1.架構設計

這一節(jié)將從一些經(jīng)典的開源系統(tǒng)架構設計出發(fā)，來看一下，如何設計一個高質(zhì)量的分布式系統(tǒng)；

而一般的設計出發(fā)點，無外乎

?冗余：簡單理解為找個備胎，現(xiàn)任掛掉之后，備胎頂上?拆分：不能讓一個人承擔所有的重任，拆分下，每個人負擔一部分，壓力均攤

1.1 主備架構

給現(xiàn)有的服務搭建一個備用的服務，兩者功能完全一致，區(qū)別在于平時只有主應用對外提供服務能力；而備應用則只需要保證與主應用能力一致，隨時待機即可，并不用對外提供服務；當主應用出現(xiàn)故障之后，將備應用切換為主應用，原主應用下線；迅速的主備切換可以有效的縮短故障時間

基于上面的描述，主備架構特點比較清晰

?采用冗余的方案，加一臺備用服務?缺點就是資源浪費

其次就是這個架構模型最需要考慮的則是如何實現(xiàn)主備切換？

?人工?VIP(虛擬ip) + keepalived 機制

1.2 主從架構

主從一般又叫做讀寫分離，主提供讀寫能力，而從則只提供讀能力

鑒于當下的互聯(lián)網(wǎng)應用，絕大多數(shù)都是讀多寫少的場景；讀更容易成為性能瓶頸，所以采用讀寫分離，可以有效的提高整個集群的響應能力

主從架構可以區(qū)分為：一主多從 + 一主一從再多從，以mysql的主從架構模型為例進行說明

MySql主從

主從模式的主要特點在于

?添加從，源頭依然是數(shù)據(jù)冗余的思想?讀寫分離：主負責讀寫，從只負責讀，可以視為負載均衡策略?從需要向主同步數(shù)據(jù)，所若有的從都同步與主，對主的壓力依然可能很大；所以就有了主從從的模式

關鍵問題則在于

?主從延遲?主的寫瓶頸?主掛之后如何選主

1.3 多主多從架構

一主多從面臨單主節(jié)點的瓶頸問題，那就考慮多主多從的策略，同樣是主負責提供讀寫，從提供讀；

但是這里有一個核心點在于多主之間的數(shù)據(jù)同步，如何保證數(shù)據(jù)的一致性是這個架構模型的重點

如MySql的雙主雙從可以說是一個典型的應用場景，在實際使用的時候除了上面的一致性之外，還需要考慮主鍵id沖突的問題

1.4 普通集群模式

無主節(jié)點，集群中所有的應用職能對等，沒有主次之分（當下絕大多數(shù)的業(yè)務服務都屬于這種），一個請求可以被集群中任意一個服務響應；

這種也可以叫做去中心化的設計模式，如redis的集群模式，eureka注冊中心，以可用性為首要目標

對于普通集群模式而言，重點需要考慮的點在于

?資源競爭：如何確保一個資源在同一時刻只能被一個業(yè)務操作?如現(xiàn)在同時來了申請退款和貨物出庫的請求，如果不對這個訂單進行加鎖，兩個請求同時響應，將會導致發(fā)貨又退款了，導致財貨兩失?數(shù)據(jù)一致性：如何確保所有的實例數(shù)據(jù)都是一致的，或者最終是一致的?如應用服務使用jvm緩存，那么如何確保所有實例的jvm緩存一致？?如Eureka的分區(qū)導致不同的分區(qū)的注冊信息表不一致

1.5 數(shù)據(jù)分片架構

這個分片模型的描述可能并不準確，大家看的時候重點理解一下這個思想

前面幾個的架構中，采用的是數(shù)據(jù)冗余的方式，即所有的實例都有一個全量的數(shù)據(jù)，而這里的數(shù)據(jù)分片，則從數(shù)據(jù)拆分的思路來處理，將全量的數(shù)據(jù)，通過一定規(guī)則拆分到多個系統(tǒng)中，每個系統(tǒng)包含部分的數(shù)據(jù)，減小單個節(jié)點的壓力，主要用于解決數(shù)據(jù)量大的場景

比如redis的集群方式，通過hash槽的方式進行分區(qū)

如es的索引分片存儲

1.6 一灰灰的小結

這一節(jié)主要從架構設計層面對當前的分布式系統(tǒng)所采用的方案進行了一個簡單的歸類與小結，并不一定全面，歡迎各位大佬留言指正

基于冗余的思想：

?主備?主從?多主多從?無中心集群

基于拆分的思想：

?數(shù)據(jù)分片

對于拆分這一塊，我們常說的分庫分表也體現(xiàn)的是這一思想

2.理論基礎

這一小節(jié)將介紹分布式系統(tǒng)中的經(jīng)典理論，如廣為流程的CAP/BASE理論，一致性理論基礎paxios,raft，信息交換的Gossip協(xié)議，兩階段、三階段等

本節(jié)主要內(nèi)容參考自

?一致性算法-Gossip協(xié)議詳解 - 騰訊云開發(fā)者社區(qū)-騰訊云^[1]?P2P 網(wǎng)絡核心技術：Gossip 協(xié)議 - 知乎^[2]?從Paxos到Raft，分布式一致性算法解析_mb5fdb0a87e2fa1的技術博客_51CTO博客^[3]?【理論篇】淺析分布式中的 CAP、BASE、2PC、3PC、Paxos、Raft、ZAB - 知乎^[4]

