数据一致性问题剖析与实践（四）——竞态条件竞争导致的一致性问题

一、前言

之前我们讨论了几种场景的一致性问题

• 冗余数据存储中的一致性问题
• 分布式共识中的一致性问题
• 单机事务中的一致性问题
• 分布式事务中的一致性问题

本文将围绕竞态条件竞争中的一致性问题展开讨论分析。

二、 问题定义

竞态条件（Race Condition）是多线程、多进程或分布式环境下常见的棘手问题。简单来说，当多个执行单元（线程、进程等）同时访问并试图修改共享资源，且最终结果依赖于这些执行单元的执行顺序时，竞态条件便会出现 。

例如，在一个多线程的电商库存系统中，多个线程可能同时处理商品的下单操作，都尝试读取当前库存数量，然后进行减 1 操作再写回库存数据。由于线程执行顺序的不确定性，如果没有恰当的同步机制，就可能导致某些下单操作丢失，库存数据不准确。

从本质上讲，竞态条件问题常出现在以下场景：

• 对共享变量的读写操作：共享变量如同多线程环境中的 “公共财产”，当多个线程同时对其进行读取和修改时，就容易引发数据不一致。比如一个银行账户余额作为共享变量，多个取款线程同时读取余额后进行取款操作，最终可能导致账户余额计算错误。
• 非原子操作：像 “读取 - 修改 - 写入” 这类非原子操作，如果没有同步控制，多个线程并发执行时可能会造成数据异常或丢失。以一个简单的计数器为例，若多个线程同时执行 “读取当前计数值，加 1，再写回新值” 的操作，可能会出现计数值增加不足的情况。
• 访问共享资源的顺序问题：当多个线程按照不同顺序访问共享资源时，可能会产生不可预测的结果。例如，线程 A 和线程 B 同时访问一个文件系统，A 尝试创建一个新目录并在其中写入文件，B 尝试在该目录创建之前就写入文件，这就可能导致错误发生。

三、 常见场景

这里举一些业务开发过程中遇到的case，

3.1 case1 对公车型库mq消费没有考虑并发情况导致新增重复车款

对公车型库订阅了上游基础车型库的消息，在消费消息时，由于消息消费逻辑较为复杂，加上消息队列的重试机制，实际场景中出现了——新增重复品牌车型车款的情况。

这个就是没有考虑到并发情况带来的影响。

3.2 case2 车辆证照并发更新Json字段导致写丢失

车辆证照的拓展字段的存储是通过Json字段进行存储的，对于Json字段的更新，是通过读-内存操作-写的方式进行。

在串行执行场景下，该流程可稳定运行；

但是在并发情况下，这就容易造成写丢失的问题。

如上图所示，对于A字段的更新操作，由于没有考虑到并发情况，就会造成写丢失的问题。

四、 思路分析

竞态条件引发的数据一致性问题，其核心矛盾在于多个执行单元对共享资源的无序争夺。最直接的破局思路，便是通过某种机制确保同一时刻仅有一个任务单元能操作共享资源，将并发操作转化为串行执行，从根源上消除竞争冲突。

基于这一理念，悲观锁与乐观锁成为两大主流解决方案，二者虽策略迥异，但目标均指向数据一致性的保障。

4.1 悲观锁：以 “阻塞” 换 “安全” 的保守策略

悲观锁遵循 “先锁后用，独占资源” 的原则，如同给共享资源加上一把 “物理锁”。它假定任何时刻都存在其他线程修改资源的风险，因此在访问共享资源前，线程会先尝试获取锁。一旦成功获取，该线程便拥有资源的独占访问权，其他线程只能处于阻塞等待状态，直至锁被释放。这种策略通过强制串行化操作，能 100% 杜绝竞态条件，但也可能因线程频繁阻塞降低系统并发性能。

常见做法：

• 单机环境
  • Java中Synchronized关键字
  • Go中的Mutex、RWMutex
  • 数据库层面的行锁（比如select for update）
• 分布式环境
  • Redis 分布式锁：基于 Redis 的原子操作（如SETNX命令）实现锁机制，通过设置唯一标识符和过期时间，避免死锁；**红锁（Redlock）**则是在多个 Redis 实例上获取锁，增强高可用性。
  • Zookeeper 分布式锁：利用 Zookeeper 的临时有序节点特性，通过监听节点变化实现公平锁，确保分布式环境下资源访问的一致性。
  • 分布式数据OceanBase中的锁

