共享状态要解决的是同一份数据被多方同时读写的问题,而这件事里其实混着三个完全不同的子问题:
- 同时改,怎么不互相踩?
- 崩了,怎么恢复?
- 改完,怎么读得快?
这三件事的机制看起来毫不相干——锁、日志、索引树。但它们最后收敛到同一个点:你必须能证明系统状态永远满足某些性质。
一、隔离级别是权衡,不是等级
事务的 ACID 里,最容易被误解的是 I(隔离性):它不是一个「有或没有」的开关,而是一组可以分级放宽的保证。
| 级别 | 脏读 | 不可重复读 | 幻读 | 典型场景 |
|---|---|---|---|---|
| Read Uncommitted | 可能 | 可能 | 可能 | 几乎没有实现 |
| Read Committed | 不会 | 可能 | 可能 | 多数数据库默认 |
| Repeatable Read | 不会 | 不会 | 可能 | MySQL InnoDB 默认 |
| Serializable | 不会 | 不会 | 不会 | 代价最高 |
方向很明确:隔离级别越高,并发度越低,吞吐越低。所以「选最高级别」不是正确答案,选「业务能接受的最低级别加明确的不变量保护」才是。
二、两阶段锁:用阻塞换可串行化
两阶段锁把事务分成增长阶段(只能加锁)和收缩阶段(只能解锁)。这个约束保证所有事务都在等锁时不可能形成环,从而避免死锁,也带来可串行化。
| 变体 | 做法 | 风险 |
|---|---|---|
| 严格两阶段锁 | 一直持有写锁到提交 | 最安全,也最常用 |
| 基本两阶段锁 | 收缩阶段可提前解锁 | 可能读到未提交结果 |
| 保守两阶段锁 | 一开始锁全部要用的数据 | 无死锁,但并发度极低 |
锁的粒度还有一层设计:共享锁与排他锁解决读写冲突,意向锁防止「别人锁了行而我要锁整表」的死锁,间隙锁在 RR 级别防幻读。
三、MVCC:读不阻塞写,但不等价于可串行化
MVCC 的核心是每个写创建新版本,读永远看到某个快照版本。它最大的价值是读不阻塞写、写不阻塞读,读操作几乎零锁开销。
代价也很实在:
| 陷阱 | 说明 |
|---|---|
| 写写冲突 | 两个事务改同一行,后者必须等待或失败 |
| 长事务撑爆版本链 | 事务开得越久,旧版本越不能回收,空间膨胀且扫描变慢 |
| 快照隔离不等于可串行化 | 允许写偏斜 |
写偏斜是最经典的坑,用医生值班表能说清楚:
不变量:任意时刻至少一名医生在岗
事务 T1: 读「A 在岗、B 在岗」→ 写「A 休息」
事务 T2: 读「A 在岗、B 在岗」→ 写「B 休息」
两个事务并发执行,都读到了旧快照
结果:A 和 B 都不在岗,不变量被破坏这两个事务没有读写同一行,所以快照隔离下它们不冲突,都能提交——但合起来破坏了不变量。解决路径有三条:用真正的可串行化隔离(SSI 检测读写依赖环并中止其中一个)、加显式谓词锁、或者上乐观并发控制。
四、乐观并发控制:读-改-写窗口越长,冲突越高
核心假设是冲突很少,所以先做、冲突了再回滚。
- 读数据,记录版本号或时间戳;
- 业务计算(可能很长);
- 提交前检查版本是否还是当初那个;
- 是则提交,否则冲突,重试或失败。
| 策略 | 机制 | 特点 |
|---|---|---|
| 版本号 CAS | UPDATE ... WHERE id=? AND version=? | 最简单,影响行数为 0 即冲突 |
| 时间戳排序 | 每个事务带 ts,冲突时比较决定回滚谁 | 天然可串行化,但要维护时钟 |
| 序列化检测 | 维护读写依赖图,成环就中止 | SSI 的做法 |
关键权衡是窗口长度:读-改-写跨越的时间越长,冲突率越高。所以乐观控制适合短事务、高吞吐、低冲突(比如计数器自增),不适合长事务高冲突(那该用悲观锁或队列串行化)。
五、WAL:先写日志,再改数据
问题很朴素:数据库要改磁盘上的数据页,但一次写入可能写到一半机器就断电了。
答案是不要直接改数据,先写日志。规则只有一条:
在把任何数据页写回磁盘之前,对应的日志记录必须先落盘。
提交事务的标准顺序:
1. 写 WAL: BEGIN, UPDATE row42 SET bal=100, COMMIT
2. fsync(WAL) ← 屏障点:到这里事务才算持久
3. 返回客户端「提交成功」
4. 异步刷脏页(可以延后)
崩溃在 1-2 之间 → WAL 不完整 → 事务视为未提交 → 客户端还没收到成功 ✅
