关于后端:揭露数据不一致的利器-实时核对系统

本文首发于微信公众号“Shopee 技术团队”。

摘要

随着企业业务倒退，以及微服务化大趋势下单体服务的拆分，服务间的通信交互越来越多。与单体服务不同，微服务间的数据往往须要通过额定的伎俩来保障一致性，例如事务音讯、异步工作弥补等。除了从机制上最大水平保障以外，如何观测并及时发现数据不统一也十分重要。

本文介绍 Shopee Financial Products 团队设计和开发的 实时核查零碎（Real-time Checking System），它接入简略，只需依据核查需要配置对应的核查规定，实现了规定热加载，并能在不侵入业务的前提下对系统数据进行实时监测比照，及时发现数据的不统一。零碎落地至今，已在 Shopee 多个产品线推广应用，帮忙不同团队疾速发现线上数据不统一问题，为数据保驾护航。

1. 背景

1.1 零碎数据的不一致性

在日常的开发迭代中咱们能发现，零碎的数据有时并不依照咱们构想的那样进行变更。常见的场景如：用户进行了还款（Repay），零碎 A 收到了还款申请后调用零碎 B，将已解冻的账户进行冻结，但因为某些起因（如系统故障、网络分区等），冻结的申请没有到达 B，或者冻结胜利的响应没有返回给 A，此时会呈现曾经确定收款但未冻结，或未确认收款却已冻结的状况，从而引起用户投诉或资金损失。

造成这类问题的起因通常有：代码逻辑 Bug、并发场景处理不当、根底组件（网络、数据库、中间件）故障、跨零碎间不足原生的一致性保障等等。随着业务扩大，企业内的利用越来越多，且有许多 单体利用 （Monolithic Application）向 微服务（Microservices）拆分转型，分布式的场景下失落了数据库事务的反对，须要解决数据一致性的问题。

保障数据统一的计划有很多种，在单体服务且短少不同组件间（例如跨 Database、不同存储中间件）事务反对的场景下，能够应用本地事务表 + 弥补工作的组合，将主表数据与查看工作通过事务写入，再通过异步工作一直查看指标数据是否统一并进行弥补，可实现最终一致性；在跨服务场景下，Saga 模式通过可靠消息及服务提供回滚事务的能力，来实现分布式事务。

然而，对于重要的业务，不论应用何种一致性计划，提供额定的查看、核查、兜底伎俩都是必要的，由此衍生出了很多的业务核查、对账的需要。服务间通过特定伎俩保障数据一致性，并设计无侵入的旁路零碎进行数据核查和校验，是微服务架构下的典型搭配。

1.2 离线核查的缺点

常见的离线数据核查能够通过定时工作，依照肯定的筛选条件，从不同数据源中获取特定数据，再进行比拟。这种计划的伪代码如：

func Check() {// 获取上游 update_time 落在 [a, b) 的数据行
    upstreamRows := QueryUpstreamDB(a, b)

    for uniqueKey, sourceData := range upstreamRows {
        // 为每个上游数据查找对应的上游数据
        targetData := QueryDownstreamDB(uniqueKey)

        // 比照上下游数据
        Compare(sourceData, targetData)
    }
}

时效性低 是这类查表计划的通病。核查操作通常放在异步工作中定时执行，执行工夫和离数据变更工夫有肯定提早，且定时工作的查问条件也会对核查指标造成影响。当出现异常数据时，不能及时发现问题，只能期待下次定时工作执行后能力发现。

引入了 额定的扫表开销 同样是个不容忽视的问题。在数据量较大，尤其是存在大量 INSERT 操作的场景下，想要核查就须要 SELECT 出上下游的指标数据。为了在不影响失常业务的状况下及时处理完核查工作，开发者可通过将查问转移到从库，甚至引入核查工作独占的从库，但此类查表核查计划在资源应用和实现复杂度方面都不够现实。

同时，因为查表失去的后果只是以后的数据版本，在两次查看之间，数据可能产生了屡次变更，定时工作无奈感知和观测到每个状态变更，在数据被频繁 UPDATE 的场景下也存在肯定的核查和检测难度。

因而，要实现更好的数据核查，咱们须要思考以下几点指标：

• 实现秒级核查。
• 尽量减少数据库查问。
• 核查数据变更，而非核查数据快照。
• 简略灵便的接入形式。

2. 实时数据核查

为了更好地发现数据不统一的状况，Shopee Financial Products 团队在 2021 年中设计并实现了 Real-time Checking System（实时核查零碎，RCS）。RCS 具备以下外围劣势：

• 秒级数据核查。
• 对业务逻辑无侵入。
• 可配置化接入。

从上线至今，RCS 帮忙团队及时检测到了屡次数据问题，能够将起因演绎为以下几个方面：

• 代码逻辑 Bug：包含幂等解决、并发问题、业务逻辑谬误等。
• 零碎运行环境：DB 异样、网络抖动、MQ 异样等。

本节次要介绍 RCS 的实现，包含零碎架构和核查流程、核查性能优化、音讯告诉机制等。

2.1 零碎架构与核查流程

在零碎设计上，咱们将 RCS 分为了三层：

• 变更数据获取（Data Fetching Layer）
• 数据核查（Data Checking Layer）
• 核查后果解决（Result Handling Layer）

