这是我参与「第五届青训营 」伴学笔记创作活动的第 16 天
分布式理论
01.分布式概述
1.1 什么是分布式
分布式系统是计算机程序的集合，这些程序利用跨多个独立计算节点的计算资源来实现共同的目标。可以分为分布式计算、分布式存储、分布式数据库等。
优势:
- 去中心化
- 低成本
- 弹性
- 资源共享
- 可靠性高
挑战:
- 普遍的节点故障
- 不可靠的网络
- 异构的机器与硬件环境
- 安全
1.2 Why-How-What
1.3 常见的分布式系统
02.系统模型
2.1 故障模型
Byzantine failure:节点可以任意篡改发送给其他节点的数据
Authentication detectable byzantine failure(ADB): Byzantine failure的特例;节点可以篡改数据但不能伪造其他节点的数据
Performance failure:节点未在特定时间段内收到数据，即时间太早或太晚
Omission failure:节点收到数据的时间无限晚，即收不到数据
Crash failure:在omission failure的基础上，增加了节点停止响应的假设，也即持续性地omission failure
Fail-stop failure:在Crash failure的基础上增加了错误可检测的假设
2.2 拜占庭将军问题
思考：
- 为何三次握手？而不是两次和四次？
- 回收过程中，如果FIN 报文丢失，发生什么？
2.3 共识和一致性
2.4 时间和事件顺序
1978年Leslie Lamport发表在Communications of the ACM上的论文Time,Clocks, and the Ordering of Events in a Distributed System
我们定义“
happened before”关系，记为"→"。其满足如下三个条件:
- 如果a和b是在相同节点上的两个事件.a在b之前发生，则定义:a→b
- 如果事件a表示某个节点发送某条消息，b是另一个节点接受这条消息，则有a→b
- 如果有a→b且b→c，则有a→c 当且仅当a>b 且b>a时，我们称两个事件为并发的(concurrent)。
我们不难在图中找到若干满足条件的事件对，例 p1一r4，其由p1→q2→q4→r3→r4推导而来
Lamport逻辑时钟
对于每一个节点Pi我们定义时钟Ci为一个函数，它为任意的事件a赋值编号为Ci(a)
- 如果a和b是在相同节点Pi上的两个事件，a在b之前发生，则有Cia)<Ci(b)
- 如果事件a表示节点Pi发送某条消息，b表示节点Pj接受这条消息，则有Cia)<Cj(b)
于是我们可以在时空图中加入类似右图虚线所示的"tick line”
在同—节点内的连续两个事件之间，至少要有一条tick line
利用逻辑时钟，我们可以对整个系统中的事件进行全序排序
03.理论基础
3.1 CAP理论
3.2 ACID 理论
3.3 BASE 理论
04.分布式事务
4.1 二阶段提交
二阶段提交(Two-phase Commit):为了使基于分布式系统架构下的所有节点在进行事务提交时保持一致性而设计的—种演算法。
三个假设:
- 引入协调者(Coordinator)和参与者(Participants)，互相进行网络通信
- 所有节点都采用预写式日志，且日志被写入后即被保持在可靠的存储设备上
- 所有节点不会永久性损坏，即使损坏后仍然可以恢复
4.2 三阶段提交
4.3 MVCC
MVCC是一种并发控制的方法，维持一个数据的多个版本使读写操作没有冲突。所以既不会阻塞写，也不阻塞读。MVCC为每个修改保存一个版本，和事务的时间戳相关联。可以提高并发性能，解决脏读的问题。
Spanner论文里通过TrueTime API提供一个物理时钟的方式。服务器时钟偏差在1到7ms之间。
S1提交事务时间: s1 = max(15,7 +7)= 15ms
S2提交事务时间: s2 = max(13,12 + 7)= 19ms
另外一种时间戳的实现:时间戳预言机(TSO)，采用中心化的授时方式，所有协调者向中心化节点获取时钟。优点是算法简单，实现方便，但需要每个节点都与他进行交互，会产生一些网络通信的成本。TSO的授时中就需要考虑低延迟，高性能以及更好的容错性。
05.共识协议
5.1 Quorum NWR模型
5.2 RAFT 协议
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:
- 初始全部为Follower
- Current Term + 1
- 选举自己
- 向其它参与者发起RequestVote请求，retry直到
- —— 收到多数派请求，成为Leader，并发关心跳r3
- —— 收到其它Leader的请求，转为Follower，更新自己的Term
- —— 收到部分，但未达到多数派，选举超时，随机timeout开始下一轮
两个规则
- 在一个任期内每个参与者最多投一票(持久化)
- 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
- Leader收到写请求w
- 将w写入本地log
- 向其它Follower发起AppendEntries RPC
- 等待多数派回复
- ——更新本地状态机，返回给客户端
- ——下一个心跳通知Follower上一个Log已经被Committed了
- ——Follower也根据命令应用本地状态机
- Follower有问题，Leader—直retry 如果Leader有问题呢?
切主: 当Leader出现问题时，就需要进行重新选举。
- Leader发现失去Follower的响应，失去Leader身份
- 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
- 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上任，自从上次心跳之后一定超过了Election
- timeout，日leader大概率能够发现自己的Lease过期
5.3 Paxos协议
06.分布式实践
6.1 MapReduce
6.2 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