2.1 CAP定理

CAP 定理指出，分布式系統(tǒng) 不可能 同時提供下面三個要求：

?Consistency：一致性?操作更新完成并返回客戶端之后，所有節(jié)點數(shù)據(jù)完全一致?Availability：可用性?服務一直可用?Partition tolerance：分區(qū)容錯性?分布式系統(tǒng)在遇到某節(jié)點或網(wǎng)絡分區(qū)故障的時候，仍然能夠對外提供滿足一致性和可用性的服務

通常來講P很難不保證，當服務部署到多臺實例上時，節(jié)點異常、網(wǎng)絡故障屬于常態(tài)，根據(jù)不同業(yè)務場景進行選擇

對于服務有限的應用而言，首選AP，保證高可用，即使部分機器異常，也不會導致整個服務不可用；如絕大多數(shù)的前臺應用都是這種

對于數(shù)據(jù)一致性要求高的場景，如涉及到錢的支付結算，CP可能更重要了

對于CAP的三種組合說明如下

2.2 BASE理論

base理論作為cap的延伸，其核心特點在于放棄強一致性，追求最終一致性

?Basically Available: 基本可用?指分布式系統(tǒng)在出現(xiàn)故障的時候，允許損失部分可用性，即保證核心可用?如大促時降級策略?Soft State：軟狀態(tài)?允許系統(tǒng)存在中間狀態(tài)，而該中間狀態(tài)不會影響系統(tǒng)整體可用性?MySql異步方式的主從同步，可能導致的主從數(shù)據(jù)不一致?Eventual Consistency：最終一致性?最終一致性是指系統(tǒng)中的所有數(shù)據(jù)副本經(jīng)過一定時間后，最終能夠達到一致的狀態(tài)

基于上面的描述，可以看到BASE理論適用于大型高可用可擴展的分布式系統(tǒng)

注意其不同于ACID的強一致性模型，而是通過犧牲強一致性 來獲得可用性，并允許數(shù)據(jù)在一段時間內(nèi)是不一致的，但最終達到一致狀態(tài)

2.3 PACELEC 定理

這個真沒聽說過，以下內(nèi)容來自:

?Distributed System Design Patterns | by Nishant | Medium^[5]

?如果有一個分區(qū)（'P'），分布式系統(tǒng)可以在可用性和一致性（即'A'和'C'）之間進行權衡;?否則（'E'），當系統(tǒng)在沒有分區(qū)的情況下正常運行時，系統(tǒng)可以在延遲（'L'）和一致性（'C'）之間進行權衡。

定理（PAC）的第一部分與CAP定理相同，ELC是擴展。整個論點假設我們通過復制來保持高可用性。因此，當失敗時，CAP定理占上風。但如果沒有，我們?nèi)匀槐仨毧紤]復制系統(tǒng)的一致性和延遲之間的權衡。

2.4 Paxos共識算法

Paxos算法解決的問題是分布式共識性問題，即一個分布式系統(tǒng)中的各個進程如何就某個值（決議）通過共識達成一致

基于上面這個描述，可以看出它非常適用于選舉；其工作流程

?一個或多個提議進程 (Proposer) 可以發(fā)起提案 (Proposal)，?Paxos算法使所有提案中的某一個提案，在所有進程中達成一致。系統(tǒng)中的多數(shù)派同時認可該提案，即達成了一致

角色劃分:

?Proposer: 提出提案Proposal，包含編號 + value?Acceptor: 參與決策，回應Proposers的提案；當一個提案，被半數(shù)以上的Acceptor接受，則該提案被批準?每個acceptor只能批準一個提案?Learner: 不參與決策，獲取最新的提案value

2.5 Raft算法

為了解決paxos的復雜性，raft算法提供了一套更易理解的算法基礎，其核心流程在于：

leader接受請求，并轉發(fā)給follow，當大部分follow響應之后，leader通知所有的follow提交請求、同時自己也提交請求并告訴調(diào)用方ok

角色劃分：

?Leader：領導者，接受客戶端請求，并向Follower同步請求，當數(shù)據(jù)同步到大多數(shù)節(jié)點上后告訴Follower提交日志?Follow: 接受并持久化Leader同步的數(shù)據(jù)，在Leader告之日志可以提交之后，提交?Candidate：Leader選舉過程中的臨時角色，向其他節(jié)點拉選票，得到多數(shù)的晉升為leader，選舉完成之后不存在這個角色

raft共識流程

2.6 ZAB協(xié)議

ZAB(Zookeeper Atomic Broadcast) 協(xié)議是為分布式協(xié)調(diào)服務ZooKeeper專門設計的一種支持崩潰恢復的一致性協(xié)議，基于該協(xié)議，ZooKeeper 實現(xiàn)了一種 主從模式的系統(tǒng)架構來保持集群中各個副本之間的數(shù)據(jù)一致性。

?zookeeper核心之ZAB協(xié)議就這么簡單！^[8]

主要用于zk的數(shù)據(jù)一致性場景，其核心思想是Leader再接受到事務請求之后，通過給Follower，當半數(shù)以上的Follower返回ACK之后，Leader提交提案，并向Follower發(fā)送commit信息

