在分布式系统中,由于 redis 分布式锁相对于更简单和高效,成为了分布式锁的首先,被我们用到了很多实际业务场景当中。
但不是说用了 redis 分布式锁,就可以高枕无忧了,如果没有用好或者用对,也会引来一些意想不到的问题。
今天我们就一起聊聊 redis 分布式锁的一些坑,给有需要的朋友一个参考:
非原子操作
if (jedis.setnx(lockKey, val) == 1) {jedis.expire(lockKey, timeout);
}
容易,三下五除二,我们就可以把代码写好。这段代码确实可以加锁成功,但你有没有发现什么问题?
加锁操作和后面的设置超时时间是分开的,并非原子操作。假如加锁成功,但是设置超时时间失败了,该 lockKey 就变成永不失效。
假如在高并发场景中,有大量的 lockKey 加锁成功了,但不会失效,有可能直接导致 redis 内存空间不足。
那么,有没有保证原子性的加锁命令呢?答案是:有,请看下面。
忘了释放锁
上面说到使用 setNx 命令加锁操作和设置超时时间是分开的,并非原子操作。
而在 redis 中还有 set 命令,该命令可以指定多个参数。
String result = jedis.set(lockKey, requestId, "NX", "PX", expireTime);
if ("OK".equals(result)) {return true;
}
return false;
其中:
lockKey:锁的标识
requestId:请求 id
NX:只在键不存在时,才对键进行设置操作。
PX:设置键的过期时间为 millisecond 毫秒。
expireTime:过期时间
set 命令是原子操作,加锁和设置超时时间,一个命令就能轻松搞定。nice!
使用 set 命令加锁,表面上看起来没有问题。但如果仔细想想,加锁之后,每次都要达到了超时时间才释放锁,会不会有点不合理?加锁后,如果不及时释放锁,会有很多问题。
分布式锁更合理的用法是:
手动加锁
业务操作
手动释放锁
如果手动释放锁失败了,则达到超时时间,redis 会自动释放锁。
大致流程图如下:
那么问题来了,如何释放锁呢?伪代码如下:
try{String result = jedis.set(lockKey, requestId, "NX", "PX", expireTime);if ("OK".equals(result)) {return true;}return false;
} finally {unlock(lockKey);
}
需要捕获业务代码的异常,然后在 finally 中释放锁。换句话说就是:无论代码执行成功或失败了,都需要释放锁。
此时,有些朋友可能会问:假如刚好在释放锁的时候,系统被重启了,或者网络断线了,或者机房断点了,不也会导致释放锁失败?
这是一个好问题,因为这种小概率问题确实存在。但还记得前面我们给锁设置过超时时间吗?
即使出现异常情况造成释放锁失败,但到了我们设定的超时时间,锁还是会被 redis 自动释放。但只在 finally 中释放锁,就够了吗?
释放了别人的锁
做人要厚道,先回答上面的问题:只在 finally 中释放锁,当然是不够的,因为释放锁的姿势,还是不对。
哪里不对?
答:在多线程场景中,可能会出现释放了别人的锁的情况。
有些朋友可能会反驳:假设在多线程场景中,线程 A 获取到了锁,但如果线程 A 没有释放锁,此时,线程 B 是获取不到锁的,何来释放了别人锁之说?
答:假如线程 A 和线程B,都使用 lockKey 加锁。线程 A 加锁成功了,但是由于业务功能耗时时间很长,超过了设置的超时时间。这时候,redis 会自动释放 lockKey 锁。
此时,线程 B 就能给 lockKey 加锁成功了,接下来执行它的业务操作。恰好这个时候,线程 A 执行完了业务功能,接下来,在 finally 方法中释放了锁 lockKey。这不就出问题了,线程 B 的锁,被线程 A 释放了。
我想这个时候,线程 B 肯定哭晕在厕所里,并且嘴里还振振有词。那么,如何解决这个问题呢?
