数据一致性算法

在分布式系统中，数据存储有两种，一种是共用一个持久化数据库，这种自带一致性；一种是数据在内存中，需要自己用一定方案保证集群中多节点数据一致性。 下面讨论的针对的是内存中数据在集群中的同步。

1. CAP 理论

​ CAP定理主要关注的是分布式系统中的数据一致性、可用性和分区容错性，特别是在分布式集群内部的数据管理和通信。它不直接涉及客户端和服务端的交互，而是关于在分布式环境中的多个节点如何协同工作以提供服务。

​ 在分布式系统中，无法同时保证以下三个特性：

Consistency（一致性）：在所有节点看到的数据是一致的，即读操作总是返回最近写入的值，无论读请求发送到哪个节点。

Availability（可用性）：每个非故障节点对读写请求总是能做出响应，且不保证返回最新数据。

Partition Tolerance（分区容错性）：系统能够容忍网络分区（部分节点间的通信中断）而继续运行。

​ 因为必须保证高可用，所以分区容错性P是必须要保证的，也就是必须做多节点部署。在网络分区的情况下，无法同时保证一致性与可用性。这是因为当网络分区发生时，节点之间无法通信，系统必须做出选择：

​ 如果优先保证一致性，那么在无法确认所有节点状态一致之前，系统可能会拒绝某些请求，以防止数据冲突，这样就牺牲了可用性。

​ 如果优先保证可用性，系统将继续接受和处理请求，但可能会返回旧的数据或者部分节点的数据，从而牺牲了一致性。

​ 因此，在设计分布式系统时，通常需要在CAP三者之间进行权衡，根据业务场景和需求选择合适的折衷方案。许多现代分布式系统倾向于牺牲一致性（或弱化一致性模型，如最终一致性）以保证可用性和分区容错性。

2. 一致性

1. 为什么需要一致性

  1. 数据不能存在单个节点（主机）上，否则可能出现单点故障。
  2. 多个节点（主机）需要保证具有相同的数据。

2. 分类

​ 强一致性: 保证系统改变提交以后立即改变集群的状态，模型：Paxos、Raft（muti-paxos）、ZAB（muti-paxos）。muti-paxos 是一种解决分布式一致性问题的基础算法，而 Multi-Paxos 则是用于处理多轮提案（propose）的 Paxos 实现，使得系统能够处理连续的、多阶段的决策过程。

​ 弱一致性: 也叫最终一致性，系统不保证改变提交以后立即改变集群的状态，但是随着时间的推移最终状态是一致的。模型：DNS系统、Gossip协议

从单主和多主的角度对协议进行分类。

  • 多主协议：即整个集群中不只存在一个主节点，从多个主节点出发传输数据，传输顺序具有随机性，因而数据的有序性无法得到保证，只保证最终数据的一致性。比如著名的gossip、pow 协议。

  • 单主协议：即整个分布式集群中只存在一个主节点，主节点发出数据，传输给其余从节点，能保证数据传输的有序性。采用这个思想的主要有2PC, Paxos, Raft等。

单主算法涉及两部分： 
第一：选主-如何选择主节点以及主节点挂掉后如何重新选举： 一般是主节点发心跳到其他节点， 未收到心跳证明主节点挂掉
第二：数据如何写入以及写入后如何同步？
(1). 方式一：只有主节点处理写入请求，主节点处理完同步给其他节点(半数节点以上写入成功认为写入成功)，该方式适用于写入请求不多且不分片存储的的case，大部分都是读请求。读取请求可以从任何节点读取。 比如nacos 的实现raft。
主节点： 心跳、处理写入请求，然后同步给从节点，半数以上成功即认为写入成功。
从节点： 负责接收主节点心跳；被动同步主节点数据。(如果写入发到从节点，会转发给主节点)
(2). 方式二:  所有节点可以处理写入请求，收到请求后转发给其他应该处理的节点。 这种适用于分片存储、且分片逻辑是在服务端计算的情况，比如es。
主节点： 负责维护集群间分片信息以及节点心跳，然后同步给其他节点。处理读写请求。
从节点： 负责被动接收主节点的心跳以及集群分片信息。 处理读写请求。

3. 实例

  • Google的Chubby分布式锁服务，采用了Paxos算法
  • etcd分布式键值数据库，采用了Raft算法
  • ZooKeeper分布式应用协调服务，Chubby的开源实现，采用ZAB算法
  • Gossip: Redis Cluster，Apache Cassandra，Apache Mesos

