记一次分布式事务数据不一致的排查之旅：从超时到索引，层层剥茧

引言

在微服务架构中，分布式事务是保证数据一致性的关键。Seata 作为一款流行的分布式事务解决方案，其 AT 模式通过 undo_log 表实现自动补偿。然而，当我们依赖框架的默认行为时，一些看似不起眼的细节------比如一个缺失的数据库索引------就可能导致严重的数据不一致。

本文将完整记录我们如何从一条 Feign 超时异常开始，层层剖析，最终定位到 Seata 防资源悬挂机制因缺少唯一索引而失效的全过程。希望能为遇到类似问题的开发者提供一份可参考的排查思路。

一、问题现象：医嘱撤销失败，数据出现"半删半留"

某日，业务人员反馈医生执行"医嘱明细撤销"操作时，系统报错，且部分数据未能正常恢复。具体表现为：

撤销操作返回异常，前端提示"操作失败"。
数据库检查发现：charge_order_item（医嘱项目表）中对应的 16 条记录已被永久删除 ，而 t_test_rec（检验记录表）中的数据却依然存在，导致业务数据不一致。

从业务角度，撤销操作本应要么全部成功（删除所有相关数据），要么全部失败（回滚所有变更），但当前状态显然违背了原子性。

二、初步排查：日志指向 Feign 调用超时

查看服务日志，发现了关键线索：

bash 复制代码

feign.RetryableException: timeout executing POST http://charge-service/charge/cancel

调用方 ：doctor-service（医生服务）
被调方 ：charge-service（收费服务）
调用耗时：约 10 秒后超时

同时，Seata 全局事务日志显示：

sql 复制代码

Begin new global transaction [xid=172.16.1.3:8091:1369875561409518336]
...
rollback status: Rollbacked

全局事务因 Feign 超时异常被回滚，但 charge 服务的本地事务已经提交，于是出现了部分数据被删、部分数据保留的局面。

三、为什么执行时间超过 10 秒？------ 慢 SQL 的发现

排查超时，我们首先需要回答一个问题：charge 服务处理 16 个项目的删除，为什么会耗时 10 秒之久？

检查 charge 服务日志，发现对每个 orderId 执行了如下操作：

sql 复制代码

-- 对每个 orderId 执行
SELECT * FROM charge_order_item WHERE order_id = ?;
DELETE FROM charge_order_item WHERE order_id = ?;

16 个项目，每个都走一次 SELECT + DELETE，且 order_id 字段没有索引，导致每次查询都是全表扫描。16 次全表扫描累加，最终耗时超过 10 秒。

解决慢 SQL

添加索引后：

sql 复制代码

CREATE INDEX idx_order_items_order_id ON charge_order_item(order_id);

同样的操作耗时从 10 秒+ 缩短到 1 秒以内 ，从根源上消除了超时的触发条件。此外，对其他涉及查询和删除的关联表（如 charge_other_presc_detail、charge_wait_charge_presc 等）也一并添加了索引。

四、检查超时配置：为何 60 秒不生效？

即使慢 SQL 是主因，配置的 60 秒超时为何没有生效？查看 doctor 服务的配置文件，发现：

yaml 复制代码

feign:
  okhttp:
    enabled: true
  client:
    config:
      default:
        connectTimeout: 60000
        readTimeout: 60000

理论上超时为 60 秒，为何 10 秒就超时了？

关键点 1：Feign 的 Request.Options 覆盖了 OkHttpClient

由于启用了 feign.okhttp.enabled=true，Feign 使用 OkHttp 作为底层客户端。但 Feign 的 Request.Options 会覆盖 OkHttpClient 自身的超时设置。我们注入 OkHttpClient Bean 并打印其超时值：

yaml 复制代码

ConnectTimeout: 2000, ReadTimeout: 60000

OkHttp 读超时是 60 秒，但实际请求却依然在 10 秒超时。说明 Feign 的 Request.Options 才是真正的决策者 ，而非 OkHttpClient。

关键点 2：Feign 默认连接超时是 10 秒

Feign 的 Request.Options 默认值是：

连接超时：10 秒
读取超时：60 秒

由于我们的 YAML 配置未正确传递给 Request.Options（可能是因为特定客户端配置覆盖，或配置未加载），实际生效的连接超时是默认的 10 秒。

验证实际生效的 Request.Options

通过 FeignContext 获取实际的 Request.Options：

java 复制代码

@Autowired
private FeignContext feignContext;

@GetMapping("/debug/feign-options")
public String debugFeignOptions() {
    Request.Options options = feignContext.getInstances("charge-service", Request.Options.class)
            .stream().findFirst().orElse(null);
    return options == null ? "No options" : 
           "Connect: " + options.connectTimeoutMillis() + ", Read: " + options.readTimeoutMillis();
}

返回结果为 Connect: 10000, Read: 60000，确认实际生效的连接超时为 10 秒，读超时为 60 秒。

修复超时配置

java 复制代码

@Configuration
public class FeignConfig {
    @Bean
    public Request.Options options() {
        return new Request.Options(60000, TimeUnit.MILLISECONDS, 60000, TimeUnit.MILLISECONDS, false);
    }
}

