共计 11094 个字符，预计需要花费 28 分钟才能阅读完成。
图解 Janusgraph 系列 - 并发平安：锁机制（本地锁 + 分布式锁）剖析
大家好，我是 洋仔 ，JanusGraph 图解系列文章， 实时更新~
图数据库文章总目录：
- 整顿所有图相干文章，请移步 (超链)： 图数据库系列 - 文章总目录
- 地址：https://liyangyang.blog.csdn.net/article/details/111031257
源码剖析相干可查看 github（码文不易，求个 star~）：https://github.com/YYDreamer/janusgraph下述流程高清大图地址：https://www.processon.com/view/link/5f471b2e7d9c086b9903b629
版本：JanusGraph-0.5.2
转载文章请保留以下申明：
作者：洋仔聊编程
微信公众号：匠心 Java
原文地址：https://liyangyang.blog.csdn.net/
在分布式系统中，不免波及到对同一数据的并发操作，如何保障分布式系统中数据的并发平安呢？分布式锁！
一：分布式锁
罕用的分布式锁实现形式：
1、基于数据库实现分布式锁
针对于数据库实现的分布式锁，如 mysql 应用应用 for update 独特竞争一个行锁来实现；在 JanusGraph 中，也是基于数据库实现的分布式锁，这里的 数据库 指的是咱们以后应用的第三方backend storage，具体的实现形式也和 mysql 有所不同，具体咱们会在下文剖析
2、基于 Redis 实现的分布式锁
基于 lua 脚本+setNx 实现
3、基于 zk 实现的分布式锁
基于 znode 的有序性和 长期节点 +zk 的watcher 机制实现
4、MVCC 多版本并发管制乐观锁实现
本文次要介绍 Janusgraph 的锁机制，其余的实现机制就不在此做详解了
上面咱们来剖析一下 JanusGraph 的锁机制 实现~
二：JanusGraph 锁机制
在 JanusGraph 中应用的锁机制是：本地锁 + 分布式锁 来实现的；
2.1 一致性行为
在 JanusGraph 中次要有三种 一致性修饰词 (Consistency Modifier) 来示意 3 种不同的 一致性行为，来管制图库应用过程中的并发问题的管制水平；
public enum ConsistencyModifier {
DEFAULT,
LOCK,
FORK
}源码中 ConsistencyModifier 枚举类次要作用：用于管制 JanusGraph 在 最终统一或其余非事务性后端系统 上的一致性行为！其作用别离为：
- DEFAULT：默认的一致性行为，不应用分布式锁进行管制，对配置的存储后端应用由关闭事务保障的默认一致性模型，一致性行为次要取决于存储后端的配置以及关闭事务的（可选）配置；无需显示配置即可应用
- LOCK：在存储后端反对锁的前提下，显示的获取分布式锁以保障一致性！确切的一致性保障取决于所配置的锁实现；需
management.setConsistency(element, ConsistencyModifier.LOCK);语句进行配置 - FORK：只实用于
multi-edges和list-properties两种状况下应用；使 JanusGraph 批改数据时，采纳先删除后增加新的边 / 属性的形式，而不是笼罩现有的边 / 属性，从而防止潜在的并发写入抵触；需management.setConsistency(element, ConsistencyModifier.FORK);进行配置
LOCK
在查问或者插入数据时，是否应用 分布式锁 进行并发管制，在图 shcema 的创立过程中，如上述能够通过配置 schema 元素 为ConsistencyModifier.LOCK形式管制并发，则在应用过程中就会用 分布式锁 进行并发管制；
为了提高效率，JanusGraph 默认不应用锁定。因而，用户必须为定义 一致性束缚 的每个架构元素决定是否应用锁定。
应用 JanusGraphManagement.setConsistency（element，ConsistencyModifier.LOCK） 显式启用对架构元素的锁定
代码如下所示：
mgmt = graph.openManagement()
name = mgmt.makePropertyKey('consistentName').dataType(String.class).make()
index = mgmt.buildIndex('byConsistentName', Vertex.class).addKey(name).unique().buildCompositeIndex()
mgmt.setConsistency(name, ConsistencyModifier.LOCK) // Ensures only one name per vertex
mgmt.setConsistency(index, ConsistencyModifier.LOCK) // Ensures name uniqueness in the graph
mgmt.commit()FORK
因为边缘作为单个记录存储在根底存储后端中，因而同时批改单个边缘将导致抵触。
FORK就是为了代替LOCK，能够将边缘标签配置为应用ConsistencyModifier.FORK。
上面的示例创立一个新的 edge label，并将其设置为ConsistencyModifier.FORK
mgmt = graph.openManagement()
