分布式系统大行其道的当前，系统数据的准确性和正确性是重大的挑战，基于CAP理论，采用柔性事务，保障系统可用性以及数据的最终一致性成为技术共识 为了保障分布式服务的可用性，服务容错性，服务数据一致性 以及服务间掉用的网络问题。依据"墨菲定律"，增加核心流程重试， 数据核对校验成为提高系统鲁棒性常用的技术方案
特性
- 易用性 业务接入成本小。避免依赖研发人员的技术水平，保障重试的稳定性
- 灵活性 能够动态调整配置,启动/停止任务,以及终止运行中的重试数据
- 操作简单 分钟上手，支持WEB页面对重试数据CRUD操作。
- 数据大盘 实时管控系统重试数据
- 多样化退避策略 Cron、固定间隔、等级触发、随机时间触发
- 容器化部署 服务端支持docker容器部署
- 高性能调度平台 支持服务端节点动态扩容和缩容
- 多样化重试类型 支持ONLY_LOCAL、ONLY_REMOTE、LOCAL_REMOTE多种重试类型
- 重试数据管理 可以做到重试数据不丢失、重试数据一键回放
- 支持多样化的告警方式 邮箱、企业微信、钉钉、飞书
客户端与服务端数据交互图
#系统架构图
分布式系统重试的重要性
在分布式系统中，由于网络延迟、节点故障、消息丢失等原因，操作可能会失败。重试机制在分布式系统中显得尤为重要，以下是一些原因：
- 网络不可靠性：在分布式系统中，由于网络的不可靠性，消息可能会丢失或延迟。重试机制可以确保消息被发送和接收，从而提高系统的可靠性和消息传递的可靠性。
- 事务处理：在分布式系统中，事务可能会因为网络延迟等原因失败。重试机制可以确保事务被正确提交，从而保证数据的最终一致性。
- 节点故障：分布式系统可能会由于节点故障而导致部分或全部服务不可用。重试机制可以确保节点重新启动后，服务能够自动恢复并继续运行。
- 提高系统可用性：重试机制可以确保在发生异常情况时，系统能够尝试自动恢复，避免出现系统宕机或无响应的情况，从而提高系统的可用性和稳定性。 重试机制在分布式系统中非常重要，可以提高系统的可靠性、性能和消息传递的可靠性，同时还可以确保数据的一致性和服务的可用性。
重试的风险
- 重试放大风险: 这种指数放大的效应很可怕，会加大直接整体系统的负载，最坏情况下被调用的服务流量可能放大到r倍，不仅不能请求成功，导致整体的负载继续升高，甚至直接打挂
- 无限重试问题: 如果不设置重试次数会使得业务线程一直被重试占用，这样会导致服务的负载线程暴增直至服务宕机.
- 数据安全: 基于内存重试会可能造成数据丢失风险
- 网络阻塞: 重试次数过多或重试间隔时间过短，就有可能导致大量的请求同时发送，从而导致网络拥塞和负载增加。
业内成熟重试组件对比
| 区别 | SpringRetry | GuavaRetry | EasyRetry |
|---|---|---|---|
| 编程语言 | Java | Java | Java |
| 退避策略 | 支持多种策略 | 支持多种策略 | 支持多种策略 |
| 依赖生态 | Spring 框架 | 不依赖任何框架 | Spring框架、GuavaRetry |
| 重试类型 | 内存重试 | 内存重试 | 多种策略 内存重试+服务重试 |
| 存储介质 | 内存 | 内存 | 内存+数据库 |
| 是否管控重试流量 | 否 | 否 | 支持多维度管控(单机重试管控、链路重试管控、重试流速管控等) |
| 数据安全 | 会丢失重试数据 | 会丢失重试数据 | 基于LOCAL_REMOTE或ONLY_REMOTE持久化数据 |
| 管理重试数据 | 不支持 | 不支持 | 支持暂停、停止、新增、修改重试数据 |