崩溃在 3 之后 → WAL 完整 → 重做 → 数据在 ✅WAL 之所以比直接改数据好,有三个原因:顺序写代替随机写、数据页可以延迟刷盘(写放大降低)、日志小而全。
一个高吞吐数据库几乎必然要用组提交:多个事务的 WAL 一起 fsync,一次刷盘提交多个事务。刷盘策略则是经典的三角权衡——每提交都 fsync 最安全但吞吐最低,定时刷盘吞吐高但崩溃会丢最近几秒,只写操作系统页缓存最快但最弱。
六、崩溃恢复:ARIES 为什么先 Redo 后 Undo
重启时要做两件事:重做已提交的记录,把数据页恢复到最新状态;撤销未提交的记录,避免它们污染状态。
为了避免重复执行搞坏数据,日志记录里带 LSN(日志序列号),每个数据页记录自己的 pageLSN。重放时如果日志 LSN 不大于 pageLSN 就跳过——这就让重做变成幂等操作。
ARIES 把恢复分成三步:
- 分析:从检查点开始扫描日志,重建事务表和脏页表;
- 重做:重复历史,把数据库恢复到崩溃瞬间的状态(不管事务有没有提交);
- 撤销:回滚所有未提交的事务。
顺序不能反,而且重做是「幂等地重放全部」。这样恢复逻辑不必区分哪些已提交、哪些没有——这是 ARIES 的精髓。
检查点解决另一个问题:WAL 无限增长,重启要重放几 GB 日志。检查点把当前活跃事务列表和脏页列表写入日志,之前的日志在对应数据页都落盘后就可以截断,恢复从最后一个完整检查点开始。
间隔的权衡是:短则恢复快但检查点本身开销大,长则开销小但恢复慢、日志占空间大。所以现代数据库大多用模糊检查点——不在检查点强制刷完所有脏页,只记录进度,允许与写入并发。
七、B+ 树与 LSM 树:三种放大只能选两个
| B+ 树 | LSM 树 | |
|---|---|---|
| 写入 | 随机 I/O,路径上的页都要改,可能分裂 | 内存攒批后顺序写盘 |
| 读取 | 树高约 3–4 层,点查 2–3 次 I/O | 要查多个 SSTable,靠 Bloom Filter 和索引压 |
| 典型系统 | InnoDB、PostgreSQL | LevelDB、RocksDB、Cassandra |
LSM 的本质是把随机写换成顺序写,代价是写放大:一次用户写入可能触发多级 compaction,同一个 key 被写入磁盘多次。
存储引擎里有三种放大,业界共识是最多同时优化两个:
| 放大 | 含义 | 优化手段 |
|---|---|---|
| 写放大 | 实际写盘量除以用户写入量 | Leveling 每次合并少量文件 |
| 读放大 | 一次读要查多个 SSTable | 更大的 Block Cache、更多级 Bloom Filter |
| 空间放大 | 旧版本没及时清理 | 及时 compaction、分层 TTL |
Leveling 写放大小、读放大和空间放大大;Tiering 反过来。这就是为什么同样叫 LSM,RocksDB 和 Cassandra 的性能曲线完全不同。
顺带一个时代的注脚:LSM 最初是为机械盘设计的,在 NVMe 上 B+ 树和 LSM 的差距正在缩小,选型时不该再只按「LSM 写快」这一条下结论。
八、收敛点:把不变量写下来
事务和 WAL 这两条完全不同的路径,最后都指向同一句话:你要能证明系统状态永远满足某些性质。
问题在于,隔离级别选错、代码里少加一个锁,这类 bug 在正常路径测试里几乎不会暴露,只在并发交错到特定时序时才触发——罕见、难复现、后果严重。
做法分三步:
- 写下不变量。比如「任意时刻账户总余额等于所有流水之和」「订单状态只能单向流转」「已确认的写在崩溃后必须还在」。
- 状态机建模。把合法的状态迁移画出来,非法迁移就是 bug。
- 故障注入。随机时点杀进程、注入延迟丢包、注入磁盘写失败,每次注入后自动校验所有不变量。
这一步的价值不是「更严谨」,而是把并发和崩溃 bug 从「靠运气发现的灵异事件」变成「可搜索、可复现、可回归」的工程问题。
事务、WAL 与存储引擎的系统性讨论,可以看 Martin Kleppmann 的 Designing Data-Intensive Applications 第 5 章和第 7 章;本文的分层框架也来自这条脉络。
进阶阅读
- 下一层:跨机器协作:网络、副本与权限 — 幂等键、共识与隔离令牌
- 上一层:单机为什么慢:执行与性能层 — TLB、缓存、内存序与尾延迟
- 基础篇:系统设计的三层 — 三层框架的总览与收敛点