回到刚才提到的case1，我们其中一种解法就是在mq消费入口加上该车款id的分布式锁，只有占有该锁，该车款id才能进行处理。此方法相当于针对单一车款id进行串行化操作，避免并发情况。

悲观锁的本质？

从底层逻辑上看，“锁” 并非物理意义上的限制，而是一种标识符或状态标记。

无论是单机还是分布式场景，悲观锁的本质都是通过状态标记实现资源独占：

• 单机场景：依赖内存中的布尔变量或计数器（如 Java 对象头中的锁标记位），借助 CAS（Compare And Swap） 原子操作完成锁的获取与释放。例如，当线程尝试获取锁时，会通过 CAS 将锁标记从0（未锁定）改为1（已锁定），若修改失败则表示锁已被占用。
• 分布式场景：以 Redis 为例，通过SETNX（Set If Not Exists）命令在 Redis 服务器上创建键值对作为锁标识，若键已存在则获取失败；Zookeeper 则通过创建临时有序节点，节点的创建顺序即锁的获取顺序，通过监听节点变化实现锁的公平分配。

4.2 乐观锁：以 “试探” 求 “高效” 的激进策略

与悲观锁不同，乐观锁秉持 “先操作，后验证” 的理念，假设多数情况下不会发生并发冲突。线程在更新数据时，会先读取数据及其版本号（或时间戳），在执行修改操作前，再次检查数据是否被其他线程修改。若版本号未变，则提交更新并更新版本号；若版本号已更新，则按预设策略（如重试、回滚）处理。

典型实现-Synchronized自旋锁：

典型实现 - 数据库版本号机制：

回到我们刚才提到的case1，其还有一种解法就是增加唯一键索引，当遇到唯一键冲突时，执行对应的逻辑（消费失败）。纠其本质，其实是一种“先试探后验证”的思路。

针对于3.2提到的case2，因为业务场景更新较少，并发冲突可能性较低，所以可以使用乐观锁的思路去解决。

乐观锁因为缺少加锁的过程，所以在并发量少的情况性能表现较好，但是如果并发量较高，未抢到锁的执行单元一般会进行自旋重试，导致CPU空转，浪费CPU资源。

4.3 悲观锁与乐观锁的思考

悲观锁与乐观锁并非具体的技术工具，而是两种截然不同的并发控制思维范式，它们如同硬币的两面，虽策略迥异，却共同指向 “单一操作串行化” 这一保障数据一致性的核心目标。这种思想层面的抽象，为开发者提供了灵活解决竞态问题的方法论，在不同业务场景下衍生出多样的技术实现。

殊途同归：两种策略的本质共性

无论是悲观锁的 “先锁后用”，还是乐观锁的 “先试后验”，其核心都在于将并行操作转换为串行执行。

悲观锁通过 “阻塞”强制串行化 —— 当线程获取锁后，其他线程只能排队等待，确保同一时刻仅有一个线程访问共享资源；

而乐观锁则采用**“逻辑重试” **机制，允许线程先执行操作，再通过版本号或时间戳校验判断是否存在并发冲突，若冲突则重新执行，间接实现串行化效果。

场景适配：策略选择的关键考量

选择何种策略需深度结合业务场景特性：

• 悲观锁适用场景：适用于写操作频繁、冲突概率高的场景。例如金融系统的账户扣款、电商系统的库存扣减等场景，数据准确性要求极高，即便牺牲部分并发性能，也需通过悲观锁确保操作的原子性，避免出现资金或库存错误。
• 乐观锁适用场景：更适合读多写少、对响应速度敏感的场景。如社交平台的用户动态展示，大量用户并发读取数据，偶尔有少量更新操作。此时采用乐观锁可减少线程阻塞，提升系统吞吐量，即便出现少量冲突，通过重试机制也能快速解决。

五、 开发建议

1. 评估并发需求：在设计阶段明确系统是否需要支持高并发，避免过度设计。如果并发量较低，可优先采用简单的同步机制。
2. 选择合适的锁机制
   • 对于并发冲突频繁的场景，优先使用悲观锁
   • 对于读多写少的场景，考虑使用乐观锁或读写锁（如 Go 中的RWMutex）
   • 分布式环境下，根据系统可用性要求选择 Redis 或 Zookeeper 实现分布式锁
3. 最小化锁的粒度：因为锁的本质是串行化操作，尽量缩小锁的作用范围，只对必要的共享资源加锁，减少线程阻塞时间，可以提高系统并发性能。
4. 异常处理：在使用锁机制时，要做好异常处理，确保锁能够正确释放，避免死锁。如redis分布式锁实现上，利用超时机制，对锁的释放进行兜底，从而避免死锁。