related = mgmt.makeEdgeLabel('related').make()
mgmt.setConsistency(related, ConsistencyModifier.FORK)
mgmt.commit()通过上述配置后，批改标签配置为 FORK 的 edge 时，操作步骤为：
- 首先，删除该边
- 将批改后的边作为新边增加
因而，如果两个并发事务批改了同一边缘，则提交时将存在边缘的两个批改后的正本，能够在查问遍历期间依据须要解决这些正本。
留神 edge fork 仅实用于 MULTI edge。具备多重性束缚的边缘标签不能应用此策略，因为非 MULTI 的边缘标签定义中内置了一个唯一性束缚，该束缚须要显式锁定或应用根底存储后端的抵触解决机制
上面咱们具体来看一下 janusgrph 的锁机制 的实现：
2.2 LoackID
在介绍锁机制之前，先看一下锁应该锁什么货色呢？
咱们都晓得在 janusgraph 的底层存储中，vertexId 作为 Rowkey，属性和边存储在 cell 中，由 column+value 组成
当咱们批改 节点的属性和边 + 边的属性时 ，很显著只有锁住对应的Rowkey + Column 即可；
在 Janusgraph 中，这个锁的标识的根底局部就是LockID：
LockID = RowKey + Column
源码如下：
KeyColumn lockID = new KeyColumn(key, column);2.3 本地锁
本地锁 是在任何状况下都须要获取的一个锁，只有获取胜利后，才会进行下述 分布式锁 的获取！
本地锁 是基于 图实例 维度存在的；次要作用是保障以后图实例下的操作中无抵触！
本地锁的实现是通过 ConcurrentHashMap 数据结构来实现的，在图实例维度下惟一；
基于以后 事务 +lockId 来作为 锁标识；
获取的次要流程：
联合源码如下：
上述图倡议按照源码一块剖析，源码在 LocalLockMediator 类中的下述办法，上面 源码剖析模块 会详细分析
public boolean lock(KeyColumn kc, T requester, Instant expires) {}引入本地锁机制，次要目标： 在图实例维度来做一层锁判断，缩小分布式锁的并发抵触，缩小分布式锁带来的性能耗费
2.4 分布式锁
在 本地锁 获取胜利之后才会去尝试获取 分布式锁；
分布式锁的获取整体分为两局部流程：
分布式锁信息插入分布式锁信息状态判断
分布式锁信息插入
该局部次要是通过 lockID 来结构要插入的 Rowkey 和 column 并将数据插入到 hbase 中；插入胜利即示意这部分解决胜利！
具体流程如下：
分布式锁信息状态判断
该局部在上一部分实现之后才会进行，次要是判断分布式锁是否获取胜利！
查问出以后 hbase 中对应Rowkey 的所有 column，过滤未过期的 column 汇合，比对汇合的第一个 column 是否等于以后事务插入的 column；
等于则获取胜利！不等于则获取失败！
具体流程如下：
三：源码剖析 与 整体流程
源码剖析曾经 push 到 github：https://github.com/YYDreamer/…
1、获取锁的入口
public void acquireLock(StaticBuffer key, StaticBuffer column, StaticBuffer expectedValue, StoreTransaction txh) throws BackendException {
// locker 是一个一致性 key 锁对象
if (locker != null) {
// 获取以后事务对象
ExpectedValueCheckingTransaction tx = (ExpectedValueCheckingTransaction) txh;
// 判断：以后的获取锁操作是否以后事务的操作中存在增删改的操作
if (tx.isMutationStarted())
throw new PermanentLockingException("Attempted to obtain a lock after mutations had been persisted");
// 应用 key+column 组装为 lockID，供下述加锁应用！！！！！KeyColumn lockID = new KeyColumn(key, column);
log.debug("Attempting to acquireLock on {} ev={}", lockID, expectedValue);
// 获取本地以后 jvm 过程中的写锁（看下述的 1：写锁获取剖析）//（此处的获取锁只是将对应的 KLV 存储到 Hbase 中！存储胜利并不代表获取锁胜利）// 1. 获取胜利（等同于存储胜利）则继续执行
// 2. 获取失败（等同于存储失败），会抛出异样，抛出到最上层，打印谬误日志“Could not commit transaction ["+transactionId+"] due to exception”并抛出对应的异样，本次插入数据完结
locker.writeLock(lockID, tx.getConsistentTx());
// 执行前提：上述获取锁胜利！// 存储期望值，此处为了实现当雷同的 key + value + tx 多个加锁时，只解决第一个
// 存储在事务对象中，标识在 commit 判断锁是否获取胜利时，以后事务插入的是哪个锁信息