不知道你们注意到没?在使用 set 命令加锁时,除了使用 lockKey 锁标识,还多设置了一个参数:requestId,为什么要需要记录 requestId 呢?
答:requestId 是在释放锁的时候用的。
伪代码如下:
if (jedis.get(lockKey).equals(requestId)) {jedis.del(lockKey);return true;
}
return false;
在释放锁的时候,先获取到该锁的值(之前设置值就是 requestId),然后判断跟之前设置的值是否相同,如果相同才允许删除锁,返回成功。如果不同,则直接返回失败。
换句话说就是:自己只能释放自己加的锁,不允许释放别人加的锁。
这里为什么要用 requestId,用 userId 不行吗?
答:如果用 userId 的话,对于请求来说并不唯一,多个不同的请求,可能使用同一个 userId。而 requestId 是全局唯一的,不存在加锁和释放锁乱掉的情况。
此外,使用 lua 脚本,也能解决释放了别人的锁的问题:
if redis.call('get', KEYS[1]) == ARGV[1] then return redis.call('del', KEYS[1])
else return 0
end
lua 脚本能保证查询锁是否存在和删除锁是原子操作,用它来释放锁效果更好一些。
说到 lua 脚本,其实加锁操作也建议使用 lua 脚本:
if (redis.call('exists', KEYS[1]) == 0) thenredis.call('hset', KEYS[1], ARGV[2], 1); redis.call('pexpire', KEYS[1], ARGV[1]); return nil;
end
if (redis.call('hexists', KEYS[1], ARGV[2]) == 1)redis.call('hincrby', KEYS[1], ARGV[2], 1); redis.call('pexpire', KEYS[1], ARGV[1]); return nil;
end;
return redis.call('pttl', KEYS[1]);
这是 redisson 框架的加锁代码,写的不错,大家可以借鉴一下。有趣,下面还有哪些好玩的东西?
大量失败请求
上面的加锁方法看起来好像没有问题,但如果你仔细想想,如果有 1 万的请求同时去竞争那把锁,可能只有一个请求是成功的,其余的 9999 个请求都会失败。
在秒杀场景下,会有什么问题?
答:每 1 万个请求,有 1 个成功。再 1 万个请求,有 1 个成功。如此下去,直到库存不足。这就变成均匀分布的秒杀了,跟我们想象中的不一样。
如何解决这个问题呢?
此外,还有一种场景:比如,有两个线程同时上传文件到 sftp,上传文件前先要创建目录。
假设两个线程需要创建的目录名都是当天的日期,比如:20210920,如果不做任何控制,直接并发的创建目录,第二个线程必然会失败。
这时候有些朋友可能会说:这还不容易,加一个 redis 分布式锁就能解决问题了,此外再判断一下,如果目录已经存在就不创建,只有目录不存在才需要创建。
伪代码如下:
try {String result = jedis.set(lockKey, requestId, "NX", "PX", expireTime);if ("OK".equals(result)) {if(!exists(path)) {mkdir(path);}return true;}
} finally{unlock(lockKey,requestId);
}
return false;
一切看似美好,但经不起仔细推敲。来自灵魂的一问:第二个请求如果加锁失败了,接下来,是返回失败,还是返回成功呢?
主要流程图如下:
显然第二个请求,肯定是不能返回失败的,如果返回失败了,这个问题还是没有被解决。如果文件还没有上传成功,直接返回成功会有更大的问题。头疼,到底该如何解决呢?
答:使用自旋锁。
try {Long start = System.currentTimeMillis();while(true) {String result = jedis.set(lockKey, requestId, "NX", "PX", expireTime);if ("OK".equals(result)) {if(!exists(path)) {mkdir(path);}return true;}long time = System.currentTimeMillis() - start;if (time>=timeout) {return false;}try {Thread.sleep(50);} catch (InterruptedException e) {e.printStackTrace();}}
} finally{unlock(lockKey,requestId);
}
return false;
在规定的时间,比如 500 毫秒内,自旋不断尝试加锁(说白了,就是在死循环中,不断尝试加锁),如果成功则直接返回。
如果失败,则休眠 50 毫秒,再发起新一轮的尝试。如果到了超时时间,还未加锁成功,则直接返回失败。好吧,学到一招了,还有吗?
