关于分布式系统的思考

对于数据库来说，可能关心的最多的就是数据的一致性了，由此衍生出了不同场景下的算法和策略。
在上一篇末尾提及了两种集群结构：中心化和去中心化。

中心化

一种是中心化的，由中心节点去存储集群信息并管理集群状态，其它节点只需响应数据请求，而无需知道集群中其它节点的情况。 这种模式的核心便是选举或者指定一个节点作为集群的管理者，由管理者去协调跨节点的操作、备份数据和处理故障等。

一般的，对于跨节点的操作，为了保证事务的原子性，提出了两步提交协议或三步提交协议，下面分别介绍。

2pc

两步提交协议，顾名思义，就是将数据的提交分为两步：投票和决策。

首先，在第一阶段，

1. 中心节点（在这里我们称之为协调者）发起事务操作请求，包含事务内容，询问是否可以执行提交操作并等待响应；

2. 其它节点（在这里称之为参与者）执行事务操作并记录undo/redo log，最后返回是否同意提交。

然后，在第二阶段，协调者根据所有参与者的投票结果，如果是都同意则通知所有参与者提交事务，否则回滚事务。 收到所有参与者回应后，完成事务。

接着，我们考虑下两步提交过程中如果发生异常，会出现什么样的情况，会不会影响结果的一致性，并尝试解决。

• 在第一阶段时，有节点宕机

  1. 有参与者宕机，此时协调者接收到错误响应，可认为是失败，将中断事务。

  2. 协调者宕机，此时参与者等待协调者的操作通知，事务会阻塞直到协调者恢复。 对于此种情况，解决的办法是可以设置多个协调者，一主多从，宕机后指定一台从作为新的主。

  参与者也需要记录事务的投票状态，以便新的协调者重新找回事务状态。

  1. 参与者和协调者都宕机了，如上一条，新的协调者将会获取不到参与者的事务状态（该参与者的状态只有自己和原协调者知道），会一直阻塞地等待所有参与者恢复。 其它参与者也会处于两阶段之间，直到宕机的参与者恢复。

• 在第二阶段，有节点宕机

  1. 有参与者宕机，此时未宕机的参与者会正常地提交／回滚事务，而由于并不知道宕机的时机，所以可能会导致数据的不一致。

  2. 协调者宕机，若是在发送通知前，那么参与者将阻塞地等待协调者恢复。可通过设置协调者的备份来解决，要求参与者记录事务状态。若是在发送通知后，不影响可忽略。

  3. 参与者与协调者都宕机了，如上两条，可能会导致数据的不一致或阻塞。

注意，以上的宕机如果替换为网络分区，也会是同样的情况。

可以看出，2pc的优点是简单直接，缺点是：

• 当有故障发生会阻塞事务的执行，进而影响到相关资源的释放；

• 协调者的单点问题；

• 当二阶段有参与者宕机或者网络分区时，可能会导致数据不一致。

针对这些缺陷，出现了3pc。

3pc

三步提交协议，改进了2pc的一些缺陷，它增加了一个询问是否可提交阶段。如图所示：

第一阶段时，协调者询问各参与者是否可以执行事务提交，包含事务内容，并等待参与者的响应。 参与者收到请求后，如果认为可以成功执行事务，则返回同意，否则中止事务。

第二阶段时，协调者根据第一阶段参与者的返回消息，决定是准备提交或是中止事务。如果都是同意，那么发送预提交请求。 参与者收到请求后，会执行事务操作，并记录undo/redo log, 最后返回提交／中止事务。

第三阶段时，协调者根据第二阶段的响应，决定通知参与者提交／回滚事务，收到响应后完成事务。

3pc相比于2pc的优点在于：

• 在协调者和参与者端都添加了超时机制，其中：参与者超时未应答均认为是失败；协调者在第二阶段超时未发送请求视为失败，而第三阶段超时未发送请求视为成功，参与者在经过了指定超时时间后提交事务。这样便具备了一定的容错性。 
  不仅如此，这样还可以有效减少阻塞时间。

• 提供了协调者的主备方案，避免了单点问题。

缺点：

• 第二阶段时，参与者在接收到预提交请求后发生网络分区，此参与者在超时后提交事务，而协调者在超时后认为事务失败并通知其它参与者回滚事务，最终导致数据不一致。若发生此情况，只能通过上层去协调解决这个问题，如上一篇提到的两种解决方案。（2pc也有类似缺陷）

• 比2pc多了一个阶段，意味着同等情况下，耗时要多一点。

去中心化

另一种则是去中心化的，由节点之间互相通信去协商一致。比较有名的算法如Paxos。

Paxos算法在分布式领域具有非常重要的地位，Google Chubby的作者Mike Burrows曾经说过，这个世界上只有一种一致性算法，那就是Paxos，其它的都是残次品。

不过这个算法实在是难理解，难实现；以后有机会我会专门总结一篇文章分享下，有兴趣的道友可以先去看看《Paxos Made Simple》，写得很不错。

此外，考虑到集群中的节点数量并不是一成不变的，所以如果使用的是一般的Hash算法，那么在集群新增节点或删除节点时，会导致节点间大量数据的迁移，进而影响可用性，故而提出了一致性Hash算法以减少数据的迁移量。

一致性Hash

一般的Hash算法，如对key取模然后分散到不同的节点中：假设有3个节点，共有key分别为1～7的数据，分配结果如下图

现在，如果新增一个节点，那么分配结果变为：

可以发现大部分的节点都被重新分配到了不同的节点上，即迁移数据是O(n)复杂度（n为数据总量），无法平滑地扩缩容。 
接下来再来看下一致性Hash，它的分配方式是对key和节点做相同的Hash运算，然后将key分配到刚好大于或等于它Hash值的节点上（若节点都比它Hash值小，则分配到最小的节点上，即形成一个“环”）；

还是上面的那个例子，对key和节点都做对7取模的Hash计算，然后分配。先是有三个节点：

新增一个节点：

可以看出，增加一个节点后只有少量数据从5节点移动到4节点，极大的减少了数据迁移量。 
但是，一致性Hash也有缺陷：查找效率低。一般需要逐个去比较Hash值直到找到刚好大于等于的节点，故查找复杂度为O(k)（k为节点数量）。 
可以通过在节点中冗余一份节点表来加快查找。

总结

保证一致性，要么是通过共享存储，要么是通过消息协调。 
数据库本身就是共享存储。 
不管是2pc、3pc还是paxos，都是通过节点间的交换消息去达到一致的状态，这也是分布式系统的常用做法。 
了解了这些策略的原理后，不管是用Zookeeper、RabbitMQ、Redis或其它消息组件（甚至是基于socket通信）去实现它，都是水到渠成的事情了。

超时是个好设计，因为它是不需询问便可以察觉错误的方式（毕竟没有错误就不会超时了），很多设计中都会将超时作为一种信号，并尝试容错／修复等操作。

在运行过程的一些错误并不能通过底层的策略完全规避，需要根据具体业务在上层做相应的容错措施。

冗余是个好设计，几乎在各种组件的设计都能见到，通过牺牲一点空间较大地提高检索效率。

有机会的话，之后的篇章我会收集并比较几种典型分布式组件的具体实现，对这些组件有个更加直观和深入的理解，以便充实和改进自己的知识结构并分享出来。