角色劃分

?Leader: 負責整個Zookeeper 集群工作機制中的核心?事務請求的唯一調(diào)度和處理者，保證集群事務處理的順序性?集群內(nèi)部各服務器的調(diào)度者?Follower：Leader的追隨者?處理客戶端的非實物請求，轉發(fā)事務請求給 Leader 服務器?參與事務請求 Proposal 的投票?參與 Leader 選舉投票?Observer：是 zookeeper 自 3.3.0 開始引入的一個角色，?它不參與事務請求 Proposal 的投票，?也不參與 Leader 選舉投票?只提供非事務的服務（查詢），通常在不影響集群事務處理能力的前提下提升集群的非事務處理能力。

ZAB消息廣播

2.7 2PC協(xié)議

two-phase commit protocol，兩階段提交協(xié)議，主要是為了解決強一致性，中心化的強一致性協(xié)議

角色劃分

?協(xié)調(diào)節(jié)點(coordinator)：中心化?參與者節(jié)點(partcipant)：多個

執(zhí)行流程

協(xié)調(diào)節(jié)點接收請求，然后向參與者節(jié)點提交 ??precommit???，當所有的參與者都回復ok之后，協(xié)調(diào)節(jié)點再給所有的參與者節(jié)點提交??commit??，所有的都返回ok之后，才表明這個數(shù)據(jù)確認提交

當?shù)谝粋€階段，有一個參與者失敗，則所有的參與者節(jié)點都回滾

2pc流程

特點

優(yōu)點在于實現(xiàn)簡單

缺點也很明顯

?協(xié)調(diào)節(jié)點的單點故障?第一階段全部ack正常，第二階段存在部分參與者節(jié)點異常時，可能出現(xiàn)不一致問題

2.8 3PC協(xié)議

分布式事務：兩階段提交與三階段提交 - SegmentFault 思否^[9]

在兩階段的基礎上進行擴展，將第一階段劃分兩部，cancommit + precommit，第三階段則為 docommit

第一階段 cancommit

該階段協(xié)調(diào)者會去詢問各個參與者是否能夠正常執(zhí)行事務，參與者根據(jù)自身情況回復一個預估值，相對于真正的執(zhí)行事務，這個過程是輕量的

第二階段 precommit

本階段協(xié)調(diào)者會根據(jù)第一階段的詢盤結果采取相應操作，若所有參與者都返回ok，則協(xié)調(diào)者向參與者提交事務執(zhí)行(單不提交)通知；否則通知參與者abort回滾

第三階段 docommit

如果第二階段事務未中斷，那么本階段協(xié)調(diào)者將會依據(jù)事務執(zhí)行返回的結果來決定提交或回滾事務，若所有參與者正常執(zhí)行，則提交；否則協(xié)調(diào)者+參與者回滾

在本階段如果因為協(xié)調(diào)者或網(wǎng)絡問題，導致參與者遲遲不能收到來自協(xié)調(diào)者的 commit 或 rollback 請求，那么參與者將不會如兩階段提交中那樣陷入阻塞，而是等待超時后繼續(xù) commit，相對于兩階段提交雖然降低了同步阻塞，但仍然無法完全避免數(shù)據(jù)的不一致

特點

?降低了阻塞與單點故障：?參與者返回 CanCommit 請求的響應后，等待第二階段指令，若等待超時/協(xié)調(diào)者宕機，則自動 abort，降低了阻塞；?參與者返回 PreCommit 請求的響應后，等待第三階段指令，若等待超時/協(xié)調(diào)者宕機，則自動 commit 事務，也降低了阻塞；?數(shù)據(jù)不一致問題依然存在?比如第三階段協(xié)調(diào)者發(fā)出了 abort 請求，然后有些參與者沒有收到 abort，那么就會自動 commit，造成數(shù)據(jù)不一致

2.9 Gossip協(xié)議

Gossip 協(xié)議，顧名思義，就像流言蜚語一樣，利用一種隨機、帶有傳染性的方式，將信息傳播到整個網(wǎng)絡中，并在一定時間內(nèi)，使得系統(tǒng)內(nèi)的所有節(jié)點數(shù)據(jù)一致。Gossip 協(xié)議通過上面的特性，可以保證系統(tǒng)能在極端情況下（比如集群中只有一個節(jié)點在運行）也能運行

?P2P 網(wǎng)絡核心技術：Gossip 協(xié)議 - 知乎^[10]

主要用在分布式數(shù)據(jù)庫系統(tǒng)中各個副本節(jié)點同步數(shù)據(jù)之用，這種場景的一個最大特點就是組成的網(wǎng)絡的節(jié)點都是對等節(jié)點，是非結構化網(wǎng)絡

工作流程

?周期性的傳播消息，通常周期時間為1s?被感染的節(jié)點，隨機選擇n個相鄰節(jié)點，傳播消息?每次傳播消息都選擇還沒有發(fā)送過的節(jié)點進行傳播?收單消息的節(jié)點，不會傳播給向它發(fā)送消息的節(jié)點