锁重入问题
我们都知道 redis 分布式锁是互斥的。假如我们对某个 key 加锁了,如果该 key 对应的锁还没失效,再用相同 key 去加锁,大概率会失败。
没错,大部分场景是没问题的。为什么说是大部分场景呢?
因为还有这样的场景:假设在某个请求中,需要获取一颗满足条件的菜单树或者分类树。我们以菜单为例,这就需要在接口中从根节点开始,递归遍历出所有满足条件的子节点,然后组装成一颗菜单树。
需要注意的是菜单不是一成不变的,在后台系统中运营同学可以动态添加、修改和删除菜单。为了保证在并发的情况下,每次都可能获取最新的数据,这里可以加 redis 分布式锁。
加 redis 分布式锁的思路是对的。但接下来问题来了,在递归方法中递归遍历多次,每次都是加的同一把锁。
递归第一层当然是可以加锁成功的,但递归第二层、第三层...第 N 层,不就会加锁失败了?
递归方法中加锁的伪代码如下:
private int expireTime &#61; 1000;public void fun(int level,String lockKey,String requestId){try{String result &#61; jedis.set(lockKey, requestId, "NX", "PX", expireTime);if ("OK".equals(result)) {if(level<&#61;10){this.fun(&#43;&#43;level,lockKey,requestId);} else {return;}}return;} finally {unlock(lockKey,requestId);}
}
如果你直接这么用&#xff0c;看起来好像没有问题。但最终执行程序之后发现&#xff0c;等待你的结果只有一个&#xff1a;出现异常。
因为从根节点开始&#xff0c;第一层递归加锁成功&#xff0c;还没释放锁&#xff0c;就直接进入第二层递归。因为锁名为 lockKey&#xff0c;并且值为 requestId 的锁已经存在&#xff0c;所以第二层递归大概率会加锁失败&#xff0c;然后返回到第一层。第一层接下来正常释放锁&#xff0c;然后整个递归方法直接返回了。
这下子&#xff0c;大家知道出现什么问题了吧&#xff1f;没错&#xff0c;递归方法其实只执行了第一层递归就返回了&#xff0c;其他层递归由于加锁失败&#xff0c;根本没法执行。
那么这个问题该如何解决呢&#xff1f;
答&#xff1a;使用可重入锁。
我们以 redisson 框架为例&#xff0c;它的内部实现了可重入锁的功能。古时候有句话说得好&#xff1a;为人不识陈近南&#xff0c;便称英雄也枉然。
我说&#xff1a;分布式锁不识 redisson&#xff0c;便称好锁也枉然。哈哈哈&#xff0c;只是自娱自乐一下。由此可见&#xff0c;redisson 在 redis 分布式锁中的江湖地位很高。
伪代码如下&#xff1a;
private int expireTime &#61; 1000;public void run(String lockKey) {RLock lock &#61; redisson.getLock(lockKey);this.fun(lock,1);
}public void fun(RLock lock,int level){try{lock.lock(5, TimeUnit.SECONDS);if(level<&#61;10){this.fun(lock,&#43;&#43;level);} else {return;}} finally {lock.unlock();}
}
上面的代码也许并不完美&#xff0c;这里只是给了一个大致的思路&#xff0c;如果大家有这方面需求的话&#xff0c;以上代码仅供参考。接下来&#xff0c;聊聊 redisson 可重入锁的实现原理。
加锁主要是通过以下脚本实现的&#xff1a;
if (redis.call(&#39;exists&#39;, KEYS[1]) &#61;&#61; 0)