六、小结

竞态条件引发的数据一致性问题，其本质为多执行单元对共享资源的无序并发访问。核心解决思路是将并发操作串行化，主要通过悲观锁和乐观锁两种策略实现。

悲观锁采用 “先锁后用” 的保守策略，通过获取锁来独占资源访问权，强制其他线程阻塞等待，常见实现包括单机环境下的 JavaSynchronized关键字、Go 的Mutex，以及分布式环境中的 Redis 和 Zookeeper 分布式锁。其本质是利用状态标记实现资源的独占控制。

乐观锁秉持 “先操作，后验证” 的理念，允许线程先执行操作，通过版本号或时间戳校验判断是否存在并发冲突，若冲突则按策略重试或回滚，典型实现有Synchronized自旋锁、数据库版本号机制。

实际开发中，需根据业务场景选择合适的锁机制：写操作频繁、冲突概率高的场景优先使用悲观锁；

读多写少、对响应速度要求高的场景更适合乐观锁。

同时，应评估并发需求，最小化锁粒度，做好异常处理，以保障系统的数据一致性和性能。

七、系列总结

至此，本系列文章已经全部结束，回顾梳理一下我们提到的一致性问题：

第一篇文章中，我们提到最典型的一致性问题——冗余数据存储，多份数据存储势必会造成数据一致性问题。首先该不该冗余存储是我们在业务需求开发中必须要评估的问题。其次针对冗余存储的一致性方案，一方面是同步，不论是增量同步（包括多写、异步mq），还是定时任务全量同步，都是基于存储数据的角度去分析；另一方面来说，在冗余存储环境下，我们很难在兼顾性能的前提下去保证冗余存储的一致性，所以另一种设计就是读屏障，我可以设计一些机制（比如读失效、读快照）等实现对外的数据一致性。

和冗余存储常常混在一起的便是分布式共识算法中的一致性问题，与冗余存储不同的点在于，分布式共识强调的是分布式环境中的决策一致性，即在一个范围内的所有节点，如何在一个确定的提案上达成一个统一的结论，可以理解为认知上的一致性。典型算法如paxos、raft，典型实践如Zookeeper、ES集群模块等等。

第四篇文章提到竞态条件下的一致性问题，核心解法就是 执行串行化，主要通过悲观锁和乐观锁两种策略实现。悲观锁采用 “先锁后用” 的保守策略，通过获取锁来独占资源访问权，强制其他线程阻塞等待；乐观锁秉持 “先操作，后验证” 的理念，允许线程先执行操作，通过版本号或时间戳校验判断是否存在并发冲突，若冲突则按策略重试或回滚。在实际开发中，我们应评估并发需求，最小化锁粒度，做好异常处理，以保障系统的数据一致性和性能。

第二、三篇提到一个综合型问题——事务，是一种基于业务场景的综合性问题，在设计方案时其实也会涉及到冗余数据存储和竞态数据竞争的问题。

第二篇提到单机事务，数据库事务的本质是一组数据库操作的集合，这些操作要么全部成功执行，要么全部不执行，以保证数据库从一个一致性状态转换到另一个一致性状态。接着以Mysql为例切入事务的ACID特性，解释Mysql是如何通过保证AID特性最终实现C（Consistent）的。

第三篇围绕分布式事务展开，分布式环境中最大的挑战就是不可靠的网络和时钟，市面上很多关于分布式的解决方案，都是基于原子性——“要么成功，要么失败”去设计实现的，其本质都是通过确认应答模式拉齐认知，通过重试机制来进行可靠性兜底，两种常规的实现思路就是回滚 和 尽最大努力交付。但是要实现分布式事务，仅仅只有原子性还不够，还需要保证分布式环境下的隔离性 和 持久性。

所以，回到我们实际的开发场景，我们在提到一致性问题的时候，需要明确到底是什么场景下的一致性问题，基于不同的场景，结合实际的业务场景，我们才能去设计不同的一致性方案。

此上，如有不正确的地方，欢迎指正。