Gossip傳播示意圖

特點

?擴展性：允許節(jié)點動態(tài)增加、減少，新增的節(jié)點狀態(tài)最終會與其他節(jié)點一致?容錯：網(wǎng)絡中任意一個節(jié)點宕機重啟都不會影響消息傳播?去中心化：不要求中心節(jié)點，所有節(jié)點對等，任何一個節(jié)點無需知道整個網(wǎng)絡狀況，只要網(wǎng)絡連通，則一個節(jié)點的消息最終會散播到整個網(wǎng)絡?一致性收斂：協(xié)議中的消息會以一傳十、十傳百一樣的指數(shù)級速度在網(wǎng)絡中快速傳播，因此系統(tǒng)狀態(tài)的不一致可以在很快的時間內(nèi)收斂到一致。消息傳播速度達到了 logN?簡單：Gossip 協(xié)議的過程極其簡單，實現(xiàn)起來幾乎沒有太多復雜性

缺點

?消息延遲：節(jié)點只會隨機向少數(shù)幾個節(jié)點發(fā)送消息，消息最終是通過多個輪次的散播而到達全網(wǎng)的，因此使用 Gossip 協(xié)議會造成不可避免的消息延遲?消息冗余：節(jié)點會定期隨機選擇周圍節(jié)點發(fā)送消息，而收到消息的節(jié)點也會重復該步驟，導致消息的冗余

2.10 一灰灰的小結

本節(jié)主要介紹的是分布式系統(tǒng)設計中的一些常見的理論基石，如分布式中如何保障一致性，如何對一個提案達成共識

?BASE，CAP，PACELEC理論：構建穩(wěn)定的分布式系統(tǒng)應該考慮的方向?paxos,raft共識算法?zab一致性協(xié)議?gossip消息同步協(xié)議

3.算法

這一節(jié)將主要介紹下分布式系統(tǒng)中的經(jīng)典的算法，比如常用于分區(qū)的一致性hash算法，適用于一致性的Quorum NWR算法，PBFT拜占庭容錯算法，區(qū)塊鏈中大量使用的工作量證明PoW算法等

3.1 一致性hash算法

一致性hash算法，主要應用于數(shù)據(jù)分片場景下，有效降低服務的新增、刪除對數(shù)據(jù)復制的影響

通過對數(shù)據(jù)項的鍵進行哈希處理映射其在環(huán)上的位置，然后順時針遍歷環(huán)以查找位置大于該項位置的第一個節(jié)點，將每個由鍵標識的數(shù)據(jù)分配給hash環(huán)中的一個節(jié)點

一致性hash算法

一致散列的主要優(yōu)點是增量穩(wěn)定性; 節(jié)點添加刪除，對整個集群而言，僅影響其直接鄰居，其他節(jié)點不受影響。

注意：

?redis集群實現(xiàn)了一套hash槽機制，其核心思想與一致性hash比較相似

3.2 Quorum NWR算法

用來保證數(shù)據(jù)冗余和最終一致性的投票算法，其主要數(shù)學思想來源于鴿巢原理

?分布式系統(tǒng)之Quorum （NRW）算法-阿里云開發(fā)者社區(qū)^[11]

?N 表示副本數(shù)，又叫做復制因子（Replication Factor）。也就是說，N 表示集群中同一份數(shù)據(jù)有多少個副本?W，又稱寫一致性級別（Write Consistency Level），表示成功完成 W 個副本更新寫入，才會視為本次寫操作成功?R 又稱讀一致性級別（Read Consistency Level），表示讀取一個數(shù)據(jù)對象時需要讀 R 個副本, 才會視為本次讀操作成功

Quorum NWR算法要求每個數(shù)據(jù)拷貝對象 都可以投1票，而每一個操作的執(zhí)行則需要獲取最小的讀票數(shù)，寫票數(shù)；通常來講寫票數(shù)W一般需要超過N/2，即我們通常說的得到半數(shù)以上的票才表示數(shù)據(jù)寫入成功

事實上當W=N、R=1時，即所謂的WARO(Write All Read One)。就是CAP理論中CP模型的場景

3.3 PBFT拜占庭算法

拜占庭算法主要針對的是分布式場景下無響應，或者響應不可信的情況下的容錯問題，其核心分三段流程，如下

拜占庭算法

假設集群節(jié)點數(shù)為 N，f個故障節(jié)點(無響應)和f個問題節(jié)點(無響應或錯誤響應),f+1個正常節(jié)點，即 3f+1=n

?客戶端向主節(jié)點發(fā)起請求，主節(jié)點接受請求之后，向其他節(jié)點廣播 pre-prepare 消息?節(jié)點接受pre-prepare消息之后，若同意請求，則向其他節(jié)點廣播 prepare 消息；?當一個節(jié)點接受到2f+1個prepare新消息，則進入commit階段，并廣播commit消息?當收到 2f+1 個 commit 消息后（包括自己），代表大多數(shù)節(jié)點已經(jīng)進入 commit 階段，這一階段已經(jīng)達成共識，于是節(jié)點就會執(zhí)行請求，寫入數(shù)據(jù)

相比 Raft 算法完全不適應有人作惡的場景，PBFT 算法能容忍 (n 1)/3 個惡意節(jié)點 (也可以是故障節(jié)點)。另外，相比 PoW 算法，PBFT 的優(yōu)點是不消耗算 力。PBFT 算法是O(n ^ 2) 的消息復雜度的算法，所以以及隨著消息數(shù) 的增加，網(wǎng)絡時延對系統(tǒng)運行的影響也會越大，這些都限制了運行 PBFT 算法的分布式系統(tǒng) 的規(guī)模，也決定了 PBFT 算法適用于中小型分布式系統(tǒng)

