必須了解的分布式系統中雷同的叢集技術及原理

在當今資訊爆炸的時代，單台計算機已經無法負載日益增長的業務發展，雖然也有性能強大的超級計算機，但是這種高端機不僅費用高昂，也不靈活，一般的企業是負擔不起的，而且也損失不起，那麼将一群廉價的普通計算機組合起來，讓它們協同工作就像一台超級計算機一樣地對外提供服務，就成了順其自然的設想，但是這又增加了軟體的複雜度，要求開發的軟體需要具備橫向擴充能力，比如：Kafka、Elasticsearch、Zookeeper等就屬于這一類軟體，它們天生都是"分布式的"，即可以通過添加機器節點來共同地分攤資料存儲和負載壓力。

分布在不同區域的計算機，彼此之間通過網絡建立通信，互相協作作為一個整體對外提供服務，這就是叢集，如果我們開發的系統具備這樣的能力，那麼理論上就具備無限橫向擴容的能力，系統的吞吐量就會随着機器數增加而增長，那麼未來當系統出現高負載的時候，就可以很好地應對這種情況。

通過上面分析，我們知道實作叢集，其實就是采用多台計算機來共同承擔和負載系統壓力，那麼就涉及到多台計算機需要參與一起處理資料，為了保證可用性，一般都會在每台計算機上備份一份資料，這樣隻要有一個節點保持同步狀态，那麼資料就不會丢失，比如kafka分區多副本、Elasticsearch的副本分片，由于同一資料塊及其副本位于不用的機器，随着時間的推移，再加上不可靠的網絡通信，所有機器上的資料必然會不完全一緻，這個時候假如發生一種極端情況，所有的機器當機了，又如何保證資料不丢失呢（其實隻有兩種方法）？

保證可用性：選擇第一台恢複正常服務的機器（不一定擁有全部資料）作為可信的資料來源，快速恢複叢集，即停機時間優于同步。

保證資料一緻性：等待第一台擁有全部資料的機器恢複正常，再恢複叢集，即同步優于停機時間，比如禁用kafka的unclean leader選舉機制就是這種政策。

其實當大多數機器不可用時，就需要在可用性和一緻性之間進行妥協了，是以另一個更符合分布式系統的Base理論又被創造出來了。

當由多台計算機組成的叢集對外提供服務時，其實就是對外提供讀、寫的能力。

為了将資料合理、均勻地寫到各個機器上，提高叢集寫能力；為了将讀請求負載均衡到不同的節點，提高叢集的讀能力；為了解耦資料存儲和實體節點，提高分布式讀寫并行處理的能力，聰明的工程師引入了一個邏輯資料存儲機關，統稱為資料塊，比如Kafka的分區(partion)、Elasticsearch的分片(shard)，這樣的虛拟化大大提高了叢集讀寫的靈活性。

備注：是以啊，名字不重要，知其是以然最重要。

實際上當叢集作為一個整體處理資料時，可能每一個節點都會收到讀寫請求，但是資料又是分散在不同的節點上，是以就需要每個節點都清楚地知道叢集中任意一個資料塊的位置，然後再将請求轉發到相應的節點，這就是“協調節點”的工作。比如：Elasticsearch的master節點管理叢集範圍内的所有變更，主分片管理資料塊範圍内的所有變更。

百度百科：quorum，翻譯法定人數，指舉行會議、通過議案、進行選舉或組織某種專門機構時，法律所規定的必要人數，未達法定人數無效。

由于網絡分區的存在，這個機制被廣泛地應用于分布式系統中，比如叢集節點之間選舉Master；資料塊之間選舉Header等；在分布式存儲中，也被稱為Quorum讀寫機制，即寫入的時候，保證大多數節點都寫入成功（一般的做法會選舉一個主資料塊(header)，保證它寫成功，然後再同步到備援的副本資料塊）；讀取的時候保證讀取大多數節點的資料（一般的做法是由協調節點分發請求到不同的節點，然後将所有檢索到的資料進行全局彙總排序後再傳回）；由于讀寫都是大多數，那麼中間肯定存在最新的重疊資料，這樣就能保證一定能讀到最新的資料。

從上面分析可以得出，隻要大多數節點處于活躍可用狀态，那麼整個叢集的可用性就不會受到影響；隻要大多資料塊處于活躍可用的狀态，那麼就能持續地提供讀寫服務；隻要有一個資料塊完成了同步狀态，那麼資料就不會丢失；這其實就是通過一種備援機制來嘗試處理fail/recover模式的故障，通俗點講就是容忍單點故障，至少需要部署3個節點；容忍2點故障，至少需要部署5個節點，機器節點越多分區容忍性就越強，即通過增加機器數來降低由于機器故障影響服務的機率，頓悟了吧，嘿嘿，是以保證叢集可用的前提就是有奇數個節點、奇數個資料塊保持活躍可用狀态，不然就無法選舉出master或header。