这样连接超时和读超时都被统一设置为 60 秒。再加上慢 SQL 的索引优化，Feign 超时问题被彻底解决。

五、深入挖掘：为何 Seata 回滚未能恢复数据？

超时问题解决了，但我们更关心的是：数据为什么会永久丢失？ Seata 的 AT 模式通过 undo_log 表保存数据变更的前后镜像，回滚时根据镜像进行补偿。按理说，只要全局事务回滚，charge 服务的数据应该被恢复。但检查 charge 服务的 undo_log 表，我们有了新的发现：

异常：同一 xid + branchId 存在两条 undo_log

执行查询：

sql 复制代码

SELECT * FROM undo_log WHERE xid = '172.xx.xx.xx:8091:1369875561409518336';

得到两条记录：

ID	branchId	context	rollback_info	log_status	log_created
1598573	1369875561409518337	ZIP压缩	完整镜像（16条 `beforeImage`）	0	2026-07-03 10:41:04
1598574	1369875561409518337	NONE	空 `{}`	1	2026-07-03 10:41:04

两条记录的自增 ID 分别为 1598573 和 1598574，ID 连续且递增，这是关键线索。

ID=1598573 ：包含完整的 beforeImage，log_status=0，表示从未被回滚使用。
ID=1598574 ：内容为空，log_status=1，表示已被标记为"全局事务已完成"。

正常情况，一个分支事务只应有一条 undo_log。这里却出现了两条，且 branchId 相同，违反唯一性。

六、定位根因：Seata 防悬挂机制 + 缺少唯一索引

在反复推敲后，我们将目光聚焦到了 Seata 的防资源悬挂（Anti-Suspension）机制，结合日志时序和自增 ID 的顺序，精确还原了问题过程。

什么是防资源悬挂？

Seata AT 模式中，存在一种并发场景：全局事务回滚指令可能先于本地事务提交到达 RM 。这种情况下，RM 收到回滚请求时，本地事务尚未提交，undo_log 还未写入，回滚无从执行。

Seata 的防悬挂机制通过以下方式解决：

回滚请求先到达时，RM 查询 undo_log 发现无记录，插入一条 log_status=1 的空 undo_log 作为占位符。
稍后本地事务提交时，Seata 尝试插入完整的 undo_log。
如果 (xid, branch_id) 有唯一索引，插入冲突，本地事务提交失败，事务回滚，避免资源悬挂。

log_status=1 即代表"该 undo_log 是防悬挂占位记录，表示回滚已预执行"。

时序还原（结合自增 ID）

根据 Seata 源码逻辑和两条记录的自增 ID（1598573 先，1598574 后），正确的时序是：

步骤	事件
①	charge 本地事务开始，Seata 获取 `branchId=1369875561409518337`，并在内存中准备写入 `undo_log`。此时 `undo_log` 的自增 ID=1598573 已被预分配（Oracle 序列先取值），但记录尚未真正插入。
②	doctor 侧 Feign 超时（10 秒），Seata TC 发起全局回滚。回滚指令先于 charge 本地事务提交到达。RM 查询 `undo_log`，发现该 `xid+branchId` 下没有记录，执行防悬挂措施：插入一条 `log_status=1` 的空 `undo_log`，使用下一个自增 ID=1598574。
③	charge 本地事务提交，Seata 尝试插入完整的 `undo_log`（ID=1598573 ，包含 16 条 `beforeImage`）。如果 `(xid, branch_id)` 有唯一索引，此时将因冲突而提交失败，事务回滚，数据不会删除，问题根本不会发生。
④	由于 `(xid, branch_id)` 没有唯一索引，ID=1598573 的插入成功，形成两条 `undo_log` 共存的异常状态。

根本原因

undo_log 表缺少 (xid, branch_id) 的唯一索引 ，导致：防悬挂机制失效，charge本地事务提交成功，未被阻止。

七、解决方案与反思

立即修复

创建唯一索引：
sql 复制代码
```
CREATE UNIQUE INDEX idx_undo_log_xid_branch ON undo_log(xid, branch_id);
```
确保防悬挂机制能正确工作，避免重复插入。

添加业务表查询/删除关键字段索引：

sql 复制代码

CREATE INDEX idx_order_items_order_id ON charge_order_item(order_id);
CREATE INDEX idx_presc_detail_presc_id ON charge_other_presc_detail(presc_id);
CREATE INDEX idx_wait_charge_presc_no ON charge_wait_charge_presc(presc_no);

将 charge 服务处理时间从 10 秒降到 1 秒以内。

显式配置 Feign 的 Request.Options：

java 复制代码

@Bean
public Request.Options options() {
    return new Request.Options(60000, TimeUnit.MILLISECONDS, 60000, TimeUnit.MILLISECONDS, false);
}

反思

本次问题的根本原因看似是"缺少一个索引"，但暴露出的问题却是多层次的：

性能问题：慢 SQL 是超时的根源，索引缺失导致全表扫描，16 次循环累加超过 10 秒。
配置管理：Feign 超时配置未生效，说明对 Feign + OkHttp 的配置优先级理解不足。
框架认知：对 Seata 防悬挂机制的依赖条件（唯一索引）不够清楚，也未在生产环境进行前置校验。
时序推理 ：两条 undo_log 的时间戳相同曾一度误导我认为它们是同时写入的，但结合自增 ID（1598573 → 1598574）和 Seata 防悬挂机制，最终还原了正确的时序。