建议收藏：分布式事务 容量规划 | 看完就会设计

▌ 技术引导
分布式事务这玩意儿，别以为是理论上的玩意儿，它真能让你在系统崩溃时翻车。我见过太多项目因为没处理好分布式事务，数据不一致、回滚失败、甚至直接挂掉。但你要是用对了工具和策略，它其实能帮你稳住局面。比如用Seata的TCC模式，别瞎搞，得配上本地事务和分支事务的正确配置。还有，别把所有事务都扔到一个中间件，得根据业务逻辑分层，比如订单支付用XA，库存扣减用Saga。真要搞明白了，得从日志、锁机制、补偿机制这些细节入手，别光盯着高大上的框架，得知道它们是咋跑的。再比如，如果用RocketMQ，得盯紧事务消息的确认机制，别让消息堆积或者丢了。别觉得自己是高手，埋头学学别人的踩坑经验，少走弯路。

▌ 技术参考

一 我用Seata搞过一个电商系统的分布式事务，最开始用的是AT模式，结果因为数据库不支持全局锁，导致并发下死锁频繁。后来改用TCC模式，把事务拆分成三个阶段：Try、Confirm、Cancel。Try阶段得做本地事务预扣库存，然后生成一个全局事务ID。Confirm阶段得检查状态，然后执行真正的扣减操作。Cancel阶段得回滚库存，释放锁。别以为TCC能自动处理一切，你得自己写补偿逻辑，而且得确保幂等性，不然系统会反复执行。记得在配置文件里加上seata.enabled=true，seata.tx-mode=AT，别漏了。

二 如果你用的是MySQL，记得在Seata的配置里指定数据源，比如配置file:/path/to/config.txt。别瞎用XA，MySQL的XA支持得看版本，6.7之后才真稳定。如果你用的是TiDB，它对Seata的支持有限，得用TCC或者Saga。别光看文档，查一下TiDB的官方兼容性列表，确保你的事务模式能跑。还要注意，分布式事务会增加系统延迟，尤其在高并发时，得提前评估带宽和网络抖动的影响。

三 我在做容量规划的时候，发现一个核心问题：事务的并行度往往被高估。比如，你有500个并发请求，但每个事务平均涉及3个服务，真实并发数是1500。这时候，如果用Seata的TC服务器，得计算集群节点数。公式是：(并发数 × 事务数) ÷ 每节点处理能力。比如每个节点最多处理100个事务，那么至少需要15个节点。别光看CPU，内存和网络也是瓶颈，尤其是当事务涉及大量数据时，得留够缓存空间，防止GC频繁。另外，TC节点的容量规划得适配业务峰值，不能只按平均流量来算。

四 如果你用的是RocketMQ做事务消息，得注意消息的确认机制。在生产者端，先发半消息，再执行本地事务。本地事务执行成功后，再发CommitMessage，否则发RollbackMessage。我之前用过一个坑，就是没处理好消息重试，导致消息堆积。后来改用最大重试次数和重试间隔，比如设置maxRetryTimes=3，retryInterval=5000。别让消息队列成为系统瓶颈，得监控消息堆积情况，及时调整生产者速率。另外，事务消息的消费端得用RocketMQ的事务消息消费者，别用普通消费者，容易漏掉回滚操作。

五 我踩过的一个坑是，用全局事务ID做幂等校验，结果发现同一个ID可能被重复提交。后来改成用唯一ID生成器结合业务字段做复合校验，比如订单号+事务ID，这样防撞率提高了不少。别想用单个字段做幂等，业务逻辑复杂时必须加层。还有，别忘了在回调函数里处理失败情况，比如事务回滚后得重新尝试，或者记录失败日志，别让系统进死循环。记得在Seata的配置里加上seata.enable-check=true，防止重复提交。

