Kafka数据辅助和Failover

数据辅助与Failover

 

CAP理论（它具有一致性、可用性、分区容忍性）

 

 

CAP理论：分布式系统中，一致性、可用性、分区容忍性最多只可同时满足两个。一般分区容忍性都要求有保障，因此很多时候在可用性与一致性之间做权衡。

 

一致性方案

1.Master-slave

》RDBMS的读写分离即为典型的Master-slave方案

》同步复制可保证强一致性但会影响可用性(等master确保将数据复制给全部的slave，slave才返回结果)

》异步复制可提供高可用性但会降低一致性

2.WNR

》主要用于去中心化（P2P）的分布式系统，DynameDB与Cassandra即采用此方案

》N代表副本数，W代表每次写操作要保证的最少写成功的副本数，R代表每次读至少读取的副本数

》当W+R>N时，可保证每次读取的数据至少有一个副本具有最新的更新

》多个写操作的顺序难以保证，可能导致多副本间的写操作顺序不一致，Dynamo通过向量时钟保证最终一致性

3.Paxos及其变种

》Google的Chubby，Zookeeper的Zab，RAFT等

 

 

Kafka是如何权衡CA的呢？

Replica

 

如：

当一个Patiton副本数超过Broker时，就会报错

 

Data Replication要解决的问题

1.如何Propagate（扩散）消息

2.何时Commit

3.如何处理Replica恢复

4.如何处理Replica全部宕机

 

1.如何Propagate（扩散）消息

  以写入数据为例，Patiton分为leader和follower，follower周期性的向leader pull数据（和consumer相似）。

在读取数据时，与数据库读写分离不一样，follower并不参与读取操作，读取只和leader有关。

  为了提高性能，每个Follower在接收到数据后就立马向Leader发送ACK，而非等到数据写入Log中。因此，对于已经commit的消息，Kafka只能保证它被存于多个Replica的内存中，而不能保证它们被持久化到磁盘中，也就不能完全保证异常发生后该条消息一定能被Consumer消费。但考虑到这种场景非常少见，可以认为这种方式在性能和数据持久化上做了一个比较好的平衡。在将来的版本中，Kafka会考虑提供更高的持久性。

 

2.何时Commit

由上图可知，leader数据发送给follower既不是同步通信也不是异步通信，而是在一致性和可用性做了动态的平衡

 

3.如何处理Replica恢复

 

 

4.如何处理Replica全部宕机

等待ISR中任一Replica恢复，并选它为Leader

》等待时间较长，降低可用性

》或ISR中的所有Replica都无法恢复或者数据丢失，则该Patition将永不可用

选择第一个恢复的Replica为新的Leader，无论它是否在ISR中

》可能会有数据丢失

》可用性较高