3.4 PoW算法

工作量證明 (Proof Of Work，簡稱 PoW)，同樣應用于分布式下的一致性場景，區(qū)別于前面的raft, pbft, paxos采用投票機制達成共識方案，pow采用工作量證明

客戶端需要做一定難度的工作才能得出一個結果，驗證方卻很容易通過結果來檢查出客戶端是不是做了相應的工作，通過消耗一定工作浪，增加消息偽造的成本，PoW以區(qū)塊鏈中廣泛應用而廣為人知，下面以區(qū)塊鏈來簡單說一下PoW的算法應用場景

以BTC的轉賬為例，A轉n個btc給B，如何保證不會同時將這n個幣轉給C？

?A轉賬給B，交易信息記錄在一個區(qū)塊1中?A轉賬給C，交易信息被記錄在另一個區(qū)塊2中?當區(qū)塊1被礦工成功提交到鏈上，并被大多數(shù)認可（通過校驗區(qū)塊鏈上的hash值驗證是否準確，而這個hash值體現(xiàn)的是礦工的工作量），此時尚未提交的區(qū)塊2則會被拋棄?若區(qū)塊1被提交，區(qū)塊2也被提交，各自有部分人認可，就會導致分叉，區(qū)塊鏈中采用的是優(yōu)選最長的鏈作為主鏈，丟棄分叉的部分（這就屬于區(qū)塊鏈的知識點了，有興趣的小伙伴可以擴展下相關知識點，這里就不展開了）

PoW的算法，主要應用在上面的區(qū)塊提交驗證，通過hash值計算來消耗算力，以此證明礦工確實有付出，得到多數(shù)認可的可以達成共識

3.5 一灰灰的小結

本節(jié)主要介紹了下當前分布式下常見的算法，

?分區(qū)的一致性hash算法: 基于hash環(huán)，減少節(jié)點動態(tài)增加減少對整個集群的影響；適用于數(shù)據(jù)分片的場景?適用于一致性的Quorum NWR算法: 投票算法，定義如何就一個提案達成共識?PBFT拜占庭容錯算法: 適用于集群中節(jié)點故障、或者不可信的場景?區(qū)塊鏈中大量使用的工作量證明PoW算法: 通過工作量證明，認可節(jié)點的提交

4.技術思想

這一節(jié)的內(nèi)容相對前面幾個而言，并不太容易進行清晰的分類；主要包含一些高質(zhì)量的分布式系統(tǒng)的實踐中，值得推薦的設計思想、技術細節(jié)

4.1 CQRS

?DDD 中的那些模式 — CQRS - 知乎^[12]?詳解CQRS架構模式_架構_Kislay Verma_InfoQ精選文章^[13]

Command Query Responsibility Segregation 即我們通俗理解的讀寫分離，其核心思想在于將兩類不同操作進行分離，在獨立的服務中實現(xiàn)

cqrs

用途在于將領域模型與查詢功能進行分離，讓一些復雜的查詢擺脫領域模型的限制，以更為簡單的 DTO 形式展現(xiàn)查詢結果。同時分離了不同的數(shù)據(jù)存儲結構，讓開發(fā)者按照查詢的功能與要求更加自由的選擇數(shù)據(jù)存儲引擎

4.2 復制負載平衡服務

?分布式系統(tǒng)設計:服務模式之復制負載平衡服務 - 知乎^[14]?負載均衡調(diào)度算法大全 | 菜鳥教程^[15]

復制負載平衡服務(Replication Load Balancing Service, RLBS)，可以簡單理解為我們常說的負載均衡，多個相同的服務實例構建一個集群，每個服務都可以響應請求，負載均衡器負責請求的分發(fā)到不同的實例上，常見的負載算法

4.3 心跳機制

在分布式環(huán)境里中，如何判斷一個服務是否存活，當下最常見的方案就是心跳

比如raft算法中的leader向所有的follow發(fā)送心跳，表示自己還健在，避免發(fā)生新的選舉；

比如redis的哨兵機制，也是通過ping/pong的心跳來判斷節(jié)點是否下線，是否需要選新的主節(jié)點；

再比如我們?nèi)粘５臉I(yè)務應用得健康監(jiān)測，判斷服務是否正常

4.4 租約機制

租約就像一個鎖，但即使客戶端離開，它也能工作。客戶端請求有限期限的租約，之后租約到期。如果客戶端想要延長租約，它可以在租約到期之前續(xù)訂租約。

租約主要是了避免一個資源長久被某個對象持有，一旦對方掛了且不會主動釋放的問題；在實際的場景中，有兩個典型的應用

case1 分布式鎖

業(yè)務獲取的分布式鎖一般都有一個有效期，若有效期內(nèi)沒有主動釋放，這個鎖依然會被釋放掉，其他業(yè)務也可以搶占到這把鎖；因此對于持有鎖的業(yè)務方而言，若發(fā)現(xiàn)在到期前，業(yè)務邏輯還沒有處理完，則可以續(xù)約，讓自己繼續(xù)持有這把鎖