then redis.call(&#39;hset&#39;, KEYS[1], ARGV[2], 1); redis.call(&#39;pexpire&#39;, KEYS[1], ARGV[1]); return nil;
end;
if (redis.call(&#39;hexists&#39;, KEYS[1], ARGV[2]) &#61;&#61; 1)
then redis.call(&#39;hincrby&#39;, KEYS[1], ARGV[2], 1); redis.call(&#39;pexpire&#39;, KEYS[1], ARGV[1]); return nil;
end;
return redis.call(&#39;pttl&#39;, KEYS[1]);
其中&#xff1a;
KEYS[1]&#xff1a;锁名
ARGV[1]&#xff1a;过期时间
ARGV[2]&#xff1a;uuid &#43; ":" &#43; threadId&#xff0c;可认为是 requestId
先判断如果锁名不存在&#xff0c;则加锁。接下来&#xff0c;判断如果锁名和 requestId 值都存在&#xff0c;则使用 hincrby 命令给该锁名和 requestId 值计数&#xff0c;每次都加 1。
注意一下&#xff0c;这里就是重入锁的关键&#xff0c;锁重入一次值就加 1。如果锁名存在&#xff0c;但值不是 requestId&#xff0c;则返回过期时间。
释放锁主要是通过以下脚本实现的&#xff1a;
if (redis.call(&#39;hexists&#39;, KEYS[1], ARGV[3]) &#61;&#61; 0)
then return nil
end
local counter &#61; redis.call(&#39;hincrby&#39;, KEYS[1], ARGV[3], -1);
if (counter > 0)
then redis.call(&#39;pexpire&#39;, KEYS[1], ARGV[2]); return 0; else redis.call(&#39;del&#39;, KEYS[1]); redis.call(&#39;publish&#39;, KEYS[2], ARGV[1]); return 1;
end;
return nil
先判断如果锁名和 requestId 值不存在&#xff0c;则直接返回。如果锁名和 requestId 值存在&#xff0c;则重入锁减 1。
如果减 1 后&#xff0c;重入锁的 value 值还大于 0&#xff0c;说明还有引用&#xff0c;则重试设置过期时间。如果减 1 后&#xff0c;重入锁的 value 值还等于 0&#xff0c;则可以删除锁&#xff0c;然后发消息通知等待线程抢锁。
再次强调一下&#xff0c;如果你们系统可以容忍数据暂时不一致&#xff0c;有些场景不加锁也行&#xff0c;我在这里只是举个例子&#xff0c;本节内容并不适用于所有场景。
锁竞争问题
如果有大量需要写入数据的业务场景&#xff0c;使用普通的 redis 分布式锁是没有问题的。但如果有些业务场景&#xff0c;写入的操作比较少&#xff0c;反而有大量读取的操作。这样直接使用普通的 redis 分布式锁&#xff0c;会不会有点浪费性能&#xff1f;
我们都知道&#xff0c;锁的粒度越粗&#xff0c;多个线程抢锁时竞争就越激烈&#xff0c;造成多个线程锁等待的时间也就越长&#xff0c;性能也就越差。
所以&#xff0c;提升 redis 分布式锁性能的第一步&#xff0c;就是要把锁的粒度变细。
| 读写锁
众所周知&#xff0c;加锁的目的是为了保证&#xff0c;在并发环境中读写数据的安全性&#xff0c;即不会出现数据错误或者不一致的情况。
但在绝大多数实际业务场景中&#xff0c;一般是读数据的频率远远大于写数据。而线程间的并发读操作是并不涉及并发安全问题&#xff0c;我们没有必要给读操作加互斥锁&#xff0c;只要保证读写、写写并发操作上锁是互斥的就行&#xff0c;这样可以提升系统的性能。
我们以 redisson 框架为例&#xff0c;它内部已经实现了读写锁的功能。
读锁的伪代码如下&#xff1a;
