分布式一致性算法Raft

　　在分布式系统中，一致性是指在集群中的多个网络节点在状态上达成一致。但是在现实场景中，由于程序的奔溃，网络故障，网络延迟，硬件故障，断电，黑客攻击等原因，节点之间很难保证一致性，这样就需要Paxos，Raft等一致性协议。通过一致性算法的协调处理来保证数据状态的一致性，所以一致性算法非常重要。

　　基于消息传递的一致性算法Paxos被认为是类似算法中最有效的。但是由于 Paxos 算法过于复杂、实现困难，极大地制约了其应用。后来Raft 算法的作者提出了Raft算法。

 

Raft提出背景

　　分布式存储系统通常通过维护多个副本来进行容错，提高系统的可用性。要实现此目标，就必须要解决分布式存储系统的最核心问题：维护多个副本的一致性。

　　首先需要解释一下什么是一致性（consensus）,它是构建具有容错性（fault-tolerant）的分布式系统的基础。 在一个具有一致性的性质的集群里面，同一时刻所有的结点对存储在其中的某个值都有相同的结果，即对其共享的存储保持一致。集群具有自动恢复的性质，当少数结点失效的时候不影响集群的正常工作，当大多数集群中的结点失效的时候，集群则会停止服务（不会返回一个错误的结果）。一致性协议就是用来干这事的，用来保证即使在部分(确切地说是小部分)副本宕机的情况下，系统仍然能正常对外提供服务。

　　

　　一致性算法的出现是为了解决一致性问题，

　　一致性模型：

　　　　1.强一致性

　　　　2.弱一致性

 

使用Raft算法的软件

　　1. 数据存储：Tidb/TiKV。

　　2. 日志：阿里巴巴的 DLedger，据说是RocketMQ 的底层。

　　3. 服务发现框架Consul和etcd。

　　4. 集群调度：HashiCorp Nomad，用了 Raft 作为通信协议，来实现 Google Omega 调度架构。

Raft的优点

　　1. Raft 提供了线性一致性的保证，适合数据库等一致性要求高的系统。　　

　　2. Raft过半节点失败不可用，延迟稳定，适合事务处理；对比全部节点失败才不可用，

　　3. 工程实现成熟，实现简单，相比于Paxos算法容易理解。

　　3. 选举算法、成员变更算法实现细节完备。

 

Raft的基础概念

　　1. Raft复制状态机

　　　　一致性协议通常基于复制状态机用于解决分布式系统中的各种容错问题，例如具有单个Leader的大规模系统，GFS、HDFS等等通常使用单独的复制状态机。复制状态机的典型实现是基于复制日志，如下图所示：

　　　　

 

 　　复制状态机包含了三个组件：

• 状态机: 当我们说一致性的时候，实际就是在说要保证这个状态机的一致性。状态机会从日志里面取出所有的命令，然后顺序执行一遍，得到的结果就是我们对外提供的保证了一致性的数据。
• Log: 保存了所有修改指令的日志。
• 一致性模块: 一致性模块算法就是用来保证写入的日志的一致性，这也是Raft算法核心内容。　　　　

　　状态机可以理解为一个确定的应用程序，所谓确定是指只要是相同的输入，那么任何状态机都会计算出相同的输出。至于如何实现日志完全一致的复制，则是Raft一致性模块（Consensus Module）需要做的事。每个节点上存储了一个包含一系列指令的日志，复制状态机按序执行这些指令。每一个日志在相同的位置存放相同的指令，所以每一个状态机都执行了相同序列的指令。

　　

　　 2. Raft节点状态

　　　　Raft的节点被称为peer，节点的状态是Raft算法的关键属性，在任何时候，Raft节点可能处于以下三种状态：

• Leader：Leader负责处理客户端的请求，同时还需要协调日志的复制。在任意时刻，一般只允许存在1个Leader，其他节点都是Follower。注意，集群在选举期间可能短暂处于存在0个Leader的场景。

• Follower：Follower是完全被动的，它们不主动提出请求，只是响应Leader和Candidate的请求。注意，节点之间的通信是通过RPC进行的。

• Candidate：Candidate是节点从Follower转变为Leader的过渡状态，属于候选人，可以被选为成一个新的Leader。因为Follower是一个完全被动的状态，所以当需要重新选举时，Follower需要将自己提升为Candidate，然后发起选举。

