📚 课程目录第1章课程导论

1. 课程导论：Saga模式在分布式事务中的核心地位，以及链路追踪数据传输优化的必要性

1.1 分布式事务的挑战与Saga模式的崛起

在微服务架构与云原生环境中，单体数据库的本地事务（ACID）已无法覆盖跨服务、跨数据源的业务操作。分布式事务面临的核心矛盾在于：如何在保证数据最终一致性的前提下，避免传统XA协议带来的长锁、低吞吐与单点阻塞问题。

Saga模式通过将一个大事务拆分为一系列本地事务（Local Transaction），并为每个本地事务配置对应的补偿操作（Compensating Action），实现了“无锁、异步、高可用”的最终一致性方案。这使得Saga成为电商订单、金融转账、供应链协同等长周期业务流程的首选事务模型。

核心认知： Saga不是ACID的替代品，而是针对“长事务+高并发”场景的工程妥协与优化。它牺牲了隔离性（Isolation），换取了更高的吞吐与更低的资源占用。

1.2 Saga模式的核心地位：三大不可替代性

维度	传统XA/2PC	TCC（Try-Confirm-Cancel）	Saga模式
锁粒度	全局锁，资源阻塞	业务预留锁，轻量	无锁，本地事务提交即释放
吞吐上限	受协调者瓶颈限制	较高，依赖预留逻辑	最高，完全异步化
业务侵入	低，对SQL透明	高，需实现Try/Confirm/Cancel	中，需定义正向与补偿操作
隔离性	可串行化	读已提交+预留	无隔离（需业务层处理脏读）
适用场景	短事务、强一致	短事务、高隔离	长事务、高吞吐、最终一致

从上表可以看出，Saga在高并发压测场景中具有天然优势：无锁设计避免了死锁与级联回滚，异步编排使得单次事务的RT（响应时间）不再受最慢参与者拖累。这也是为什么在双11、秒杀、跨境支付等压测场景中，Saga逐渐取代TCC成为主流选择。

1.3 链路追踪数据传输：压测中的“盲区”与“瓶颈”

在Saga压测中，一个常被忽视但影响巨大的因素是链路追踪数据的传输开销。Saga事务通常跨越3~10个微服务，每个服务在正向执行或补偿时，都会产生大量的Span数据（TraceId、SpanId、ParentId、业务标签、时间戳、异常堆栈等）。

压测时，这些追踪数据会通过以下路径传输：

服务内：通过ThreadLocal或异步上下文传递Trace上下文。
服务间：通过HTTP Header、gRPC Metadata或消息队列Header透传。
采集端：Agent或SDK将Span异步上报至Collector（如Jaeger、Zipkin、SkyWalking）。

在低并发（<100 TPS）时，这些数据传输几乎不产生性能影响。但在压测场景下（>1000 TPS），链路追踪数据可能占据总网络IO的15%~30%，甚至导致：

Header膨胀：单个请求的HTTP Header因携带Trace上下文从2KB膨胀至8KB+，增加网络延迟。
CPU空转：序列化/反序列化Trace对象消耗大量CPU时间片。
Collector背压：Span上报速度超过Collector处理能力，触发丢数据或阻塞业务线程。

压测陷阱： 很多团队在压测Saga时，只关注业务接口的TPS和RT，却忽略了链路追踪数据对系统资源的隐性消耗。结果线上真实流量低于压测数据时，反而出现OOM或GC频繁——因为压测环境关闭了全量追踪，而线上开启了。

1.4 数据传输优化的必要性：从“可观测”到“高性能可观测”

链路追踪数据传输优化的目标不是“减少追踪”，而是在保持可观测性的前提下，将数据传输对业务性能的影响降到最低。具体必要性体现在以下三个层面：

降低P99延迟：通过压缩Trace上下文、合并Span上报、减少Header透传字段，使Saga事务的P99延迟下降20%~40%。
提升压测吞吐上限：优化后的数据传输使Collector能够支撑更高的Span写入速率，避免成为压测瓶颈。
保障补偿链路可观测：Saga的补偿操作（回滚）往往比正向流程更复杂，优化后的链路数据能确保补偿路径的完整追踪，不因数据丢失而遗漏异常。

1.5 本课程的核心内容与学习路径

本课程将围绕“Saga链路追踪数据传输优化”这一主题，从压测场景出发，系统讲解以下内容：

Saga事务模型深度剖析：编排与协同模式、补偿机制、隔离性处理。
链路追踪数据模型与传输协议：OpenTelemetry、Jaeger、SkyWalking的数据格式与传输方式。
压测场景构建：如何设计Saga压测用例、监控指标、瓶颈定位方法。
数据传输优化技术：上下文压缩、采样策略、批量上报、Header瘦身、异步非阻塞传输。
实战案例：电商下单Saga、跨境支付Saga的链路追踪优化全流程。

学习建议： 如果你对Saga模式尚不熟悉，建议先掌握“补偿事务”与“编排/协同”两种实现方式的区别。本课程假设你已具备基本的分布式系统知识，但会在关键概念处提供回顾性说明。

1.6 本章小结

Saga模式凭借其无锁、高吞吐、最终一致性的特性，已成为分布式事务压测场景中的核心模型。然而，链路追踪数据传输在压测中往往成为“隐形瓶颈”，导致P99延迟升高、吞吐受限、补偿链路不可观测。本课程将从Saga事务模型、链路追踪协议、压测场景设计、数据传输优化四个维度，系统性地解决这一问题，帮助你在压测中实现“高性能可观测”的目标。