RReadWriteLock readWriteLock &#61; redisson.getReadWriteLock("readWriteLock");
RLock rLock &#61; readWriteLock.readLock();
try {rLock.lock();//业务操作
} catch (Exception e) {log.error(e);
} finally {rLock.unlock();
}
写锁的伪代码如下&#xff1a;
RReadWriteLock readWriteLock &#61; redisson.getReadWriteLock("readWriteLock");
RLock rLock &#61; readWriteLock.writeLock();
try {rLock.lock();//业务操作
} catch (InterruptedException e) {log.error(e);
} finally {rLock.unlock();
}
将读锁和写锁分开&#xff0c;最大的好处是提升读操作的性能&#xff0c;因为读和读之间是共享的&#xff0c;不存在互斥性。
而我们的实际业务场景中&#xff0c;绝大多数数据操作都是读操作。所以&#xff0c;如果提升了读操作的性能&#xff0c;也就会提升整个锁的性能。
下面总结一个读写锁的特点&#xff1a;
读与读是共享的&#xff0c;不互斥
读与写互斥
写与写互斥
| 锁分段
此外&#xff0c;为了减小锁的粒度&#xff0c;比较常见的做法是将大锁&#xff1a;分段。
在 java 中 ConcurrentHashMap&#xff0c;就是将数据分为 16 段&#xff0c;每一段都有单独的锁&#xff0c;并且处于不同锁段的数据互不干扰&#xff0c;以此来提升锁的性能。
放在实际业务场景中&#xff0c;我们可以这样做&#xff1a;比如在秒杀扣库存的场景中&#xff0c;现在的库存中有 2000 个商品&#xff0c;用户可以秒杀。为了防止出现超卖的情况&#xff0c;通常情况下&#xff0c;可以对库存加锁。如果有 1W 的用户竞争同一把锁&#xff0c;显然系统吞吐量会非常低。
为了提升系统性能&#xff0c;我们可以将库存分段&#xff0c;比如&#xff1a;分为 100 段&#xff0c;这样每段就有 20 个商品可以参与秒杀。
在秒杀的过程中&#xff0c;先把用户 id 获取 hash 值&#xff0c;然后除以 100 取模。模为 1 的用户访问第 1 段库存&#xff0c;模为 2 的用户访问第 2 段库存&#xff0c;模为 3 的用户访问第 3 段库存&#xff0c;后面以此类推&#xff0c;到最后模为 100 的用户访问第 100 段库存。
如此一来&#xff0c;在多线程环境中&#xff0c;可以大大的减少锁的冲突。以前多个线程只能同时竞争 1 把锁&#xff0c;尤其在秒杀的场景中&#xff0c;竞争太激烈了&#xff0c;简直可以用惨绝人寰来形容&#xff0c;其后果是导致绝大数线程在锁等待。现在多个线程同时竞争 100 把锁&#xff0c;等待的线程变少了&#xff0c;从而系统吞吐量也就提升了。
需要注意的地方是&#xff1a;将锁分段虽说可以提升系统的性能&#xff0c;但它也会让系统的复杂度提升不少。因为它需要引入额外的路由算法&#xff0c;跨段统计等功能。我们在实际业务场景中&#xff0c;需要综合考虑&#xff0c;不是说一定要将锁分段。
锁超时问题
我在前面提到过&#xff0c;如果线程 A 加锁成功了&#xff0c;但是由于业务功能耗时时间很长&#xff0c;超过了设置的超时时间&#xff0c;这时候 redis 会自动释放线程 A 加的锁。
有些朋友可能会说&#xff1a;到了超时时间&#xff0c;锁被释放了就释放了呗&#xff0c;对功能又没啥影响。
答&#xff1a;错&#xff0c;错&#xff0c;错。对功能其实有影响。
通常我们加锁的目的是&#xff1a;为了防止访问临界资源时&#xff0c;出现数据异常的情况。比如&#xff1a;线程 A 在修改数据 C 的值&#xff0c;线程 B 也在修改数据 C 的值&#xff0c;如果不做控制&#xff0c;在并发情况下&#xff0c;数据 C 的值会出问题。