tx.storeExpectedValue(this, lockID, expectedValue);
} else {
// locker 为空状况下，间接抛出一个运行时异样，终止程序
store.acquireLock(key, column, expectedValue, unwrapTx(txh));
}
}2、执行 locker.writeLock(lockID, tx.getConsistentTx()) 触发锁获取
public void writeLock(KeyColumn lockID, StoreTransaction tx) throws TemporaryLockingException, PermanentLockingException {if (null != tx.getConfiguration().getGroupName()) {MetricManager.INSTANCE.getCounter(tx.getConfiguration().getGroupName(), M_LOCKS, M_WRITE, M_CALLS).inc();}
// 判断以后事务是否在图实例的维度 曾经占据了 lockID 的锁
// 此处的 lockState 在一个事务胜利获取本地锁 + 分布式锁后，以事务为 key、value 为 map，其中 key 为 lockID，value 为加锁状态（开始工夫、过期工夫等）if (lockState.has(tx, lockID)) {log.debug("Transaction {} already wrote lock on {}", tx, lockID);
return;
}
// 以后事务没有占据 lockID 对应的锁
// 进行(lockLocally(lockID, tx）本地加锁锁定操作，if (lockLocally(lockID, tx)) {
boolean ok = false;
try {
// 在本地锁获取胜利的前提下：// 尝试获取基于 Hbase 实现的分布式锁；// 留神！！！（此处的获取锁只是将对应的 KLV 存储到 Hbase 中！存储胜利并不代表获取锁胜利）S stat = writeSingleLock(lockID, tx);
// 获取锁分布式锁胜利后（即写入胜利后），更新本地锁的过期工夫为分布式锁的过期工夫
lockLocally(lockID, stat.getExpirationTimestamp(), tx); // update local lock expiration time
// 将上述获取的锁，存储在标识以后存在锁的汇合中 Map<tx,Map<lockID,S>>，key 为事务、value 中的 map 为以后事务获取的锁，key 为 lockID，value 为以后获取分布式锁的 ConsistentKeyStatus（一致性密匙状态）对象
lockState.take(tx, lockID, stat);
ok = true;
} catch (TemporaryBackendException tse) {
// 在获取分布式锁失败后，捕捉该异样，并抛出该异样
throw new TemporaryLockingException(tse);
} catch (AssertionError ae) {
// Concession to ease testing with mocks & behavior verification
ok = true;
throw ae;
} catch (Throwable t) {
// 呈现底层存储谬误！则间接加锁失败！throw new PermanentLockingException(t);
} finally {
// 判断是否胜利获取锁，没有获分布式锁的，则开释本地锁
if (!ok) {
// 没有胜利获取锁，则开释本地锁
// lockState.release(tx, lockID); // has no effect
unlockLocally(lockID, tx);
if (null != tx.getConfiguration().getGroupName()) {MetricManager.INSTANCE.getCounter(tx.getConfiguration().getGroupName(), M_LOCKS, M_WRITE, M_EXCEPTIONS).inc();}
}
}
} else {
// 如果获取本地锁失败，则间接抛出异样，不进行从新本地争用
// Fail immediately with no retries on local contention
throw new PermanentLockingException("Local lock contention");
}
}蕴含两个局部：
- 本地锁的获取
lockLocally(lockID, tx) - 分布式锁的获取
writeSingleLock(lockID, tx)留神此处只是将锁信息写入到 Hbase 中，并不代表获取分布式锁胜利，只是做了上述介绍的第一个阶段分布式锁信息插入
3、本地锁获取 lockLocally(lockID, tx)
public boolean lock(KeyColumn kc, T requester, Instant expires) {
assert null != kc;
assert null != requester;
final StackTraceElement[] acquiredAt = log.isTraceEnabled() ?
