分布式锁：不同实现方式实践测评
Hello 读者朋友们，今天打算分享一篇测评实践类的文章，用优雅的代码与真实的数据来讲述在分布式场景下，不同方式实现的分布式锁，分别探究每一种方式的性能情况与最终的优劣分析。
开门见山，我们先看一张表格，是由 Jmeter 测试生成的数据结果，现在不必看懂，本篇文章会从业务场景说起，到分布式锁的引入与分析，相信读完全文后大家就可以融会贯通。
1 总体描述与业务实现
说到分布式锁，我们就会想到分布式架构设计的场景，想到分布式架构设计，一般就认定他是为了高并发高负载的业务而起，想到高并发高负载的业务，我们首先可以想到的就是电商平台的秒杀商品场景，没错，通过逆向推导，我们本次的主要业务就是一个电商平台秒杀商品的场景，在此场景下，我们使用分布式锁用来防止商品超卖这个问题，当然此场景下还有诸多需要解决的问题，但是其余我们在此不会涉及。
1.1 场景描述
本次场景就是一个超级简易版的电商秒杀后端系统，大量用户同时购买库存有限的商品，主要流程就是：
用户进行商品购买，商品系统首先查询库存量，足够时则去到数据库进行库存扣减，而后生成通知订单系统生成订单，最终返回给用户，而库存不够时则直接返回用户提示购买失败，不会经过订单系统，所以正常情况下库存量的数量和生成的最大订单量需一致。
因此，我们重点关注的问题就是如何在超大请求量的情况下防止出现超卖现象。
库存足够：
库存不足：
1.2 业务代码实现
安装上面的场景描述，我们使用 Go 语言+MySQL 数据库进行简单的实现：
数据访问层代码：
package dao
import (
"database/sql"
"fmt"
_ "github.com/go-sql-driver/mysql"
)
type Book struct {
Id int64 `json:"id"`
Name string `json:"name"`
Price int32 `json:"price"`
Store int64 `json:"store"`
}
type BookDao struct {
db *sql.DB
tbName string
}
func NewBookDao() *BookDao {
mysqlDB, err := sql.Open("mysql", "root:12345@tcp(127.0.0.1:3306)/test?charset=utf8")
if err != nil {
fmt.Errorf("Open mysql connection is err %s", err)
}
return &BookDao{db: mysqlDB, tbName: "book"}
}
func (dao *BookDao) GetBookById(id int64) (Book, error) {
var book Book
querySql := fmt.Sprintf("SELECT id,name,price,store FROM %s WHERE id=%d", dao.tbName, id)
rows, err := dao.db.Query(querySql)
if err != nil {
fmt.Errorf("GetBookById Query err %s", err)
return Book{}, err
}
if rows.Next() {
err = rows.Scan(&book.Id, &book.Name, &book.Price, &book.Store)
if err != nil {
fmt.Errorf("GetBookById Scan err %s", err)
return Book{}, err
}
}
return book, nil
}
func (dao *BookDao) UpdateBookStoreById(book Book) error {
updateSql := fmt.Sprintf("UPDATE %s SET name=?,price=?,store=? WHERE id=?", dao.tbName)
stmt, err := dao.db.Prepare(updateSql)
if err != nil {
fmt.Errorf("UpdateBookStoreById Prepare err %s", err)
return err
}
_, err = stmt.Exec(book.Name, book.Price, book.Store, book.Id)
return err
}
业务层代码：
package service
import (
"fmt"
"lock_demo/dao"
)
var orderCount int32 //记录订单数量
func BuyBook(userName string, buyNum int64) string {
bookDao := dao.NewBookDao()
book, err := bookDao.GetBookById(1)
if err != nil {
fmt.Errorf("GetBookById err %s", err)
return userName + "购买失败"
}
if book.Store >= buyNum && book.Store > 0 {
book.Store = book.Store - buyNum
err := bookDao.UpdateBookStoreById(book)
if err != nil {
fmt.Errorf("UpdateBookStoreById err %s", err)
return userName + "购买失败"
}
orderCount += 1
fmt.Printf("===%s 购买成功!数量:%d,剩余:%d,订单量:%d ===\n", userName, buyNum, book.Store, orderCount)
return userName + "购买成功"
}
fmt.Printf("===%s 购买失败!数量:%d,剩余:%d,数量不足===\n", userName, buyNum, book.Store)
return userName + "购买失败"
}
接口层代码：
package main
import (
"fmt"
"github.com/spf13/cast"
"lock_demo/service"
"net/http"
)
func RunServer() {
