分布式系统基础总结
一直在搞分布式系统，Hadoop, Spark, Kafka, ZooKeeper之类的都玩过，然而以前只是简单地用用各个开源组件实现，并没有系统地学习其中的原理和算法。最近在跟着MIT 6.824课程学习分布式系统的各种理论原理，这里就来简单总结下分布式系统中的一些基础内容吧~
CAP Theory
CAP Theory阐述了分布式系统中的一个事实：一致性(Consistency)、可用性(Availability)和分区容错性(Partition Tolerance)不能同时保证。三个只能选择两个
假设有两台机器A、B，两者之间互相同步保持数据的一致性。现在B由于网络原因不能与A通信(Network Partition)，假设某个client向A写入数据，现在有两种选择：
- A拒绝写入，这样能保证与B的一致性，但是牺牲了可用性
- A允许写入，但是这样就不能保证与B的一致性了
Network Partition是必然的，网络非常可能出现问题（断线、超时），因此CAP理论一般只能AP或CP，而CA一般较难实现。
- CP: 要实现一致性，则需要一定的一致性算法，一般是基于多数派表决的，如Paxos和Raft
- AP: 要实现可用性，则要有一定的策略决议到底用哪个数据，并且数据一般要进行冗余备份(replication)
当然，在上面的例子中，A可以先允许写入，等B的网络恢复以后再同步至B（根据CAP原理这样不能保证强一致性了，但是可以考虑实现最终一致性）。
一致性哈希
分布式Key-Value Store中的key映射问题。
- 传统
hash(x) % N算法的弊端：不利于架构的伸缩性 - 一致性哈希将哈希值映射到一个哈希环上，然后将数据进行哈希处理后映射到哈希环上，再把节点进行哈希处理映射到哈希环上，数据将选择最近的节点存储
- 伸缩性：节点删除时，原有的数据将会就近迁移，其他数据不用迁移；节点增加时也相似
- 保证负载均衡：虚拟节点
拜占庭将军问题
最复杂的情况：自己发的包被截；对方发的包自己收不到；内部有节点捣乱，造成不一致。
FLP Impossibility
Impossibility of Distributed Consensus with One Faulty Process 这篇论文提到：
No completely asynchronous consensus protocol can tolerate even a single unannounced process death.
假设节点只有崩溃这一种异常行为，网络是可靠的，并且不考虑异步通信下的时序差异。FLP Impossibility指出在异步网络环境中只要有一个故障节点, 任何Consensus算法都无法保证行为正确。
Lease机制
Lease（租约）机制应用非常广泛：
- 可用作授权来进行同步等操作(如Append)
- 可用作读锁/写锁（分布式锁）
租约的一个关键点就是有效期，过了有效期可以续约。如果不可用就收回租约，给另一台服务器权限。
实际应用：
- GFS: Master grant to ChunckServer
思考：Lease == Lock?
Quorum机制
多数表决机制在分布式系统中通常有两个应用场景：
- Leader Election
- Replication (NWR机制)
理论基础：鸽巢原理
Consensus问题
Consensus条件
- Termination: 最终必须决议出结果
- Validity:
- Integrity
- Agreement
2PC/3PC
2PC在proposer和某个voter都挂掉的时候会阻塞（原因：别的节点没有对应voter的消息，只能阻塞等待此voter恢复）
3PC添加了一个 prepare-commit 阶段用于准备提交工作，这里面可以实现事务的回滚。
缺点：效率貌似很低。。。分布式事务用2PC会特别蛋疼
Paxos
推演：
- First Accept/Last Accept都不可以（结合时序图）
- 一个阶段不行，自然想到两个阶段：发起决议以及提交决议
- One Proposer -> One Acceptor 挂了就gg了
- One Proposer -> Many Acceptors （规则：先到先投）
- Many Proposers -> Many Acceptors (很容易乱。。。)
Paxos引入了Log ID (num, value)，共有三个角色，两个阶段。
- Proposer: 决议发起者，需要等待多数派表决
- Acceptor: 决议投票者，对收到的Propose进行表决并返回
- Learner: 最水的角色，学习到投票的结果即可
分布式一致性算法(Paxos, Raft, Chubby, Zab)待详细总结。。。
时序问题
Lamport Timestamp
一般我们不关心分布式系统中某个过程的绝对时间，而只关注两个事件之间的相对时间。
在一个系统的事件集合E上定义一种偏序关系->，满足：
- 如果a与b发生在同一个进程中，且a先于b发生，则有
a -> b - 进程间通信，a代表进程Pi发出消息m，b代表另一个进程Pj接收消息m，则有
a -> b - 传递性：若
a -> b, b -> c，则a -> c
定义并发：a -> b与b -> a均不成立则为并发情况
引入Lamport逻辑时钟。一个时钟本质上是一个事件到实数的映射（假设时间是连续的）。对于每一个进程Pi，都有其对应的时钟Ci。
分布式系统中的全局信息实际上是对各个实体信息的叠加（Q：重合怎么办？）
可以看到Lamport Timestamp必须要求两个事件有先后顺序关系，因而在时序图上不好表示concurrent。由此引入Vector Clock。
Vector Clock
Vector Clock是对Lamport Timestamp的演进。它不仅保存了自身的timestamp，而且还保留了根节点的timestamp。
Vector Clock(Version Vector)只能用于发现数据冲突，但是想要解决数据冲突还要留给用户去定夺（就好比git commit出现conflicts，需要手工解决一样），当然也可以设置某种策略来直接解决冲突（保留最新或集群内多数表决）。
结合时序图理解会更好(图来自维基百科)：
可能出现的问题：Vector Clock过多。解决方案：剪枝（如果超过某个阈值就把最初的那个给扔掉；要是现在还依赖最初的那个clock的话可能就会造成一些问题（思考：如何解决？）