3. 多主协议

​ 多主协议只保证最终一致性，允许多个节点并发写，能够显著提升系统性能。由于多主协议一般提供的都是最终一致性，所以常用在对数据一致性要求不高的场景中。

1. gossip

1. 简介

​ Gossip protocol 也叫 Epidemic Protocol （流行病协议）。原本用于分布式数据库中节点同步数据使用，后被广泛用于数据库复制、信息扩散、集群成员身份确认、故障探测等。

​ 简单的理解就是集群以扩散的方式传播消息，每个节点收到信息之后随机选择其他几个节点进行发送。

例子:

20 个集群的消息同步， 假设每次扩散四个节点：
1. 第一次：节点1收到消息
2. 第二次：节点1向其他四个节点发送消息，这一轮完成后有5个节点同步到
3. 第三次：5个节点每个都像四个节点发送消息，这时候肯定就全部同步到。
理论上经过3次就能全部覆盖，实际节点在传播消息的时候，是随机选择N个节点的，这样的话，就有可能某个节点会被选中2次甚至更多次。

​ Goosip 协议的信息传播和扩散通常需要由种子节点发起。整个传播过程可能需要一定的时间，由于不能保证某个时刻所有节点都收到消息，但是理论上最终所有节点都会收到消息，因此它是一个最终一致性协议。

​ Gossip协议是一个多主协议，所有写操作可以由不同节点发起，并且同步给其他副本。Gossip内组成的网络节点都是对等节点，是非结构化网络。

2. 消息传播和通信

Gossip 协议的消息传播方式有两种：

  • Anti-Entropy(反熵传播)：是以固定的概率传播所有的数据。所有参与节点只有两种状态：Suspective(病原)、Infective(感染)。这种节点状态又叫做simple epidemics(SI model)。过程是种子节点会把所有的数据都跟其他节点共享，以便消除节点之间数据的任何不一致，它可以保证最终、完全的一致。缺点是消息数量非常庞大，且无限制；通常只用于新加入节点的数据初始化。
  • Rumor-Mongering(谣言传播)：是以固定的概率仅传播新到达的数据。所有参与节点有三种状态：Suspective(病原)、Infective(感染)、Removed(愈除)。这种节点状态又叫做complex epidemics(SIR model)。过程是消息只包含最新 update，谣言消息在某个时间点之后会被标记为 removed，并且不再被传播。缺点是系统有一定的概率会不一致，通常用于节点间数据增量同步。

Gossip 协议最终目的是将数据分发到网络中的每一个节点。根据不同的具体应用场景，网络中两个节点之间存在三种通信方式：

  • Push: 节点 A 将数据 (key,value,version) 及对应的版本号推送给 B 节点，B 节点更新 A 中比自己新的数据
  • Pull：A 仅将数据 key, version 推送给 B，B 将本地比 A 新的数据（Key, value, version）推送给 A，A 更新本地
  • Push/Pull：与 Pull 类似，只是多了一步，A 再将本地比 B 新的数据推送给 B，B 则更新本地

​ 如果把两个节点数据同步一次定义为一个周期，则在一个周期内，Push 需通信 1 次，Pull 需 2 次，Push/Pull 则需 3 次。虽然消息数增加了，但从效果上来讲，Push/Pull 最好，理论上一个周期内可以使两个节点完全一致。直观上，Push/Pull 的收敛速度也是最快的。

3. 确保数据同步到所有节点以及处理重复接收消息的两个关键机制：

到达所有节点：

1. 随机选择和多播（Random Selection and Multicasting）
随机选择：每个节点周期性地随机选择几个邻居节点（通常是固定数量或者按照一定比例），并向这些节点发送自己的状态信息或更新。这种随机性有助于快速覆盖整个网络，减少传播延迟。
多播：通过向多个节点同时发送消息，增加信息传播的速度和可靠性。即使部分消息丢失，由于信息在多个路径上传播，其他节点仍然有机会接收到。
2. 指数退避与反熵（Exponential Backoff and Anti-Entropy）
指数退避：如果一个节点尝试向另一个节点发送信息但未得到确认，它会等待一段时间后再次尝试，这个等待时间通常按指数级增长，以避免在网络拥塞时加剧问题。
反熵（Anti-Entropy）：为了确保数据的一致性，节点除了传播新状态外，还会定期与相邻节点进行全状态同步（Full State Synchronization）或增量同步（Incremental State Synchronization）。这可以视为一种健康检查，用来发现并修复因消息丢失导致的状态不一致。