典型的實現(xiàn)方式是redisson的看門狗機制

case2 raft算法的任期

在raft算法中，每個leader都有一個任期，任期過后會重新選舉，而Leader為了避免重新選舉，一般會定時發(fā)送心跳到Follower進行續(xù)約

4.5 Leader & Follow

這個比較好理解，上面很多系統(tǒng)都采用了這種方案，特別是在共識算法中，由領導者負責代表整個集群做出決策，并將決策傳播到所有其他服務器

領導者選舉在服務器啟動時進行。每個服務器在啟動時都會啟動領導者選舉，并嘗試選舉領導者。除非選出領導者，否則系統(tǒng)不接受任何客戶端請求

4.6 Fencing

在領導者-追隨者模式中，當領導者失敗時，不可能確定領導者已停止工作，如慢速網(wǎng)絡或網(wǎng)絡分區(qū)可能會觸發(fā)新的領導者選舉，即使前一個領導者仍在運行并認為它仍然是活動的領導者

Fencint是指在以前處于活動狀態(tài)的領導者周圍設置圍欄，使其無法訪問集群資源，從而停止為任何讀/寫請求提供服務

?資源屏蔽：系統(tǒng)會阻止以前處于活動狀態(tài)的領導者訪問執(zhí)行基本任務所需的資源。?節(jié)點屏蔽：系統(tǒng)會阻止以前處于活動狀態(tài)的領導者訪問所有資源。執(zhí)行此操作的常見方法是關閉節(jié)點電源或重置節(jié)點。

4.7 Quorum法定人數(shù)

法定人數(shù)，常見于選舉、共識算法中，當超過Quorum的節(jié)點數(shù)確認之后，才表示這個提案通過(數(shù)據(jù)更新成功)，通常這個法定人數(shù)為 = 半數(shù)節(jié)點 + 1

4.8 High-Water mark高水位線

高水位線，跟蹤Leader（領導者）上的最后一個日志條目，且該條目已成功復制到>quorum（法定人數(shù)）的Follow（跟誰者），即表示這個日志被整個集群接受

日志中此條目的索引稱為高水位線索引。領導者僅公開到高水位線索引的數(shù)據(jù)。

如Kafka：為了處理非可重復讀取并確保數(shù)據(jù)一致性，Kafka broker會跟蹤高水位線，這是特定分區(qū)的最大偏移量。使用者只能看到高水位線之前的消息。

4.9 Phi 累計故障檢測

Phi Accrual Failure Detection,使用歷史檢測信號信息使閾值自適應

通用的應計故障檢測器不會判斷服務器是否處于活動狀態(tài)，而是輸出有關服務器的可疑級別。

如Cassandra（Facebook開源的分布式NoSql數(shù)據(jù)庫）使用 Phi 應計故障檢測器算法來確定群集中節(jié)點的狀態(tài)

4.10 Write-ahead Log預寫日志

預寫日志記錄是解決操作系統(tǒng)中文件系統(tǒng)不一致的問題的高級解決方案，當我們提交寫到操作系統(tǒng)的文件緩存，此時業(yè)務會認為已經(jīng)提交成功；但是在文件緩存與實際寫盤之間會有一個時間差，若此時機器宕機，會導致緩存中的數(shù)據(jù)丟失，從而導致完整性缺失

為了解決這個問題，如mysql，es等都采用了預寫日志的機制來避免這個問題

MySql：

?事務提交的流程中，先寫redolog precommit， 然后寫binlog，最后再redolog commit；當redolog記錄成功之后，才表示事務執(zhí)行成功；?因此當出現(xiàn)上面的宕機恢復時，則會加載redologo，然后重放對應的命令，來恢復未持久化的數(shù)據(jù)

ElasticSearch:

?在內(nèi)存中數(shù)據(jù)生成段寫到操作系統(tǒng)文件緩存前，會先寫事務日志，出現(xiàn)異常時，也是從事務日志進行恢復

4.11 分段日志

將日志拆分為多個較小的文件，而不是單個大文件，以便于操作。

單個日志文件在啟動時讀取時可能會增長并成為性能瓶頸。較舊的日志會定期清理，并且很難對單個大文件執(zhí)行清理操作。

單個日志拆分為多個段。日志文件在指定的大小限制后滾動。使用日志分段，需要有一種將邏輯日志偏移量（或日志序列號）映射到日志段文件的簡單方法。

這個其實也非常常見，比如我們實際業(yè)務應用配置的log，一般都是按天、固定大小進行拆分，并不會把所有的日志都放在一個日志文件中

再比如es的分段存儲，一個段就是一個小的存儲文件

4.12 checksum校驗

在分布式系統(tǒng)中，在組件之間移動數(shù)據(jù)時，從節(jié)點獲取的數(shù)據(jù)可能會損壞。

計算校驗和并將其與數(shù)據(jù)一起存儲。

要計算校驗和，請使用 MD5、SHA-1、SHA-256 或 SHA-512 等加密哈希函數(shù)。哈希函數(shù)獲取輸入數(shù)據(jù)并生成固定長度的字符串（包含字母和數(shù)字）;此字符串稱為校驗和。

當系統(tǒng)存儲某些數(shù)據(jù)時，它會計算數(shù)據(jù)的校驗和，并將校驗和與數(shù)據(jù)一起存儲。當客戶端檢索數(shù)據(jù)時，它會驗證從服務器接收的數(shù)據(jù)是否與存儲的校驗和匹配。如果沒有，則客戶端可以選擇從另一個副本檢索該數(shù)據(jù)。