new Throwable("Lock acquisition by" + requester).getStackTrace() : null;
// map 的 value，以事务为外围
final AuditRecord<T> audit = new AuditRecord<>(requester, expires, acquiredAt);
// ConcurrentHashMap 实现 locks, 以 lockID 为 key，事务为外围 value
final AuditRecord<T> inMap = locks.putIfAbsent(kc, audit);
boolean success = false;
// 代表以后 map 中不存在 lockID，标识着锁没有被占用，胜利获取锁
if (null == inMap) {
// Uncontended lock succeeded
if (log.isTraceEnabled()) {log.trace("New local lock created: {} namespace={} txn={}",
kc, name, requester);
}
success = true;
} else if (inMap.equals(audit)) {
// 代表以后存在 lockID，比对旧 value 和新 value 中的事务对象是否是同一个
// requester has already locked kc; update expiresAt
// 上述判断后，事务对象为同一个，标识以后事务曾经获取这个 lockID 的锁；// 1. 这一步进行 cas 替换，作用是为了刷新过期工夫
// 2. 并发解决，如果因为锁过期被其余事务占据，则占用锁失败
success = locks.replace(kc, inMap, audit);
if (log.isTraceEnabled()) {if (success) {log.trace("Updated local lock expiration: {} namespace={} txn={} oldexp={} newexp={}",
kc, name, requester, inMap.expires, audit.expires);
} else {log.trace("Failed to update local lock expiration: {} namespace={} txn={} oldexp={} newexp={}",
kc, name, requester, inMap.expires, audit.expires);
}
}
} else if (0 > inMap.expires.compareTo(times.getTime())) {
// 比拟过期工夫，如果锁曾经过期，则以后事务能够占用该锁
// the recorded lock has expired; replace it
// 1. 以后事务占用锁
// 2. 并发解决，如果因为锁过期被其余事务占据，则占用锁失败
success = locks.replace(kc, inMap, audit);
if (log.isTraceEnabled()) {log.trace("Discarding expired lock: {} namespace={} txn={} expired={}",
kc, name, inMap.holder, inMap.expires);
}
} else {
// 标识：锁被其余事务占用，并且未过期，则占用锁失败
// we lost to a valid lock
if (log.isTraceEnabled()) {log.trace("Local lock failed: {} namespace={} txn={} (already owned by {})",
kc, name, requester, inMap);
log.trace("Owner stacktrace:\n {}", Joiner.on("\n").join(inMap.acquiredAt));
}
}
return success;
}如上述介绍，本地锁的实现是通过 ConcurrentHashMap 数据结构来实现的，在图实例维度下惟一！
4、分布式锁获取第一个阶段：分布式锁信息插入
protected ConsistentKeyLockStatus writeSingleLock(KeyColumn lockID, StoreTransaction txh) throws Throwable {
// 组装插入 hbase 数据的 Rowkey
final StaticBuffer lockKey = serializer.toLockKey(lockID.getKey(), lockID.getColumn());
StaticBuffer oldLockCol = null;
// 进行尝试插入，默认尝试次数 3 次
for (int i = 0; i < lockRetryCount; i++) {
// 尝试将数据插入到 hbase 中；oldLockCol 示意要删除的 column 代表上一次尝试插入的数据
WriteResult wr = tryWriteLockOnce(lockKey, oldLockCol, txh);
// 如果插入胜利
if (wr.isSuccessful() && wr.getDuration().compareTo(lockWait) <= 0) {final Instant writeInstant = wr.getWriteTimestamp(); // 写入工夫
final Instant expireInstant = writeInstant.plus(lockExpire);// 过期工夫