重复接收：

1. 唯一标识符（Unique Message IDs）：为每条消息分配一个全局唯一的ID，接收节点可以通过检查ID来判断是否已经接收过该消息，从而避免处理重复消息。
2. 版本控制或时间戳（Versioning/Timestamps）：消息附带版本号或时间戳，当接收到具有相同标识但较旧版本的消息时，节点可以忽略它，只保留最新版本。
3. 去重缓存（Deduplication Cache）：节点维护一个缓存，记录最近处理过的消息ID或关键信息，对于已知的重复消息直接丢弃。

4. 优劣

它具备以下优势：

  • 可扩展性：允许节点的任意增加和减少，新增节点的状态最终会与其他节点一致。
  • 容错性：任意节点的宕机和重启都不会影响 Gossip 消息的传播，具有天然的分布式系统容错特性。
  • 去中心化：无需中心节点，所有节点都是对等的，任意节点无需知道整个网络状况，只要网络连通，任意节点可把消息散播到全网。

同样也存在以下缺点：

  • 消息延迟：节点随机向少数几个节点发送消息，消息最终是通过多个轮次的散播而到达全网；不可避免的造成消息延迟。
  • 消息冗余：节点定期随机选择周围节点发送消息，而收到消息的节点也会重复该步骤；不可避免的引起同一节点消息多次接收，增加消息处理压力。
  • 拜占庭问题：如果有一个恶意传播消息的节点，Gossip协议的分布式系统就会出问题。

5. 适用场景

​ 适合于AP场景的数据一致性处理，常见应用有：P2P网络通信、Apache Cassandra、Redis Cluster、Consul。

2. pow

​ PoW（Proof of Work，工作量证明）协议是一种广泛应用于加密货币领域的共识机制，最初由比特币引入并普及。其核心目的是确保网络中的参与者就区块链的状态达成一致，同时防止恶意行为，如双重支付。

​ 实际就是基于算力来决定，有可能出现算力一致。

4. 单主协议

​ 一种常见的用于保证数据一致性的方式。在这种模式下，只有一个节点担任主节点的角色，负责处理所有的写操作，并同步这些更改到其他从节点。这种方式通常用于需要强一致性的场景，例如数据库复制或者分布式键值存储。常见的有：Paxos、Raft（muti-paxos）、ZAB（muti-paxos）

1. Paxos：

​ Paxos 是由 Leslie Lamport 提出的一种分布式一致性算法。它允许一组节点（称为接受者或服务器）在面临网络延迟和故障的情况下就提案达成一致。
​ Paxos 的核心思想是通过多轮提议和投票来确保只有一个提案被接受。它分为提议阶段、准备阶段和提交阶段，通过多数派原则保证决策的正确性。

角色：(一个进程可以充当多个角色)

proposer: 向集群提出议案，在发生冲突时候起到冲突调节作用

acceptor: 对提议投票 只有在达到多数派时提议才会被最终接受

leader: 提议接受者， 对集群一致性没什么影响，单纯的记录人员

proposal：proposer 提出的议案或建议， 编号n 或者内容value。

算法目标：每个proposer、acceptor、leadner 都认为同一个proposal 中的value 被选中

两大阶段：

  • prepare 阶段
  1. Prepare(N) 请求，proposer 提出一个proposal，编号为N(编号应该是递增的，大于等于之前所有已经提出的编号)，向所有的Acceptor广播。(这里只有编号没有内容)
  2. promise(n,value)： 如果N 大于该acceptor 此前接受的所有提案编号就接受(并承诺不在接受比N小的提议)， 否则就拒绝。 如果该acceptor 已经存在相同的甜就返回这个提案的编号和内容(返回空值就表示接收)
  • accept 阶段
  1. Accept(N,value) 请求：proposer 收到多数派(多于一半的acceptor返回的promise)， 如果存在编号大的议案就进行更新value， 范泽返回本次议案的value。(收到议案的n 与提出的编号N 无关)
  2. accepted(N)返回: 如果在此期间没有任何编号大于N的提案，就接收提案内容，否则拒绝
  3. 当proposer 收到超过半数的acceptor 的返回值后，达成共识

例子:

