这是我参与「第五届青训营 」伴学笔记创作活动的第 12天课程内容为：分布式理论。
分布式理论-- 现代架构基石
共识协议
Quorum NWR模型
Quorum NWR三要素
N:在分布式存储系统中，有多少份备份数据 Read Write
W:代表一次成功的更新操作要求至少有w份数据写入成功
R:代表一次成功的读数据操作要求至少有R份数据成功读取
为了保证强一致性，需要保证 W+R>N
Quorum NWR模型将CAP的选择交给用户，是一种简化版的一致性
RAFT 协议
基本概念
Raft协议是一种分布式一致性算法(共识算法)，即使出现部分节点故障，网络延时等情况，也不影响各节点，进而提高系统的整体可用性。Raft是使用较为广泛的分布式协议。一定意义上讲，RAFT也使用了Quorum机制。
Leader-领导者，通常一个系统中是一主(Leader)多从(Follower)。Leader 负责处理所有的客户端请求，并向Follower同步请求日志，当日志同步到大多数节点上后，通知Follower提交日志。
Follower-跟随者，不会发送任何请求。接受并持久化Leader同步的日志，在Leader告知日志可以提交后，提交日志。当Leader出现故障时，主动推荐自己为Candidate。
Candidate-备选者，Leader选举过程中的临时角色。向其他节点发送请求投票信息。如果获得大多数选票，则晋升为Leader。
Log(日志):节点之间同步的信息，以只追加写的方式进行同步，解决了数据被覆盖的问题
Term(任期号):单调递增，每个Term内最多只有一个Leader
Committed:日志被复制到多数派节点，即可认为已经被提交
Applied:日志被应用到本地状态机:执行了log中命令，修改了内存状态
Leader选举过程:
1.初始全部为Follower
2.Current Term +1
3.选举自己
4.向其它参与者发起RequestVote请求，retry直到
- 到多数派请求，成为Leader，并发送心跳
- 到其它Leader的请求，转为Follower，更新自己的Term
- 到部分，但未达到多数派，选举超时，随机timeout开始下一轮
两个规则
- 一个任期内每个参与者最多投一票(持久化)
- 一要成为Leader，必须拿到多数投票
Log Replication过程:
新Leader产生，Leader和Follower不同步，Leader强制覆盖Followers的不同步的日志
1.Leader收到写请求w
2.将w写入本地log
3.向其它Follower发起AppendEntries RPC
4.等待多数派回复
- 新本地状态机，返回给客户端
- 一个心跳通知Follower上一个Log已经被Committed了
- ollower也根据命令应用本地状态机
5.Follower有问题，Leader一直retry
切主:
当Leader出现问题时，就需要进行重新选举。
1.Leader发现失去Follower的响应，失去Leader身份
2.两个Follower之间一段时间未收到心跳，重新进行选举，选出新的Leader，此时发生了切主
3.Leader自杀重启，以Follower的身份加入进来
问题:老leader未失去身份，新leader已经选出，产生了“双主”，该如何解决呢?
Stale读:
发生Leader切换，old leader收到了读请求。如果直接响应，可能会有Stale Read。如何解决?
解决方案，保证读的强一致
读操作在lease timeout内，默认自己是leader;不是则发起一次heartbeat。等待Commit Index应用到状态机。
Election timeout > lease timeout : 新leader上Leader 任，自从上次心跳之后一定超过了Election timeout，旧leader大概率能够发现自己的Lease过期
Paxos协议
Paxos算法与RAFT算法区别:
1.lti-Paxos 可以并发修改日志，而Raft写日志操作必须是连续的
2.Multi-Paxos 可以随机选主，不必最新最全的节点当选Leader
Paxos优势:写入并发性能高，所有节点都能写入
Paxos劣势:没有一个节点有完整的最新的数据，恢复流程复杂，需要同步历史记录
分布式实践
MapReduce
Mapper:将输入分解为多个Job来并行处理。彼此间几乎没有依赖关系
Shuffler:将maper结果打乱，防止数据倾斜
Reducer:对map阶段的结果进行全局汇总
分布式 KV
架构: 将海量结构化数据根据Key分成不同的 Region，每个Region构建一个单机KV数据库，Region之间形成Raft Groups，做到强一致
容错: 当Node故障时，通过Raft Learner模式进行数据修复
弹性:当出现局部Key热点或数据膨胀时， Region可以进行Split操作，分成两个子 Region，反之收缩时进行Merge操作