http.HandleFunc("/buyBook", func(w http.ResponseWriter, r *http.Request) {
username := r.URL.Query().Get("name")
buyNum := r.URL.Query().Get("num")
resp := service.BuyBook(username, cast.ToInt64(buyNum))
_, err := w.Write([]byte(resp))
if err != nil {
fmt.Errorf("write err %s", err)
}
})
err := http.ListenAndServe(":8081", nil)
if err != nil {
fmt.Errorf("Http run err %s ", err)
}
}
func main() {
RunServer()
}
项目需要添加的依赖(包括将要使用的分布式锁的依赖)：
github.com/go-redis/redis/v8 v8.11.4
github.com/go-redsync/redsync/v4 v4.6.0
github.com/go-sql-driver/mysql v1.6.0
github.com/go-zookeeper/zk v1.0.3
github.com/spf13/cast v1.5.0
go.etcd.io/etcd/client/v3 v3.5.5
数据库：
CREATE TABLE `book`(
`id` int(11) NOT NULL,
`name` varchar(255) NOT NULL,
`price` double NOT NULL,
`store` int(11) NOT NULL
) ENGINE=InnoDB DEFAULT CHARSET=utf8;
insert into book value(1,'Go学习笔记',299,100);
1.3 问题的产生
为了更直观的看到问题所在，我们先不加锁，启动项目，访问地址：
GET http://localhost:8081/buyBook加上必要的请求参数
GET http://localhost:8081/buyBook?name=BarryYan&num=1下面我们打开 Jmeter 工具，新建测试计划，在测试计划中新建线程组和 Http 请求，我们的参数为 20 线程循环 100 次，由上面的 SQL 语句我们知道，商品的库存只有 1000，但是 20*100 次的请求会有 2000 的请求量，去抢购 1000 个商品，正常来讲一定是有 1000 个用户因为库存不足买不到商品：
接下来我们启动 Jmeter，查看运行项目的控制台，如下图：
等 Jmeter 执行完成后我们看一下 MySQL 中还有没有库存：
大家可以看到，20*100 个请求过后，我们的库存还剩余 712，并且订单量也是不正确的，这个问题就是典型的高并发下线程不安全导致的超卖问题。
1.4 分析问题的原因
简述问题的原因，就是在多线程情况下资源被每个线程都获取一份相同的实例，而后在更新库存时每个线程都更新自身操作后的数据，进而每个线程执行过后产生了相同的数据结果，导致了操作多次后数量未发生改变，举个例子：
（1）当前库存 900
（2）用户 A 在 D1 时间访问数据库看到库存 900，用户 B 在 D1 时间访问数据库看到库存 900
（3）用户 A 购买 1 个，库存剩余 900-1=899，修改数据库库存为 899，用户 B 也购买 1 个，库存剩余 900-1=899，修改数据库库存为 899
（4）此时，数据库剩余库存为 899
但是用户 A 和用户 B 都获得了订单，库存却只减了 1，那么如果 D1 时间点还有用户 C、D、E 同时购买呢？结果我们不得而知。
2 分布式锁引入
2.1 分布式锁的概念
先说锁
线程是进程的一个实体，同一进程下的多个线程可以进行资源的共享，多个线程共享一个资源时则会进行资源的竞争进而引发线程异常。
基于此类问题，我们引入锁这个概念，锁，是一种线程中的一种同步机制。通过加锁我们就可以实现对共享资源的互斥访问。
为什么会出现分布式锁？
因为集群环境下，无法避免要把一个项目部署成多个节点，但是数据的一致性导致每个节点访问的数据都是一样的，至此我们可以把每一个项目节点都当做一个线程，整个分布式集群当做一个进程，数据就是多个节点共享的资源，因此难免会引发分布式环境下的多线程问题。
2.2 Redis 实现分布式锁
package redis_lock
import (
"github.com/go-redis/redis/v8"
"github.com/go-redsync/redsync/v4"
"github.com/go-redsync/redsync/v4/redis/goredis/v8"
"time"
)
type RLock struct {
Mutex *redsync.Mutex
}
func NewRLock(key string, expire ...time.Duration) *RLock {
client := redis.NewClient(&redis.Options{
Addr: "localhost:6379",
})
pool := goredis.NewPool(client)
rs := redsync.New(pool)
option := redsync.WithExpiry(time.Second * 5)
if len(expire) == 1 {
option = redsync.WithExpiry(expire[0])
}
mutex := rs.NewMutex(key, option)
return &RLock{Mutex: mutex}
}
func (r *RLock) Lock() error {
return r.Mutex.Lock()
}
func (r *RLock) Unlock() error {
if ok, err := r.Mutex.Unlock(); !ok || err != nil {
return err
}
return nil
}
2.3 etcd 实现分布式锁
package etcd_lock
import (
"context"
"fmt"
"go.etcd.io/etcd/client/v3"
"go.etcd.io/etcd/client/v3/concurrency"