1. 三支蓝军，一支白军，如果两支以上蓝军同时进攻蓝军胜利，否则白军胜。
2. 因此蓝军需要同步他们的进攻时间，而只能通过步兵同步进攻时间。而有可能被白军俘虏从而将信息丢失。
3. 每支军队有1个参谋负责提议进攻时间，每支军队也有一个将军批准提出的进攻时间。 很明显需要至少2个将军的批准才有意义。

过程图如下：

解释：

1. 参谋1 发起prepare， 编号为1。此时将军1、2 都接受该编号；(编号是单调递增且唯一的，比如可以按时间戳等方式)
2. 参谋2 发起prepare， 编号为2. 将军2、3 都接收编号2；
3. 参谋1 继续发起accept 请求，编号为1、value为进攻时间1，此时将军1 接收； 将军2因为编号为2就拒绝并返回编号2
4. 参谋2 继续发起 accept 编号2、进攻时间2 的请求， 将军2、3 都接受
5. 参谋1 重新发起第二轮prepare， 编号为3，将军1返回(编号1，进攻时间1)； 将军2 返回(编号2，进攻时间2)
6. 参谋1 选取编号大的编号2 作为依据，发起accept (编号3、进攻时间2)，此时将军1、2 都接受， 因此进攻时间变为进攻时间2

存在的问题以及解决方案：

1. 活锁：
现象：当某一proposer 提交的proposal 编号被拒绝，可能是因为acceptor 返回了更大编号的proposal，因此proposer 提高编号继续提交。 如果2个proposer 一直出现这种情况，可能导致死循环，也被称为活锁。
解决方案：
后退策略(冲突后等待一段时间重试， 冲突次数增加等待的时间也相应增加), 也称为二进制指数退避法
2. 效率低：
现象：每个完整流程的提议都需要经过两大轮请求返回
解决方案：multi-paxos 先选出leader， 后续每次经过一轮， leader 强一致性。 比如raft
3. 实现困难： 当前共识算法普遍存在的问题

2. Raft协议

​ 思想： 集群有一个主节点，所有的写请求打到主节点。主节点然后同步阻塞将数据同步给其他节点，如果半数以上成功，就代表写入成功； 否则写入失败会抛出非法状态异常，可能就需要排查集群是否正常。也就是集群有一半的机器存活，集群就能正常工作。

核心逻辑：

  1. 领导选举：

(1). Raft 系统中的节点在任何时候都处于三种状态之一：领导者（Leader-处理操作请求，自己处理后同步其他follower 节点）、跟随者（Follower-请求的被动更新着，接收leader 的更新请求）或候选者（Candidate - follower 一定时间内没收到leader 的心跳认为leader 故障，会把自己升为候选者，随机时间到期后自己发起投票给自己投一票）。

(2). 当系统启动或领导者失效时，节点会转换为候选者状态并发起选举，通过请求投票（RequestVote） RPC 向其他节点寻求支持。

(3). 基于任期（Term）的概念，每个选举都有一个独一无二的任期号，确保过时的投票无效，防止选票分裂。

(4). 获得大多数节点支持的候选者将成为新的领导者，负责处理客户端请求和管理日志复制

简单理解：

  • 每个节点有一个随机等待时间，到达之后判断是否需要发起集群选主； 有一个term 数值，用于判断当前的选举版本。当集群暂未选出主节点或者没收到主节点心跳，把自己的角色设为CANDIDATE(只要是候选者在未选出主的情况下就会一直向其他节点拉票)、随机等待时间到期之后给自己投一票(term + 1)，然后向兄弟节点收集投票结果，假设B先到期
  • 兄弟节点A收到B的投票请求后和自己的term 值(term = 0)比较，如果B小于等于A的值，那A投给A自己； 否则，A把自己的角色改为FOLLOWER 从节点，然后把自己的票数term 设为和B节点的一样、重置自己的等待时间. (这里A的voteFor为B，A同时把自己的term 也改为1； 同理，其他节点也一样，都是voteFor = B， term = 1)
  • B每次收集完结果之后，判断票数最多(根据voteFor 判断B最多)且超过半数(不包含自己的选举结果)，那么就可以设为leader 主节点(将自己设为leader)， 这是B已经知道自己是主节点
  • 主节点每次心跳会将自己的信息同步给兄弟节点(只有主节点会发心跳给其他节点，其他节点记录主节点等信息-com.alibaba.nacos.naming.consistency.persistent.raft.RaftCore.HeartBeat#sendBeat)。