return new ConsistentKeyLockStatus(writeInstant, expireInstant); // 返回插入对象
}
// 赋值以后的尝试插入的数据，要在下一次尝试时删除
oldLockCol = wr.getLockCol();
// 判断插入失败起因，长期异样进行尝试，非长期异样进行尝试！handleMutationFailure(lockID, lockKey, wr, txh);
}
// 解决在尝试了 3 次之后还是没插入胜利的状况，删除最初一次尝试插入的数据
tryDeleteLockOnce(lockKey, oldLockCol, txh);
// TODO log exception or successful too-slow write here
// 抛出异样，标识导入数据失败
throw new TemporaryBackendException("Lock write retry count exceeded");
}上述只是将锁信息插入，插入胜利标识该流程完结
5、分布式锁获取第一个阶段：分布式锁锁定是否胜利断定
这一步，是在 commit 阶段进行的验证
public void commit() throws BackendException {
// 此办法内调用 checkSingleLock 查看分布式锁的获取后果
flushInternal();
tx.commit();}最终会调用 checkSingleLock 办法，判断获取锁的状态！
protected void checkSingleLock(final KeyColumn kc, final ConsistentKeyLockStatus ls,
final StoreTransaction tx) throws BackendException, InterruptedException {
// 查看是否被查看过
if (ls.isChecked())
return;
// Slice the store
KeySliceQuery ksq = new KeySliceQuery(serializer.toLockKey(kc.getKey(), kc.getColumn()), LOCK_COL_START,
LOCK_COL_END);
// 此处从 hbase 中查问出锁定的行的所有列！默认查问重试次数 3
List<Entry> claimEntries = getSliceWithRetries(ksq, tx);
// 从每个返回条目标列中提取 timestamp 和 rid，而后过滤出带有过期工夫戳的 timestamp 对象
final Iterable<TimestampRid> iterable = Iterables.transform(claimEntries,
e -> serializer.fromLockColumn(e.getColumnAs(StaticBuffer.STATIC_FACTORY), times));
final List<TimestampRid> unexpiredTRs = new ArrayList<>(Iterables.size(iterable));
for (TimestampRid tr : iterable) { // 过滤获取未过期的锁！final Instant cutoffTime = now.minus(lockExpire);
if (tr.getTimestamp().isBefore(cutoffTime)) {...}
// 将还未过期的锁记录存储到一个汇合中
unexpiredTRs.add(tr);
}
// 判断以后 tx 是否胜利持有锁！如果咱们插入的列是读取的第一个列，或者后面的列只蕴含咱们本人的 rid（因为咱们是在第一局部的前提下获取的锁，第一局部咱们胜利获取了基于以后过程的锁，所以如果 rid 雷同，代表着咱们也胜利获取到了以后的分布式锁），那么咱们持有锁。否则，另一个过程持有该锁，咱们无奈取得锁
// 如果，获取锁失败，抛出 TemporaryLockingException 异样！！！！抛出到顶层的 mutator.commitStorage()处，最终导入失败进行事务回滚等操作
checkSeniority(kc, ls, unexpiredTRs);
// 如果上述步骤未抛出异样，则标识以后的 tx 曾经胜利获取锁！ls.setChecked();}四：整体流程
总流程如下图：
整体流程为：
- 获取本地锁
-
获取分布式锁
- 插入分布式锁信息
- commit 阶段判断分布式锁获取是否胜利
- 获取失败，则重试
五：总结
JanusGraph 的锁机制次要是通过 本地锁 + 分布式锁 来实现分布式系统下的数据一致性；
分布式锁的管制维度为：property、vertex、edge、index 都能够；
JanusGraph反对在数据导入时通过后面 一致性行为 局部所说的 LOCK 来开关分布式锁：
- LOCK：数据导入时开启分布式锁保障分布式一致性
- DEFAULT、FORK：数据导入时敞开分布式锁
是否开启分布式锁思考：
在开启分布式锁的状况下，数据导入开销十分大；如果是数据不是要求很高的一致性，并且数据量比拟大，咱们能够抉择敞开分布式锁相干，来进步导入速度；
而后，针对于小数据量的要求高一致性的数据，独自开启分布式锁来保障数据安全；
另外，咱们在不开启分布式锁定的状况下，能够通过针对于导入的 数据的充沛探查 来缩小抵触！
针对于图 schema 的元素开启还是敞开分布式锁，还是依据理论业务状况来决定。
本文有任何问题，可加博主微信或评论指出，感激！
码文不易，给个赞和 star 吧~
本文由博客群发一文多发等经营工具平台 OpenWrite 公布