"time"
)
type EtcdLock struct {
Mutex *concurrency.Mutex
}
func NewEtcdLock(key string, expire ...time.Duration) *EtcdLock {
timeOut := time.Second * 5
if len(expire) == 1 {
timeOut = expire[0]
}
cli, err := clientv3.New(clientv3.Config{
Endpoints: []string{"127.0.0.1:2379"},
DialTimeout: time.Second * 5,
})
if err != nil {
fmt.Println(err)
}
s1, err := concurrency.NewSession(cli, concurrency.WithTTL(int(timeOut/time.Second)))
if err != nil {
fmt.Println(err)
}
return &EtcdLock{Mutex: concurrency.NewMutex(s1, key)}
}
func (r *EtcdLock) Lock(ctx context.Context) error {
return r.Mutex.Lock(ctx)
}
func (r *EtcdLock) Unlock(ctx context.Context) error {
return r.Mutex.Unlock(ctx)
}
2.4 Zookeeper 实现分布式锁
package zk_lock
import (
"fmt"
"time"
"github.com/go-zookeeper/zk"
)
type ZkLock struct {
ZLock *zk.Lock
}
func NewZkLock(key string, expire ...time.Duration) *ZkLock {
timeOut := time.Second * 5
if len(expire) == 1 {
timeOut = expire[0]
}
c, _, err := zk.Connect([]string{"127.0.0.1:2181"}, timeOut)
if err != nil {
fmt.Println(err)
}
lock := zk.NewLock(c, fmt.Sprintf("/zkLock/lock-%s", key), zk.WorldACL(zk.PermAll))
return &ZkLock{ZLock: lock}
}
func (z *ZkLock) Lock() error {
return z.ZLock.Lock()
}
func (z ZkLock) Unlock() error {
return z.ZLock.Unlock()
}
3 实践测评过程与需要注意的问题
以 Zookeeper 加锁的代码举例：
func RunServer() {
http.HandleFunc("/buyBook", func(w http.ResponseWriter, r *http.Request) {
username := r.URL.Query().Get("name")
buyNum := r.URL.Query().Get("num")
zkLock := zk_lock.NewZkLock(username, time.Second*3)
err := zkLock.Lock()
if err != nil {
fmt.Errorf("Lock err = %s",err)
w.Write([]byte("购买失败"))
return
}
defer func() {
err = zkLock.Unlock()
if err != nil {
fmt.Errorf("UnLock err = %s",err)
}
}()
resp := service.BuyBook(username, cast.ToInt64(buyNum))
_, err = w.Write([]byte(resp))
if err != nil {
fmt.Errorf("write err %s", err)
}
})
err := http.ListenAndServe(":8081", nil)
if err != nil {
fmt.Errorf("Http run err %s ", err)
}
}
实践过程就不是很难了，就是一个加锁和解锁的过程，但是要注意的一些问题：
锁过期时间。分布式锁设置过期时间可以确保在未来的一定时间内，无论获得锁的节点发生了什么问题，最终锁都能被释放掉。但是时间也不能过短，防止业务还没有执行完锁就失效了。锁的全局唯一标识。锁的合理释放。我们要考虑在业务执行完成或发生异常时锁也能得到释放。
4 结论
经过 Jmeter 的分析报告，我们汇总成了一张表格：
依照表格我们可以得出结论：
Redis是三者中吞吐量、平均响应时间最优的一种方式，但是相对而言不如Zookeeper更加稳定，etcd在虽然在各个维度都不如Redis和Zookeeper，但是它仍然是一款比较优秀的云原生领域分布式注册中心，在集群环境中，Redis会产生脑裂、主从同步失败等安全问题，etcd则可以很大程度上屏蔽此类问题，所以我们不能只关注表面的数据，同时也要兼顾每个组件背后的原理和安全性。
最后，做一个小总结，分布式锁是一个相对复杂的组件，除了本文所讲述的以外，如果想要更好的使用分布式锁，还需要考虑其背后的诸多问题，比如锁操作的原子性、一致性、可重入性等，这些当然也与不同组件背后的算法相关，由于篇幅有限就没有一一详解，当然除了etcd、Redis、Zookeeper等组件之外，还有许多方式可以实现分布式锁，比如高性能的关系型数据库、MySQL乐观锁等等，都需要我们针对自身的业务进行选择。其实无论是一般的线程锁，还是分布式锁的作用都是一样的，只是作用的范围大小不同。只是范围越大技术复杂度就越大。
- 发表于:
- 本文为 InfoQ 中文站特供稿件
- 首发地址：https://www.infoq.cn/article/716b756b66ead72304bff0c61
- 如有侵权，请联系 cloudcommunity@tencent.com 删除。
相关快讯
扫码
添加站长 进交流群
领取专属 10元无门槛券
私享最新 技术干货
腾讯云开发者