HDFS和Chubby將每個文件的校驗和與數(shù)據(jù)一起存儲。

4.13 一灰灰的小結

這一節(jié)很多內(nèi)容來自下面這篇博文，推薦有興趣的小伙伴查看原文

?Distributed System Design Patterns | by Nishant | Medium^[16]

這一節(jié)主要簡單的介紹了下分布式系統(tǒng)中應用到的一些技術方案，如有對其中某個技術有興趣的小伙伴可以留言，后續(xù)會逐一進行補全

5.分布式系統(tǒng)解決方案

最后再介紹一些常見的分布式業(yè)務場景及對應的解決方案，比如全局唯一的遞增ID-雪花算法，分布式系統(tǒng)的資源搶占-分布式鎖，分布式事務-2pc/3pc/tcc ，分布式緩存等

5.1 緩存

緩存實際上并不是分布式獨有的，這里把它加進來，主要是因為實在是應用得太廣了，無論是應用服務、基礎軟件工具還是操作系統(tǒng)，大量都可以見到緩存的身影

緩存的核心思想在于：借助更高效的IO方式，來替代代價昂貴的IO方式

如：

?redis的性能高于mysql?如內(nèi)存的讀寫，遠高于磁盤IO，文件IO?磁盤順序讀寫 > 隨機讀寫

用好緩存可以有效提高應用性能，下面以一個普通的java前臺應用為例說明

?JVM緩存 -> 分布式緩存(redis/memcache) -> mysql緩存 -> 操作系統(tǒng)文件緩存 -> 磁盤文件

緩存面臨的核心問題，則在于

?一致性問題：緩存與db的一致性如何保障（相信大家都聽說過或者實際處理過這種問題）?數(shù)據(jù)完整性：比如常見的先寫緩存，異步刷新到磁盤，那么緩存到磁盤刷新這段時間內(nèi)，若宕機導致數(shù)據(jù)丟失怎么辦？?TIP: 上面這個問題可以參考mysql的redolog

5.2 全局唯一ID

在傳統(tǒng)的單體架構中，業(yè)務id基本上是依賴于數(shù)據(jù)庫的自增id來處理；當我們進入分布式場景時，如我們常說的分庫分表時，就需要我們來考慮如何實現(xiàn)全局唯一的業(yè)務id了，避免出現(xiàn)在分表中出現(xiàn)沖突

全局唯一ID解決方案：

?uuid?數(shù)據(jù)庫自增id表?redis原子自增命令?雪花算法 (原生的，擴展的百度UidGenerator, 美團Leaf等)?Mist 薄霧算法

5.3 分布式鎖

常用于分布式系統(tǒng)中資源控制，只有持有鎖的才能繼續(xù)操作，確保同一時刻只會有一個實例訪問這個資源

常見的分布式鎖有

?基于數(shù)據(jù)庫實現(xiàn)分布式鎖?Redis實現(xiàn)分布式鎖（應用篇） | 一灰灰Learning^[17]?從0到1實現(xiàn)一個分布式鎖 | 一灰灰Learning^[18]?etcd實現(xiàn)分布式鎖?基于consul實現(xiàn)分布式鎖

5.4 分布式事務

事務表示一組操作，要么全部成功，要么全部不成功；單機事務通常說的是數(shù)據(jù)庫的事務；而分布式事務，則可以簡單理解為多個數(shù)據(jù)庫的操作，要么同時成功，要么全部不成功

更確切一點的說法，分布式事務主要是要求事務的參與方，可能涉及到多個系統(tǒng)、多個數(shù)據(jù)資源，要求它們的操作要么都成功，要么都回滾；

一個簡單的例子描述下分布式事務場景：

下單扣庫存

?用戶下單，付錢?此時訂單服務，會生成訂單信息?支付網(wǎng)關，會記錄付款信息，成功or失敗?庫存服務，扣減對應的庫存

一個下單支付操作，涉及到三個系統(tǒng)，而分布式事務則是要求，若支付成功，則上面三個系統(tǒng)都應該更新成功；若有一個操作失敗，如支付失敗，則已經(jīng)扣了庫存的要回滾（還庫存），生成的訂單信息回滾（刪掉--注：現(xiàn)實中并不會去刪除訂單信息，這里只是用于說明分布式事務，請勿帶入實際的實現(xiàn)方案）

分布式事務實現(xiàn)方案：

?2PC: 前面說的兩階段提交，就是實現(xiàn)分布式事務的一個經(jīng)典解決方案?3PC: 三階段提交?TCC：補償事務，簡單理解為應用層面的2PC?SAGA事務?本地消息表?MQ事務方案

5.5 分布式任務

分布式任務相比于我們常說單機的定時任務而言，可以簡單的理解為多臺實例上的定時任務，從應用場景來說，可以區(qū)分兩種

?互斥性的分布式任務?即同一時刻，集群內(nèi)只能有一個實例執(zhí)行這個任務?并存式的分布式任務?同一時刻，所有的實例都可以執(zhí)行這個任務?續(xù)考慮如何避免多個任務操作相同的資源

