣款”。
2. 补偿必须幂等
每个补偿操作带 saga_id 做去重,写入独立的补偿流水表,主键冲突即视为已执行。
3. 补偿失败要有兜底
补偿也会失败。我们的策略是三级:
- 自动重试 3 次(指数退避,最长 30 分钟);
- 进入「补偿中」队列,由后台任务持续尝试,超过 2 小时转人工;
- 每日全量对账,比对订单、库存、优惠三张表的资金与数量平衡。
对账是最后一道防线,也是最有效的一道。上线以来对账共发现 23 笔不一致,其中 19 笔是补偿队列积压,4 笔是并发导致的库存记录漂移。
四、迁移过程
不能一刀切。我们按「读旧写新」过渡了六周:
- 新链路写 Saga 状态,同时兼容旧 TCC 表;
- 双写期间用影子对账比对两条链路结果;
- 差异率连续 7 天低于 0.01% 后切流;
- 旧 TCC 接口保留三个月只读。
双写期间发现的最大问题是时间语义不一致:TCC 的 confirm 是同步的,Saga 的补偿是异步的,对账逻辑必须按业务时间而非提交时间对齐。
五、结果
| 指标 | TCC 时期 | Saga 时期 |
|---|---|---|
| 下单成功率 | 98.2% | 99.6% |
| 数据不一致(月均) | 11 笔 | 1.8 笔 |
| 新增一个参与方的改造量 | 3 个接口 | 1 正向 + 1 补偿 |
| 长尾延迟 P99 | 3.4s | 1.2s |
六、结论
选型没有普适答案,但有几条判断可以复用:
- 需要资源预留语义(比如库存必须锁定一段时间),TCC 更合适;
- 流程长、参与方多、允许中间态,Saga 更合适;
- 单向通知、可接受延迟,本地消息表最省事;
- 无论选哪种,对账不能省。它不优雅,但它是唯一能兜住所有未知问题的手段。
分布式事务的本质不是让失败不发生,而是让失败可收敛。