为了保证某个方法&#xff0c;或者段代码的互斥性&#xff0c;即如果线程 A 执行了某段代码&#xff0c;是不允许其他线程在某一时刻同时执行的&#xff0c;我们可以用 synchronized 关键字加锁。
但这种锁有很大的局限性&#xff0c;只能保证单个节点的互斥性。如果需要在多个节点中保持互斥性&#xff0c;就需要用 redis 分布式锁。
做了这么多铺垫&#xff0c;现在回到正题。假设线程 A 加 redis 分布式锁的代码&#xff0c;包含代码 1 和代码 2 两段代码。
由于该线程要执行的业务操作非常耗时&#xff0c;程序在执行完代码 1 的时&#xff0c;已经到了设置的超时时间&#xff0c;redis 自动释放了锁。而代码 2 还没来得及执行。
此时&#xff0c;代码 2 相当于裸奔的状态&#xff0c;无法保证互斥性。假如它里面访问了临界资源&#xff0c;并且其他线程也访问了该资源&#xff0c;可能就会出现数据异常的情况。&#xff08;PS&#xff1a;我说的访问临界资源&#xff0c;不单单指读取&#xff0c;还包含写入&#xff09;
那么&#xff0c;如何解决这个问题呢&#xff1f;
答&#xff1a;如果达到了超时时间&#xff0c;但业务代码还没执行完&#xff0c;需要给锁自动续期。
我们可以使用 TimerTask 类&#xff0c;来实现自动续期的功能&#xff1a;
Timer timer &#61; new Timer();
timer.schedule(new TimerTask() {&#64;Overridepublic void run(Timeout timeout) throws Exception {//自动续期逻辑}
}, 10000, TimeUnit.MILLISECONDS);
获取锁之后&#xff0c;自动开启一个定时任务&#xff0c;每隔 10 秒钟&#xff0c;自动刷新一次过期时间。这种机制在 redisson 框架中&#xff0c;有个比较霸气的名字&#xff1a;watch dog&#xff0c;即传说中的看门狗。
当然自动续期功能&#xff0c;我们还是优先推荐使用 lua 脚本实现&#xff0c;比如&#xff1a;
if (redis.call(&#39;hexists&#39;, KEYS[1], ARGV[2]) &#61;&#61; 1) then redis.call(&#39;pexpire&#39;, KEYS[1], ARGV[1]);return 1;
end;
return 0;
需要注意的地方是&#xff1a;在实现自动续期功能时&#xff0c;还需要设置一个总的过期时间&#xff0c;可以跟 redisson 保持一致&#xff0c;设置成 30 秒。如果业务代码到了这个总的过期时间&#xff0c;还没有执行完&#xff0c;就不再自动续期了。
自动续期的功能是获取锁之后开启一个定时任务&#xff0c;每隔 10 秒判断一下锁是否存在&#xff0c;如果存在&#xff0c;则刷新过期时间。如果续期 3 次&#xff0c;也就是 30 秒之后&#xff0c;业务方法还是没有执行完&#xff0c;就不再续期了。
主从复制的问题
上面花了这么多篇幅介绍的内容&#xff0c;对单个 redis 实例是没有问题的。
but&#xff0c;如果 redis 存在多个实例。比如&#xff1a;做了主从&#xff0c;或者使用了哨兵模式&#xff0c;基于 redis 的分布式锁的功能&#xff0c;就会出现问题。
具体是什么问题&#xff1f;假设 redis 现在用的主从模式&#xff0c;1 个 master 节点&#xff0c;3 个 slave 节点。master 节点负责写数据&#xff0c;slave 节点负责读数据。
本来是和谐共处&#xff0c;相安无事的。redis 加锁操作&#xff0c;都在 master 上进行&#xff0c;加锁成功后&#xff0c;再异步同步给所有的 slave。