2.1.1 变更数据获取

实时核查，顾名思义须要着重关注“实时”和“核查”两个要点。Data Fetching Layer 负责达成实时的指标，通过对不同 CDC（Change Data Capture，变更数据抓取）计划的调研，咱们应用了 Log-Based 的计划来提供时效性保障。

扩大浏览

CDC 模式用于感知数据变更，次要能够分为以下 4 类：

• Timestamps，基于 update_time 或相似字段进行查问来获取变更数据。
• Table Differencing，获取残缺数据快照进行比对。
• Triggers，为 DDL、DML 设置 Trigger，将变更内容用额定的操作记录至数据库。
• Log-Based，典型例子为利用 MySQL binlog 和 MongoDB oplog。

其中，Timestamps 计划和 Table Differencing 均由定时工作驱动，时效性较弱。Timestamps 计划无奈感知被删除的数据，应用时须要由软删除代替；Table Differencing 计划补救了这个毛病，然而屡次获取残缺数据会让整套计划显得十分轻便。

Triggers 计划和 Log-Based 计划获取到的均为数据变更而非数据快照，但 Triggers 感知后以特定的语句将其记录下来，实质上是一次写操作，仍给数据库带来了额定的累赘。

当 MySQL 产生数据变更时，高可用的 binlog 同步组件会获取到对应 binlog，并将其投递至 Kafka 中，以此获取变更数据的数据值用于核查。

在理论应用中，须要核查的数据可能并非都存在于 MySQL 中，例如咱们也须要核查 MySQL 与 MongoDB 的数据、MySQL 与 Redis 的数据。为此，业务零碎也能够通过自行投递特定格局的 Kafka 音讯来接入，从而保障接入的灵活性。

2.1.2 数据核查

Data Checking Layer 负责解决接管到的数据流，包含获取特定的核查规定，接管到数据时进行暂存或比对。RCS 对 binlog 数据进行形象，提炼了一套通用的可配置化的核查规定。用户只须要填写对应的规定，即可实现自助接入。规定定义示例如下：

不难想象，不同零碎间数据的变更是有先后的，且变更的音讯被 RCS 接管到也会有先后顺序。因而，先到达的数据须要被存储下来作为后续比对的指标，后到达的数据则依照规定与已有数据进行比对。

为了便于形容，这里先定义几个名称：

• 数据上游：先达到 RCS 的数据为上游。
• 数据上游：后达到 RCS 的数据为上游。
• 核查项：某个数据核查需要，包含上游数据和上游数据。例如：System A 与 System B 核查用户资金状态的需要。

以上面这一次核查为例，它须要判断数据是否在 10 秒达成统一，整体的核查流程能够简要形容为：

• （图 8）核查项的上游数据达到，暂存 Redis 和提早队列。

• （图 8）RCS 期待核查项的上游数据：

  • 比对数据达到，进行核查，并删除 Redis key；
  • 比对数据未达到，判断提早队列中的数据。

• （图 9）提早队列达到工夫后，再次查问在 Redis 中是否有对应数据：

  • 存在，则超过核查工夫阈值，发送异样告警，删除 Redis key；
  • 不存在，则已核查。

2.1.3 音讯告诉机制

RCS 的指标是及时发现数据不统一的问题，因而，在 Result Handling Layer 中接入了 Shopee 企业 IM（SeaTalk）的机器人进行告警。将来告警接口也会进行凋谢，便于扩大和让其它音讯利用进行接入。

咱们设计了四种音讯告诉机制：

• Mismatch Notice
• Aggregated Notice
• Recovery Notice
• Statistical Notice

Mismatch Notice 应答个别场景下的核查失败，及时告诉到对应的业务负责人，便于疾速定位问题起因并修复数据。但当大量数据呈现不统一时，Aggregated Notice 会取而代之，将告警进行聚合发送，防止影响到值班人员的失常浏览。

RCS 也会将核查失败的数据长久化，因此具备复原感知的能力。当异样数据恢复时，Recovery Notice 会发送音讯告知使用者何种不统一曾经复原，距离了多少工夫。

最初，Statistical Notice 会向使用者报告惯例的统计数据，包含 DB 主从提早、当日核查成功率等。

2.2 核查性能演进

零碎上线至今，接入或自行部署应用 RCS 的团队越来越多，对应的业务场景也各不相同，晚期的核查规定难以满足不同团队的核查需要。在 2021 年末，Shopee Financial Products 研发团队又对 Data Checking Layer 进行了一系列的扩大，目标是缩小保护老本，以较为通用的形式反对不同团队的应用。