大多數投票機制運用起來也非常靈活，當分布式系統追求強一緻性時，需要等待所有的資料快及其副本全部寫入成功才算完成一次寫操作，即寫全部(write all)，可以了解一種事務保證，要麼全部寫入，要麼一個都不寫入，比如：kafka從0.11.0.0 版本開始， 當producer發送消息到多個topic partion時，就運用了這種機制，來保證消息傳遞的exactly-once語義，是不是很帥，而且這種情況下，從任意一個節點都能讀到最新的資料，讀性能最高；當分布式系統追求最終一緻性時，隻需等待主資料塊(leader)寫入成功即可，再由主資料塊通過消息可達的方式同步到副本資料塊。

為了能夠滿足不同場景下對資料可靠性和系統吞吐量的要求，最大化資料持久性和系統可用性，很多元件都提供了配置項，允許使用者定義這個大多數的法定數量，下面我們就來談談一些常用元件的配置：

Elasticsearch

由上圖可以看到，整個叢集由三個運作了Elasticsearch執行個體的節點組成，有兩個主分片，每個分片又有兩個副分片，總共有6個分片拷貝，Elasticsearch内部自動将相同的分片放到了不同的節點，非常合理和理想。

當我們建立一個文檔時：

1、用戶端向 Node 1 發送建立文檔的寫請求。

2、節點使用文檔的 _id 确定文檔屬于分片 0 。請求會被轉發到 Node 3，因為分片 0 的主分片目前被配置設定在 Node 3 上。

3、Node 3 在主分片上面執行請求。如果成功了，它将請求并行轉發到 Node 1 和 Node 2 的副本分片上。一旦所有的副本分片都報告成功, Node 3 将向協調節點報告成功，協調節點向用戶端報告成功。

這就是Elasticsearch處理寫請求的典型步驟順序，同時每種業務場景對資料可靠性的要求和系統性能也不一樣，是以Elasticsearch提供了Consistence配置項：

1、one：主分片處于活躍可用狀态就可以處理寫請求。

系統吞吐量最高，但資料可能會丢失，對資料可靠性要求不是很高的場景非常适合，比如實時的時序資料處理（日志）。

2、all：主分片和所有副本分片處于活躍可用狀态才允許處理寫請求。

系統吞吐量最低，但資料不會丢失。處理關鍵的業務資料非常合适。

3、quorum：必須有大多數的分片拷貝處于活躍可用狀态才允許處理寫請求。

平衡系統吞吐量和資料可靠性，一般業務系統都使用這個配置。

Kafka

當向Kafka 寫資料時，producers可以通過設定ack來自定義資料可靠性的級别：

0：不等待broker傳回确認消息。

1: leader儲存成功傳回。

-1(all): 所有備份都儲存成功傳回。

備注：預設情況下，為了保證分區的最大可用性，當acks=all時，隻要ISR集合中的副本分區寫入成功，kafka就會傳回消息寫入成功。如果要真正地保證寫全部(write all)，那麼我們需要更改配置<code>transaction.state.log.min.isr</code>來指定topic最小的ISR集合大小，即設定ISR集合長度等于topic的分區數。

如果所有的節點都挂掉，還有Unclean leader選舉機制的保證，建議大家下去閱讀kafka《官方指南》設計部分，深入了解kafka是如何通過引入ISR集合來變通大多數投票機制，進而更好地保證消息傳遞的不同語義。

對于分布式系統，自動處理故障的關鍵就是能夠精準地知道節點的存活狀态(alive)。有時候，節點不可用，不一定就是其本身挂掉了，極有可能是暫時的網絡故障；在這種情況下，如果馬上選舉一個master節點，那麼等到網絡通信恢複正常的時候，豈不是同時存在兩個master，這種現象被形象地稱為“叢集腦裂”，先留給大家下去思考吧。呵呵，明天要早起，碎覺了，大家晚安。

備注：設計一個正在高可用的分布式系統，需要考慮的故障情況往往會很複雜，大多數元件都隻是處理了fail/recover模式的故障，即容忍一部分節點不可用，然後等待恢複；并沒有處理拜占庭故障(Byzantine)，即節點間的信任問題，也許區塊鍊可以解決吧，大家可以下去多多研究，然後我們一起讨論，共同學習，一起進步。

分享了這麼多，請大家總結一下大多數投票機制的優點和缺點？歡迎評論區留言，哈哈，真的要睡覺了，晚安。

由于昨晚太晚了，第二天又要早起參加團建活動，對于最後就抛出的問題，希望大家下去總結一下大多數投票的優缺點，現在就來補充一下。

大多數投票機制延遲取決于最快的伺服器，即等待資料備份完成的等待時間取決于最快的follower，比如副本因子是3，header占據1位，再有1位最快的follower同步完成，就滿足大多數了。

大多數(n+1)的節點挂掉就無法選舉leader，進而整個叢集徹底失去可用性，比如：為了備援單點故障，通常需要三個節點備份資料，但是當其中兩台挂掉時，整個叢集就挂了。僅僅靠備援資料來避免單點故障是不夠，通常對磁盤空間需求量為2n+1倍，相應地也會導緻寫吞吐量下降2n+1倍，這種高昂的存儲方式并不适合存儲原始資料，這就是為什麼quorum算法更适合共享叢集配置資料，如zookeeper，這也是kafka為什麼要引入一個同步狀态備份集合(ISR)，通過降低所需的備份資料而帶來額外的吞吐量和磁盤空間，進而提高kafka處理海量實時資料的能力。

做一個有底蘊的軟體工作者