突然有一天&#xff0c;master 节点由于某些不可逆的原因&#xff0c;挂掉了。这样需要找一个 slave 升级为新的 master 节点&#xff0c;假如 slave1 被选举出来了。
如果有个锁 A 比较悲催&#xff0c;刚加锁成功 master 就挂了&#xff0c;还没来得及同步到 slave1。
这样会导致新 master 节点中的锁 A 丢失了。后面&#xff0c;如果有新的线程&#xff0c;使用锁 A 加锁&#xff0c;依然可以成功&#xff0c;分布式锁失效了。
那么&#xff0c;如何解决这个问题呢&#xff1f;
答&#xff1a;redisson 框架为了解决这个问题&#xff0c;提供了一个专门的类&#xff1a;RedissonRedLock&#xff0c;使用了 Redlock 算法。
RedissonRedLock 解决问题的思路如下&#xff1a;
需要搭建几套相互独立的 redis 环境&#xff0c;假如我们在这里搭建了 5 套。
每套环境都有一个 redisson node 节点。
多个 redisson node 节点组成了 RedissonRedLock。
环境包含&#xff1a;单机、主从、哨兵和集群模式&#xff0c;可以是一种或者多种混合。
在这里我们以主从为例&#xff0c;架构图如下&#xff1a;
RedissonRedLock 加锁过程如下&#xff1a;
获取所有的 redisson node 节点信息&#xff0c;循环向所有的 redisson node 节点加锁&#xff0c;假设节点数为 N&#xff0c;例子中 N 等于 5。
如果在 N 个节点当中&#xff0c;有 N/2&#43;1 个节点加锁成功了&#xff0c;那么整个 RedissonRedLock 加锁是成功的。
如果在 N 个节点当中&#xff0c;小于 N/2&#43;1 个节点加锁成功&#xff0c;那么整个 RedissonRedLock 加锁是失败的。
如果中途发现各个节点加锁的总耗时&#xff0c;大于等于设置的最大等待时间&#xff0c;则直接返回失败。
从上面可以看出&#xff0c;使用 Redlock 算法&#xff0c;确实能解决多实例场景中&#xff0c;假如 master 节点挂了&#xff0c;导致分布式锁失效的问题。
但也引出了一些新问题&#xff0c;比如&#xff1a;
需要额外搭建多套环境&#xff0c;申请更多的资源&#xff0c;需要评估一下成本和性价比。
如果有 N 个 redisson node 节点&#xff0c;需要加锁 N 次&#xff0c;最少也需要加锁 N/2&#43;1 次&#xff0c;才知道 redlock 加锁是否成功。显然&#xff0c;增加了额外的时间成本&#xff0c;有点得不偿失。
由此可见&#xff0c;在实际业务场景&#xff0c;尤其是高并发业务中&#xff0c;RedissonRedLock 其实使用的并不多。在分布式环境中&#xff0c;CAP 是绕不过去的。
CAP 指的是在一个分布式系统中&#xff1a;
一致性&#xff08;Consistency&#xff09;
可用性&#xff08;Availability&#xff09;
分区容错性&#xff08;Partition tolerance&#xff09;
这三个要素最多只能同时实现两点&#xff0c;不可能三者兼顾。
如果你的实际业务场景&#xff0c;更需要的是保证数据一致性。那么请使用 CP 类型的分布式锁&#xff0c;比如&#xff1a;zookeeper&#xff0c;它是基于磁盘的&#xff0c;性能可能没那么好&#xff0c;但数据一般不会丢。
如果你的实际业务场景&#xff0c;更需要的是保证数据高可用性。那么请使用 AP 类型的分布式锁&#xff0c;比如&#xff1a;redis&#xff0c;它是基于内存的&#xff0c;性能比较好&#xff0c;但有丢失数据的风险。
其实&#xff0c;在我们绝大多数分布式业务场景中&#xff0c;使用 redis 分布式锁就够了&#xff0c;真的别太较真。因为数据不一致问题&#xff0c;可以通过最终一致性方案解决。但如果系统不可用了&#xff0c;对用户来说是暴击一万点伤害。