2.2.1 等值 / 映射核查

在最早上线的版本中，RCS 零碎蕴含了等值和状态映射核查的性能，是针对组内理论面临的场景设计的，满足日常的应用需要。

核查零碎次要解决的是上下游零碎之间金额数值、状态的变动，通常咱们能获取到的 binlog 外围字段示例和核查逻辑如下：

假如先接管到 System A 的 binlog 音讯，暂存 Redis，规定工夫内也接管到了 System B 的 binlog 音讯：

• 依据 System B 这条 binlog 的特色，发现配置有两条核查规定：

  • loan_amount 为 200，须要找到一条对应的 System A 的 binlog，且 order_amount 需与之匹配；
  • loan_status 为 4，须要找到一条对应的 System A 的 binlog，且 order_status 需为 2。

对于不同零碎间产生的单条记录变更的核查，等值和映射查看能笼罩到大部分场景。然而因为这两种核查的逻辑都是固定下来的，所以业务方如果有不同的核查须要，则须要新的代码逻辑实现。为此，研发团队思考 将核查逻辑交给应用方来形容，因此催生出了表达式核查的性能。

2.2.2 表达式核查

如果咱们思考以下的 binlog 示例，不同零碎间的数据模型设计并不统一，字段非一一对应。

System A 记录了 订单的金额为 100，而 System B 记录了订单的 已领取金额为 30，借贷金额为 70，须要核查的是 System A order_amount 是否等于 System B paid_amount + loan_amount，原有的设计无奈反对。

为此，咱们引入了表达式求值的计划，当 binlog 到达时，应用方通过一个返回值为布尔类型的表达式来形容本人的核查逻辑，如：

• 判断 2.2.2 中求和场景：a.order_amount == b.paid_amount + b.loan_amount

• 兼容判断 2.2.1 中场景：

  • a.order_amount == b.loan_amount
  • a.order_status == 2 && b.loan_status == 4

在表达式核查计划下，两个零碎间的简直所有的单条数据核查场景都能进行笼罩，且这种计划的益处在于研发团队不必再费心理提供新的计算、映射、与或非逻辑实现的反对，大大减少了保护老本。

2.2.3 动静配置数据核查

在电商和金融的场景中，存在一些动态数据，例如费率、流动优惠折扣等，会随着业务和经营打算产生实时变动。这类数据通常存储在配置表中，因而通过简略的表达式无奈进行定义，而不同业务零碎中的配置表结构设计也不一样，很难在核查零碎代码中进行申明。

为了满足这种场景，RCS 引入了对业务零碎 SQL 查问的反对，当获取到新的 binlog 时，查看这条 binlog 满足的核查规定，应用方在核查规定中会配置须要执行的 SQL 语句，以及分库分表规定，由核查零碎执行并失去比对的内容，再进行表达式核查：

• binlog 中获取到以后订单的费率 order_rate 为 0.5。
• 依据配置信息执行 SELECT 语句查问实时的费率 rate。
• 执行表达式核查 a.order_rate == rate。

除此之外，RCS 也能反对 JSON 串核查，譬如 System A 须要核查 order_rate，然而存储 order_rate 信息是一个 JSON 串，rate_info = {"decimal_base":"10000", "order_rate":"0.5"}。能够在 RCS 的核查规定中，自定义 JSON 解析表达式，提取实在须要核查的字段。

3. 性能体现

RCS 零碎的性能次要取决于 Data Fetching Layer 和 Data Checking Layer。

Data Fetching Layer 的性能代表实时获取变更数据的能力，受 binlog 解析（CPU 密集型工作）及 Kafka 的音讯长久化（I/O 密集型工作）影响。业务团队可依据须要抉择对应的硬件搭建 CDC 模块，以咱们应用场景为例，每秒可投递的音讯数量超过 20K。

Data Checking Layer 则负责进行数据核查，为了测试 RCS 的性能极限，Data Fetching 采纳 Kafka 发送源数据，核查零碎采纳单机部署。测试结果表明，RCS 每秒可实现核查 10K+ 次，具体数据如下：

<br/>

从压测后果剖析，RCS 的性能瓶颈次要取决于 Redis 集群的性能，单次核查耗时约为 0.5ms。
当然，RCS 反对集群部署，做为 Kafka 的消费者，能够利用 Kafka consumer group 的 Rebanancing 机制，从而实现动静扩 / 缩容的机制。

4. 总结

Shopee Financial Products 团队在 2021 年落地的 RCS 目前在多个产品线推广和应用，次要解决传统 T+1 式离线数据核查提早高、业务耦合严密，且随新业务上线还带来额定的开发累赘的问题。

RCS 通过灵便的核查规定配置化、表达式场景笼罩以及 Log-Based 的 CDC 计划，提供近实时的数据核查解决方案，最大水平地升高数据不统一导致的资金、信息安全等危险。咱们也欢送不同的用户和团队接入或部署应用，在后续的更新迭代中，RCS 会进一步晋升核查的性能，以撑持业务量增长带来的核查需要。

本文作者

Yizhong、Songtao，后端研发工程师。来自 Shopee Financial Products 团队。

Jiekun，后端研发工程师，热衷于分布式系统 & Kubernetes。来自 Shopee Off-Platform Ads 团队。