下图展示了这些状态以及它们之间的转化：

　　

 

 　　从状态转换图可以看到，所有的节点都是从Follower开始，如果Follower经过一段时间后收不到来自Leader的心跳，那么Follower就认为需要Leader已经崩溃了，需要进行新一轮的选举，因此 Follower的状态变更为Candidate。Candidate有可能被选举为Leader，也有可能回退为 Follower。如果Leader发现自己已经过时了，它会主动变更为Follower。那么Leader如何发现自己过时了？下文会引入Term进行分析。

　　3. Term

　　　　Raft的一个关键属性是选举任期（Term），在分布式系统中，由于节点的物理时间戳都不统一，因此需要一个逻辑时间戳来表明事件发生的先后顺序，Term正是起到了逻辑时间戳的作用。Raft的运行过程被划分为一系列任意长度的Terms，一次Leader选举会开启一个新的Term，如下图所示：

　　

 

 　　Terms有连续单调递增的编号，每个Term开始于选举，这一阶段每个Candidate都试图成为Leader。如果一个Candidate选举成功，它就在该Term剩余周期内履行leader职责。一次Term 也可能选不出Leader，这是因为可能多个Candidate都获得了相同数量的选票，此时下一次会进行下一次选举。

每个节点都会维护自己当前的Term（Current Term），并且持久化存储 Current Term。当Leader宕机后再恢复，Leader仍然会认为自己是Leader，除非发现自己已经过时了。节点利用Current Term判断过时的信息。节点的Term在节点之间通信时改变：如果某个节点的当前Term小于其它节点，那么这个节点必须更新它的Term，与集群其他节点保持一致；如果一个Candidate或者Leader发现自己的Term过期，它就必须要放下身段变成Follower；如果某个节点收到一个过时的请求（拥有过时的Term），它会拒绝该请求。

　　目前我们需要知道的是Term在Raft中是一个非常关键的属性，Term始终保持单调递增，而Raft认为一个节点的Term越大，那么它所拥有的日志就越准确。

　　前面对Raft算法进行了简要的介绍，这里开始对它进行深入分析。Raft实现一致性的机制是这样的：日志是由Leader到Follower的单向传递。也就是说Leader相当于一个总控节点，由它负责接受Client的请求，并且把日志发送各个Follower，进行复制。也是只有Leader能决定何时提交一个日志。通过Leader机制，Raft将一致性难题分解为三个相对独立的子问题：

• Leader选举：一开始每个节点都是Follower，那么需要决定由谁来做Leader，这里延伸出Leader选举的问题，而且当Leader宕机的时候也需要重新进行选举。

• 日志复制：当Leader选举出来之后，需要把日志复制到每个Follower。这里复制需要保证所有日志都有序且正确的复制到Follower上。也就是说Follower上的日志不管是顺序还是内容都要和Leader上的一样。

• 安全性：一但Leader把一项日志复制到绝大多数的Follower时，需要执行这个日志。这里的安全性是指所有的服务器都要在这同一个位置执行同一个Log，通俗的说，就是集群中所有节点都需要按照相同的顺序执行相同的日志。

 　

    4. 选举超时时间

　　每个follower在启动后都会随机赋予一个超时时间，follower启动后开始等待，在这个超时时间内，如果没有收到其他的投票请求，心跳请求或者日志复制请求，follower进入candidate状态，并开始发起投票，如果这段时间有收到上述请求，则复位等待时间，重新开始等待。
任期：每一次Leader选举就开始新的任期。在成功选举Leader之后，Leader会在整个term内管理整个集群。若当前任期没有选举出leader，则开始下一个任期选举。

 　5. menber

　　　每个 etcd cluster 都是有若干个 member 组成的，每个 member 是一个独立运行的 etcd 实例，单台机器上可以运行多个 member。

　　　在正常运行的状态下，集群中会有一个 leader，其余的 member 都是 followers。leader 向 followers 同步日志，保证数据在各个 member 都有副本。leader 还会定时向所有的 member 发送心跳报文，如果在规定的时间里 follower 没有收到心跳，就会重新进行选举。客户端所有的请求都会先发送给 leader，leader 向所有的 followers 同步日志，等收到超过半数的确认后就把该日志存储到磁盘，并返回响应客户端。

 

参考来源

　　https://blog.csdn.net/dapangzi88/article/details/54866422