又一批长事务，P0故障谁来背锅？
最近几周，发生过多起因为事务问题引起的服务报错。现象为数据库连接池连接占满，数据库连接长时间等待，最终导致请求线程hang住，服务大面积报错。这个时候，服务资源、数据库资源大量空闲，但就是进行不下去，影响是比较恶劣的。
谁来背锅?当然是架构师。因为这次所有的服务都活着，没运维什么事。
面试时，大家可能都会碰到关于事务相关的问题，升级版的可能是分布式事务的问题。在互联网行业中，一句马马虎虎的补偿事务就能蒙混过关，毕竟都是些短小精悍的接口。
但在很多企业级应用中，这行不通。我们必须直面惨淡的现实。
为什么要用长事务?
在许多业务非常复杂的后台系统，经常频繁操作DB，为了保证数据的一致性，能够在出错时回滚数据，通常会使用事务。
就拿最简单的单机数据库事务来说。
在事务操作期间，如果持续时间过长，只有等事务结束之后，DB连接才会释放，此类长时间占用DB连接的事务操作，称为长事务。一旦外部有大量请求，并发调用此操作，那么将会有大量的DB连接被持有而没有被释放掉，直到连接池爆满。
这个时候，如果有其他请求到来，那十有八九是以失败告终。
也就是说，连接资源被少数长事务操作占用。在这种情况下，即使是最简单接口查询，都不能够正常进行。
几粒老鼠屎，坏了一锅粥。
一些魔幻的反应
当你去排查这种问题的时候，可能会陷入僵局。jstack显示，多数请求其实是阻塞在tomcat的线程池上，而且是一些访问速度非常快的请求被阻塞。
比如，tomcat的200个线程，有180个阻塞在耗时不到1ms的/status接口上。
很多人就一脸懵逼。经验失灵。
jstack此时的输出结果，欺骗了我们。真正造成阻塞的，是那额外的20多个线程。
有哪些改善?
保证事务的短小是一个基本要求，包括但不限于：
应控制慢查询的调用频率，尽量减少慢查询。很多情况下，这条规则是自欺欺人的，需要业务做一些妥协。
事务内不应包含任何RPC调用，减少事务的粒度。通常，一些RPC调用，包括其他非事务资源的调用，耗时非常不可控。如果把它们也纳入事务的范围之内，势必会加剧资源的占用。事务内不应包含其他容易超时或者长时间阻塞的服务，如HTTP调用、IO操作。
次优先级服务如消息队列，不应该放在事务内，避免因为消息队列不可用引起的服务不可用。给类似消息队列的组件，设置一个合理的超时时间的非常有必要的，否则它就会一直等在那里。但即使是这样，也尽量不要把它们纳入到事务操作之内。
跨库、跨类型(如Redis)，不应该放在同一事务中，可避免交叉影响。
你可以看到上面的这些描述，有些和我们所追求的数据一致性是相悖的。这不奇怪，依然是CAP原理的权衡。有些业务选择的是宁可卡死不再响应，也不能进入异常数据;有些则首先让业务运行下去，脏数据会通过补偿事务进行修正。
一切看你的选择。
设计总有人背锅，补偿总有人做出牺牲。
解决方式
那么如何来快速解决大事务造成的服务不可用问题呢?
除了扩容，其实是无解。重启大法也不见得好用。因为被阻断的请求，会以更凶猛的态势再次来袭。
你可能会想到调大连接池的大小。但在实践中得知，也不好用，大事务请求会迅速将连接池占满。
但我们可以提前进行防御。
以Spring为例，事务的使用方式大多数是使用@Transactional注解来控制的，或者是声明式事务方式。我建议以以下方式进行预防和发现：
1) 重新扫描或者Review业务代码，排查事务中是否有以上提到的各种情况。然后将除DB操作外的其他操作移动到事务之外。
2) 每个事务操作都给予足够重视，对于执行复杂度和时间复杂度不确定的事务，添加超时报警，及时发现引起的原因。
同时，还需要加强监控，辅助进行问题排查。
1) 业务可以考虑定时将数据库连接池的信息进行打印，通过看日志的方式进行初步排查。
2) 使用jstack查询执行栈，找出阻塞的点。
3) 排查并联系下游服务，找出主要原因
xjjdog倾向于使用监控快速发现问题。如图，通过连接池监控，可以看到数据库连接池连接数长时间保持在高位不释放，同时等待的线程数急剧增加。发生此种现象多数可以考虑是否是以上原因引起。
发生问题时，应及时(多次)使用jstack定位到线程的阻塞位置，然后排查下游服务是否有问题，或者是否存在慢查询。
最好的情况是服务已经进行了对代码的梳理，那么引起的原因大概率只剩下了慢查询。针对慢查询，druid数据库连接池，提供了sql的聚合，能够查看是每一类查询语句的具体执行情况。如图，短时间内SQL请求飙升，最大执行时长上升，连接池占满：
具体是哪一句SQL所引起的，一目了然。
End
长事务问题的危险级别属于高危型，通常会造成严重的后果，可以通过观察监控，防范于未然。
最优的解决方式，当然是业务模型的改进。但这东西第一涉及到开发成本，第二涉及到跨部门协作。