分布式任務實現(xiàn)方案：

?Quartz Cluster?XXL-Job?Elastic-Job?自研：?資源分片策略?分布式鎖控制的唯一任務執(zhí)行策略

5.6 分布式Session

Session一般叫做會話，Session技術是http狀態(tài)保持在服務端的解決方案，它是通過服務器來保持狀態(tài)的。我們可以把客戶端瀏覽器與服務器之間一系列交互的動作稱為一個 Session。是服務器端為客戶端所開辟的存儲空間，在其中保存的信息就是用于保持狀態(tài)。因此，session是解決http協(xié)議無狀態(tài)問題的服務端解決方案，它能讓客戶端和服務端一系列交互動作變成一個完整的事務。

單機基于session/cookie來實現(xiàn)用戶認證，那么在分布式系統(tǒng)的多實例之間，如何驗證用戶身份呢？這個就是我們說的分布式session

分布式session實現(xiàn)方案：

?session stick：客戶端每次請求都轉發(fā)到同一臺服務器(如基于ip的hash路由轉發(fā)策略）?session復制: session生成之后，主動同步給其他服務器?session集中保存：用戶信息統(tǒng)一存儲，每次需要時統(tǒng)一從這里取(也就是常說的redis實現(xiàn)分布式session方案)?cookie: 使用客戶端cookie存儲session數(shù)據(jù)，每次請求時攜帶這個

5.7 分布式鏈路追蹤

分布式鏈路追蹤也可以叫做全鏈路追中，而它可以說是每個開發(fā)者的福音，通常指的是一次前端的請求，將這個請求過程中，所有涉及到的系統(tǒng)、鏈路都串聯(lián)起來，可以清晰的知道這一次請求中，調(diào)用了哪些服務，有哪些IO交互，瓶頸點在哪里，什么地方拋出了異常

當前主流的全鏈路方案大多是基于google的??Dapper?? 論文實現(xiàn)的

全鏈路實現(xiàn)方案

?zipkin?pinpoint?SkyWalking?CAT?jaeger

5.8 布隆過濾器

Bloom過濾器是一種節(jié)省空間的概率數(shù)據(jù)結構，用于測試元素是否為某集合的成員。

布隆過濾器由一個長度為 m 比特的位數(shù)組（bit array）與 k 個哈希函數(shù)（hash function）組成的數(shù)據(jù)結構。

原理是當一個元素被加入集合時，通過 K 個散列函數(shù)將這個元素映射成一個位數(shù)組中的 K 個點，把它們置為 1。

檢索時，我們只要看看這些點是不是都是 1 就大約知道集合中有沒有它了，也就是說，如果這些點有任何一個 0 ，則被檢元素一定不在；如果都是 1 ，則被檢元素很可能在。

關于布隆過濾器，請牢記一點

?判定命中的，不一定真的命中?判定沒有命中的，則一定不在里面

布隆過濾器

常見的應用場景，如

?防止緩存穿透?爬蟲時重復檢測

5.9 一灰灰的小結

分布式系統(tǒng)的解決方案當然不局限于上面幾種，比如分布式存儲、分布式計算等也屬于常見的場景，當然在我們實際的業(yè)務支持過程中，不太可能需要讓我們自己來支撐這種大活；而上面提到的幾個點，基本上或多或少會與我們?nèi)粘９ぷ飨嚓P，這里列出來當然是好為了后續(xù)的詳情做鋪墊

6.一灰灰的總結

6.1 綜述

這是一篇概括性的綜述類文章，可能并沒有很多的干貨，當然也限于“一灰灰”我個人的能力，上面的總結可能并不準確，如有發(fā)現(xiàn)，請不吝賜教

全文總結如下

常見的分布式架構設計方案：

?主備，主從，多主多從，普通無中心集群，數(shù)據(jù)分片架構

分布式系統(tǒng)中的理論基石：

?CAP， BASE, PACELEC?共識算法：paxos, raft, zab?一致性協(xié)議：2pc, 3pc?數(shù)據(jù)同步：gossip

分布式系統(tǒng)中的算法：

?分區(qū)的一致性hash算法: 基于hash環(huán)，減少節(jié)點動態(tài)增加減少對整個集群的影響；適用于數(shù)據(jù)分片的場景?適用于一致性的Quorum NWR算法: 投票算法，定義如何就一個提案達成共識?PBFT拜占庭容錯算法: 適用于集群中節(jié)點故障、或者不可信的場景?區(qū)塊鏈中大量使用的工作量證明PoW算法: 通過工作量證明，認可節(jié)點的提交

分布式系統(tǒng)解決方案：

?分布式緩存?全局唯一ID?分布式鎖?分布式事務?分布式任務?分布式會話?分布式鏈路追蹤?布隆過濾器

6.2 題外話

最后總結一下這篇耗時兩周寫完的“心血巨作”（有點自吹了哈），準備這篇文章確實花了很大的精力，首先我個人對于分布式這塊的理解并不能算深刻，其次分布式這塊的理論+實踐知識特別多，而且并不是特別容易上手理解，在輸出這篇文章的同時，遇到一些疑問點我也會去查閱相關資料去確認，整個過程并不算特別順利；那么為什么還要去做這個事情呢？

1.咸魚太久了，想做一些有意思的東西，活躍一下大腦2.準備依托于《分布式專欄》來將自己的知識體系進行歸納匯總，讓零散分布在大腦中的知識點能有一個脈絡串聯(lián)起來3.不想做架構的碼農(nóng)不是好碼農(nóng)，而想成為一個好的架構，當然得做一些基礎準備，向業(yè)務精品學習取經(jīng)