总数： 票数是根据voteFor 汇总得到的，需要大于一半以上(n/2 + 1); 判断是否给其他节点投票是根据term 判断的(你大于我的term我投给你)

  1. 数据同步
    (1). 所有的写请求会到达leader 节点(如果请求打到非leader 节点，会转发给leader 节点)

    (2). leader 同步将数据发给其他兄弟节点，超过半数回复正常才会认为写入成功； 否则会抛出非法状态异常，这时候可能需要排查 集群状态

  2. 几个核心问题：

1. 投票分裂的脑裂问题以及解决 
(1). 假设5个节点ABCDE， 此时集群的term = 1(所有的term 都为1)，leader 节点E宕机；
(2). AB 的随机时间同时到期， A、B term 设为2向其他节点拉票， 然后分别向其他节点拉票。CD 都投赞成票、A不会投B、B不会投A, 此时的状态是： ABCD term 都是2， A、B 收到投票结果判断的时候，选自己的节点为C\D， 不超过一半(3), 因此C、D 会一直向E 拉票(不知道E 宕机)
(3). 此时C 节点，发现没收到主心跳，自己变为候选者，随机时间到期后，自己的term 变为5，然后向其他节点发起拉票(大于另外三个节点的term=4)； 此时C 升为主节点

2. raft 数据问题：
leader 强一致性，所有的以leader 为主

3. 机器为什么建议奇数？
原则： 集群有一半的机器存活，集群就能正常工作。 size/2 + 1
集群数量-半数以上-允许宕机数量
2-2-0
3-2-1
4-3-1
5-3-2
6-4-2
7-4-3
部署分布式一致性协议集群时，一般关注的是允许宕机数量，可以看到偶数和奇数允许宕机是一样的，因此奇数可以节约一台机器。

4. 脑裂问题？
脑裂问题和奇数、偶数无关， 甚至奇数节点更好点。 比如双机房，两个机房网络不通的情况下：
7个节点: 4、3 分，假设两个机房网络不通，机房数量为4的还能正常工作，超过半数；
8个节点: 4、4 分，假设两个机房网络不通，无法产生主节点，有可能集群无法正常工作。

参考： nacos raft 实现，源码： com.alibaba.nacos.naming.consistency.persistent.raft.RaftCore

3. ZAB 协议

​ ZAB 是 Apache ZooKeeper 项目使用的一种一致性算法，它结合了Paxos和Multi-Paxos的思想，用于实现原子广播（Atomic Broadcast）。

​ ZAB 专注于提供高可用性和一致性保证，特别是为分布式协调服务如Zookeeper设计的。

​ ZAB 包括了领导者选举和原子广播两个主要阶段。在选举阶段，一个节点成为领导者，其他节点成为跟随者。一旦选举完成，领导者将负责处理所有事务并广播给跟随者。

​ 与 Raft 类似，ZAB 也依赖于领导者来保证一致性，但它的设计更侧重于满足分布式协调服务的需求，如保证数据的最终一致性。

	主备模式：ZAB协议采用主从结构，其中有一个领导者（Leader）和多个跟随者（Followers）。领导者负责接收和处理客户端的请求，以及协调集群内部的一致性。
	原子广播：领导者接收到客户端的更新请求后，会将这些请求转化为事务提案（Proposal）并广播给所有跟随者。跟随者接收到提案后，会执行并确认事务。
	崩溃恢复：当领导者崩溃或网络分区发生时，ZAB协议会启动崩溃恢复模式。这个过程包括选举新的领导者和同步所有跟随者的状态，确保新领导者拥有所有已提交的事务。
	选举过程：通过ZXID（事务ID）和服务器ID来决定新领导者，ZXID较大的服务器有更高的优先级，如果ZXID相同，则ID大的服务器成为领导者。
领导者选举完成后，所有服务器与新领导者同步状态，包括未完成的事务和已经提交的事务。
	单一线程模型：为了简化一致性，ZAB协议在领导者节点上使用单线程处理提议，确保了提案的顺序性。
	同步协议：领导者和跟随者之间使用同步协议来确认事务已经被正确处理。一旦大多数跟随者确认，领导者就会将事务标记为已提交，并广播给所有节点。
	持久化：为了保证容错性，ZooKeeper会将事务日志和快照持久化到磁盘，以便在重启后恢复状态。