六 如果你用的是Kafka做消息队列，分布式事务就要配合Kafka事务消息。但Kafka的事务消息需要启用transaction.id和acks=all，这会增加消息发送的复杂度。我之前用Kafka做事务消息，结果因为acks配置错误，导致消息未到账就失败。后来用拦截器拦截消息，确保每条消息都有唯一的ID，并在消费端做补偿。另外，Kafka的事务消息不支持多分区，得单分区处理，否则事务无法保证一致性。别以为Kafka和RocketMQ一样，事务消息的实现机制完全不同，要用对工具才能发挥效果。

七 我在做分布式事务的容量规划时，发现一个问题：TC节点的内存消耗远比预期大。一个普通的TC节点，在1000个并发事务下，内存占用会飙升到2GB以上，因为每个事务都要维护状态。这时候得考虑水平扩展，比如用集群模式部署TC，每个节点分摊压力。别觉得TC是一次性部署，得根据业务量动态调整。如果用Seata的集群模式，得配置server.port和cluster.conf，确保节点间心跳正常。还有，别忘了设置事务超时时间，transaction-timeout=30000，防止事务卡住影响整体性能。

八 我用过一个替代方案，是把分布式事务拆成单点事务。比如，订单系统和库存系统用同一个数据库，这样就能用本地事务保证一致性。但这种方法限制很多，比如跨库操作。如果实在不想用分布式事务，可以考虑用最终一致性，比如用消息队列做异步补偿。这种方法适合对实时性要求不高的场景，比如日志同步、订单状态更新。别觉得最终一致性是万能的，它需要你设计合理的补偿机制，比如定时任务扫描失败的事务，自动重试。在配置里别忘了设置补偿任务间隔，比如schedule.interval=1m，防止任务堆积。

九 我在用Seata的时候，发现一个性能问题：在高并发下，TC节点的响应速度下降明显。这时候得优化TC的配置，比如调整事务状态的缓存策略。别用默认的存储方式，改成使用Redis做状态缓存，比如配置storage.mode=redis。这样能减少数据库的查询压力，提升响应速度。但别天真地认为Redis就能解决一切，得确保Redis的高可用和持久化。还有，在事务提交时，别让TC节点每次都去更新数据库，可以使用本地缓存，比如在服务端设置transaction-cache-size=1000，减少网络IO。

十 分布式事务的性能影响绝对不能忽视。比如，使用Seata的AT模式，每个事务都会产生额外的锁和日志操作，这会增加30%的延迟。而TCC模式虽然不加锁，但补偿逻辑复杂，性能提升有限。如果系统对性能要求极高，比如金融交易，得用XA模式，但XA模式只能在支持的数据库中使用，比如MySQL 8.0以上。别想着用XA解决一切问题，它要求所有参与方都支持XA，而且对网络和数据库配置要求高，比如必须开启两阶段提交。我用XA模式时，发现事务的提交和回滚会占用大量CPU，得监控并优化。

十一 我在做容量规划的时候，发现一个关键指标：事务的平均持续时间。如果一个事务平均持续10秒，而你的系统每分钟有5000个事务，那么TC节点得处理50000次状态更新。这时候得考虑TC节点的负载情况，比如用JVM监控工具查看GC频率和内存使用。别光看吞吐量，得关注延迟和吞吐量的平衡。如果发现TC节点的响应延迟超过200ms，得考虑增加节点或者优化事务逻辑。还有，别让TC节点成为单点故障，要保证至少三个节点，用Raft或者ZooKeeper做集群协调。

十二 我经历过一个悲剧场景：用Seata的AT模式处理库存扣减，结果没有正确配置数据库的隔离级别，导致脏读。后来发现是因为MySQL的默认隔离级别是REPEATABLE-READ，而Seata的AT模式要求必须用RR，否则事务状态可能不一致。别以为隔离级别只是理论，它直接影响事务的正确性。修改配置文件里加上transaction-isolation-level=REPEATABLE-READ，别漏了。还有，别让事务跨库，每个事务必须限定在同一个数据库实例，否则AT模式无法生效。