4. Raft、zab 区别

设计目标：Raft协议的设计目标是易于理解和实现，而ZAB协议则是为ZooKeeper这样的系统设计的，注重高可用性和高性能。

日志和提案标识：Raft使用术语（Term）和索引（Index）来唯一标识每个提案，而ZAB使用Epoch（时代）和计数器（Count）的组合。

选举逻辑：在选举过程中，Raft的follower简单地根据term投票，而ZAB的follower在投票给一个leader之前，必须确保自己的日志与leader的日志一致。

日志匹配：在ZAB中，follower必须与leader的日志达到同步才能成为follower，而在Raft中，follower通常只需确认term即可。

心跳机制：在Raft和ZAB中，心跳都是从leader到follower，以检测节点的存活状态。然而，ZAB的心跳还用于同步和确认事务。

数据流向：在Raft中，数据流仅从leader到follower，确保所有节点都有相同的日志状态。ZAB也有类似的机制，但可能更关注确保领导者和跟随者之间的事务同步。

一致性模型：Raft使用一种称为“日志复制”的模型，确保了线性一致性。ZAB也实现了类似的一致性模型，但更侧重于快速恢复和高可用性。

应用范围：Raft被广泛应用于各种分布式系统，而ZAB是ZooKeeper专有的协议。

5. 无主协议

​ 无主协议，也可以理解为多主协议。只是不是属于通用协议。节点都是同角色的兄弟节点。

1. Eureka 集群

​ Eureka Server之间通过自我复制机制来实现数据同步。

​ 当一个新的Eureka Server加入集群时，它会从现有的Eureka Server那里拉取服务注册表信息，也就是进行全量同步。当节点收到新的

写入请求时，会通过http 接口调用同步到其他兄弟节点。 内嵌Jersey(一种http 框架) http 接口。 读取的时候客户端随机选择节点进行获

取，每个节点存的都是全量数据。

2. nacos 集群 - DISTRO 协议

​ nacos 有AP\CP, 默认是AP，也就是默认走DISTRO 协议，可以通过配置设置为走Raft 协议。

​ 自研的一致性协议，主要用于在集群节点之间实现数据的快速同步和一致性保证。 思想是实现AP，节点分数据处理，也就是一个节点处理部分数据。 处理完之后通过异步任务，同步到其他节点，趋向于最终一致性。

思路：读请求所有节点都可以处理；写请求是根据service_name 或者 实例信息(ip:port) 进行分片，分到对应的节点进行处理，节点处理完异步通知其他节点进行同步。(目的就是将写入的请求分片分到不同的节点，然后处理完成后同步给集群其他节点；该方式避免同一节点处理大量写入请求造成服务阻塞。)

1. com.alibaba.nacos.naming.web.DistroFilter#doFilter
(1). 判断是否能处理响应： 根据服务名称或者ip加端口获取服务下标
int index = distroHash(responsibleTag) % servers.size();
return servers.get(index);

private int distroHash(String responsibleTag) {
	return Math.abs(responsibleTag.hashCode() % Integer.MAX_VALUE);
}
(2). 如果是当前服务自己，放行到后面的处理过程
(3). 否则拿到请求参数和请求头，http 调用到指定的机器进行处理
2. com.alibaba.nacos.naming.core.InstanceOperatorServiceImpl#registerInstance 处理注册逻辑
(1). 内部处理相关的注册逻辑
(2). 异步调用其他兄弟节点进行同步数据：com.alibaba.nacos.core.distributed.distro.DistroProtocol#sync
    public void sync(DistroKey distroKey, DataOperation action, long delay) {
        for (Member each : memberManager.allMembersWithoutSelf()) {
            syncToTarget(distroKey, action, each.getAddress(), delay);
        }
    }

大致过程：

  1. 初始化： 节点启动时初始化distro 相关组件，包含数据同步处理器以及服务监听器。
  2. 全量同步： 新加入集群的节点会请求全量数据，其他节点发送全量数据； 新节点收到全量数据后，进行校验和处理
  3. 增量同步：全量同步完成后，后续的同步是基于增量同步，只同步新产生的数据。 每个节点定期向其他节点发送增量请求，同步到本地进行处理
  4. 心跳与确认：节点之前定时发送心跳，以检测对方的存活状态
posted @ 2024-06-25 20:20  QiaoZhi  阅读(68)  评论(1)  编辑  收藏  举报