十三 分布式事务的补偿机制得设计得够健壮。比如用Saga模式，每个服务都要有补偿接口，而且得支持幂等。我用过一个补偿接口，因为没加锁，导致补偿重复执行，最终误扣库存。后来改成用Redis做分布式锁，比如用SETNX命令加锁。别以为本地锁就能解决问题，分布式场景下必须用全局锁。补偿逻辑的执行顺序也很重要，得保证补偿的顺序和事务的顺序一致，否则可能补偿失败而导致数据不一致。比如，先扣减库存再扣减优惠券，补偿时就得先恢复优惠券再恢复库存。

十四 我用过一个工具叫Cobar，它能做数据分片，但分布式事务的支持很弱。后来改用MyCat，结果发现它的XA支持需要额外配置，比如在配置文件里加上xa-commit=1，xa-rollback=1。别以为数据分片就能解决一切，XA模式下分片必须是同一个数据库实例，否则无法保证一致性。还有，别把所有事务都交给MyCat，得在业务层做逻辑判断，比如检查是否需要全局事务。这玩意儿很复杂，得有专门的团队维护，不然很容易出问题。

十五 我在搭建分布式事务系统的时候，发现网络延迟是最大的问题。比如，两个服务跨机房通信，延迟跑到500ms，这时候AT模式的性能下降很明显。后来改用本地事务+消息队列，比如用Kafka做异步补偿，这样能减少网络开销。别以为网络延迟是小事，它直接影响事务的提交和回滚时间。如果网络抖动严重，还得在TC节点上加缓存，比如用本地缓存存事务状态，减少对TC的依赖。性能对比方面，AT模式在低延迟网络下表现好，但在高延迟下不如Saga或本地事务+消息队列。

十六 分布式事务的适用场景得看业务需求。比如，金融交易必须用XA或TCC，保证强一致性。而电商系统，比如秒杀场景，可以接受最终一致性，用消息队列做异步补偿。别把所有场景都堆到一个事务模式里，得根据业务场景选。如果是分布式微服务，XA模式很难落地，TCC或Saga更适合。还有，别把事务拆分得太细，否则会增加补偿逻辑的复杂度，得在事务粒度和一致性之间找平衡。

十七 我在做容量规划的时候，发现一个误区：容量规划只能靠理论计算。实际运行中，事务的提交和回滚可能会因为网络波动导致超时。这时候得用压测工具，比如JMeter，模拟高并发下的事务行为。别只看日志，得用监控指标，比如TC节点的事务数、失败率、平均延迟等，来调整资源配置。如果发现TC节点的CPU使用率超过80%，就得考虑升级或者拆分事务。别等到系统崩溃了才去调整，得提前预判。

十八 我用过一个替代方案，是用RPC框架做本地事务协调，比如用Dubbo的事务管理。但这种方式对耦合度要求高，没法跨语言或者跨框架。比如，用Dubbo做本地事务协调，得保证服务间能互相调用，并且事务传播机制要配置正确。别傻乎乎地用它做分布式事务，它只能在同一个服务网格内使用。如果跨服务、跨语言，还是得用专门的中间件，比如Seata或者Saga。

十九 我在处理分布式事务时，发现一个细节：事务的参与者必须能处理回滚。比如，用TCC模式，得保证Cancel阶段能正确执行，否则整个事务回滚失败。我之前因为Cancel阶段没处理异常，导致系统状态混乱。后来在Cancel方法里加了异常捕获和事务回滚，还额外做了重试机制，比如用@Retryable注解。别以为回滚就是发个消息，得保证每个服务都能正确处理，否则系统会崩溃。

二十 我在用Seata的时候，发现一个配置项：transaction-manager-type。它支持AT、TCC、XA三种模式，得根据数据库和业务选择。如果用MySQL，AT模式更合适；如果用Oracle，XA模式更好。别乱选，得看数据库是否支持。另外，别忽略资源隔离，比如在事务操作中用独立的连接池，防止事务之间互相干扰。资源隔离的配置项是spring.datasource.seata.enable=true，别漏了。还有，别让事务占满数据库连接，得限制最大连接数，防止资源耗尽。