寫在前面

在當今信息爆炸的時代，單臺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，那么將一群廉價的普通計算機組合起來，讓它們協同工作就像一臺超級計算機一樣地對外提供服務，就成了順其自然的設想，但是這又增加了軟件的復雜度，要求開發的軟件需要具備橫向擴展能力，比如：Kafka、Elasticsearch、Zookeeper等就屬于這一類軟件，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數據存儲和負載壓力。

為什么需要集群？

分布在不同區域的計算機，彼此之間通過網絡建立通信，相互協作作為一個整體對外提供服務，這就是集群，如果我們開發的系統具備這樣的能力，那么理論上就具備無限橫向擴容的能力，系統的吞吐量就會隨著機器數增加而增長，那么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。

為什么CAP不能同時滿足？

通過上面分析，我們知道實現集群，其實就是采用多臺計算機來共同承擔和負載系統壓力，那么就涉及到多臺計算機需要參與一起處理數據，為了保證可用性，一般都會在每臺計算機上備份一份數據，這樣只要有一個節點保持同步狀態，那么數據就不會丟失，比如kafka分區多副本、Elasticsearch的副本分片，由于同一數據塊及其副本位于不用的機器，隨著時間的推移，再加上不可靠的網絡通信，所有機器上的數據必然會不完全一致，這個時候假如發生一種極端情況，所有的機器宕機了，又如何保證數據不丟失呢（其實只有兩種方法）？

保證可用性：選擇第一臺恢復正常服務的機器（不一定擁有全部數據）作為可信的數據來源，快速恢復集群，即停機時間優于同步。

保證數據一致性：等待第一臺擁有全部數據的機器恢復正常，再恢復集群，即同步優于停機時間，比如禁用kafka的unclean leader選舉機制就是這種策略。

其實當大多數機器不可用時，就需要在可用性和一致性之間進行妥協了，所以另一個更符合分布式系統的Base理論又被創造出來了。

如何解決分布式存儲問題？

當由多臺計算機組成的集群對外提供服務時，其實就是對外提供讀、寫的能力。

數據塊技術（data block）

為了將數據合理、均勻地寫到各個機器上，提高集群寫能力；為了將讀請求負載均衡到不同的節點，提高集群的讀能力；為了解耦數據存儲和物理節點，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數據存儲單位，統稱為數據塊，比如Kafka的分區(partion)、Elasticsearch的分片(shard)，這樣的虛擬化大大提高了集群讀寫的靈活性。

備注：所以啊，名字不重要，知其所以然最重要。

協調節點（coordination node）

實際上當集群作為一個整體處理數據時，可能每一個節點都會收到讀寫請求，但是數據又是分散在不同的節點上，所以就需要每個節點都清楚地知道集群中任意一個數據塊的位置，然后再將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節點管理集群范圍內的所有變更，主分片管理數據塊范圍內的所有變更。

大多數投票機制（quorum）

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，比如集群節點之間選舉Master；數據塊之間選舉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數據塊(header)，保證它寫成功，然后再同步到冗余的副本數據塊）；讀取的時候保證讀取大多數節點的數據（一般的做法是由協調節點分發請求到不同的節點，然后將所有檢索到的數據進行全局匯總排序后再返回）；由于讀寫都是大多數，那么中間肯定存在最新的重疊數據，這樣就能保證一定能讀到最新的數據。

從上面分析可以得出，只要大多數節點處于活躍可用狀態，那么整個集群的可用性就不會受到影響；只要大多數據塊處于活躍可用的狀態，那么就能持續地提供讀寫服務；只要有一個數據塊完成了同步狀態，那么數據就不會丟失；這其實就是通過一種冗余機制來嘗試處理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概率，頓悟了吧，嘿嘿，所以保證集群可用的前提就是有奇數個節點、奇數個數據塊保持活躍可用狀態，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致性時，需要等待所有的數據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)，可以理解一種事務保證，要么全部寫入，要么一個都不寫入，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，來保證消息交付的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數據，讀性能最高；當分布式系統追求最終一致性時，只需等待主數據塊(leader)寫入成功即可，再由主數據塊通過消息可達的方式同步到副本數據塊。

為了能夠滿足不同場景下對數據可靠性和系統吞吐量的要求，最大化數據持久性和系統可用性，很多組件都提供了配置項，允許用戶定義這個大多數的法定數量，下面我們就來談談一些常用組件的配置：

Elasticsearch

由上圖可以看到，整個集群由三個運行了Elasticsearch實例的節點組成，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內部自動將相同的分片放到了不同的節點，非常合理和理想。
當我們新建一個文檔時：

• 1、客戶端向 Node 1 發送新建文檔的寫請求。
• 2、節點使用文檔的 _id 確定文檔屬于分片 0 。請求會被轉發到 Node 3，因為分片 0 的主分片目前被分配在 Node 3 上。
• 3、Node 3 在主分片上面執行請求。如果成功了，它將請求并行轉發到 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 將向協調節點報告成功，協調節點向客戶端報告成功。

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數據可靠性的要求和系統性能也不一樣，所以Elasticsearch提供了Consistence配置項：

• 1、one：主分片處于活躍可用狀態就可以處理寫請求。
  系統吞吐量最高，但數據可能會丟失，對數據可靠性要求不是很高的場景非常適合，比如實時的時序數據處理（日志）。
• 2、all：主分片和所有副本分片處于活躍可用狀態才允許處理寫請求。
  系統吞吐量最低，但數據不會丟失。處理關鍵的業務數據非常合適。
• 3、quorum：必須有大多數的分片拷貝處于活躍可用狀態才允許處理寫請求。
  平衡系統吞吐量和數據可靠性，一般業務系統都使用這個配置。

Kafka
當向Kafka 寫數據時，producers可以通過設置ack來自定義數據可靠性的級別：

• 0：不等待broker返回確認消息。
• 1: leader保存成功返回。

• -1(all): 所有備份都保存成功返回。

  備注：默認情況下，為了保證分區的最大可用性，當acks=all時，只要ISR集合中的副本分區寫入成功，kafka就會返回消息寫入成功。如果要真正地保證寫全部(write all)，那么我們需要更改配置transaction.state.log.min.isr來指定topic最小的ISR集合大小，即設置ISR集合長度等于topic的分區數。

如果所有的節點都掛掉，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，深入理解kafka是如何通過引入ISR集合來變通大多數投票機制，從而更好地保證消息交付的不同語義。

什么是集群腦裂？

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態(alive)。有時候，節點不可用，不一定就是其本身掛掉了，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，那么等到網絡通信恢復正常的時候，豈不是同時存在兩個master，這種現象被形象地稱為“集群腦裂”，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復雜，大多數組件都只是處理了fail/recover模式的故障，即容忍一部分節點不可用，然后等待恢復；并沒有處理拜占庭故障(Byzantine)，即節點間的信任問題，也許區塊鏈可以解決吧，大家可以下去多多研究，然后我們一起討論，共同學習，一起進步。

寫在最后

分享了這么多，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。

補充：大多數投票機制的優缺點

由于昨晚太晚了，第二天又要早起參加團建活動，對于最后就拋出的問題，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。

優點

大多數投票機制延遲取決于最快的服務器，即等待數據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。

缺點

大多數(n+1)的節點掛掉就無法選舉leader，從而整個集群徹底失去可用性，比如：為了冗余單點故障，通常需要三個節點備份數據，但是當其中兩臺掛掉時，整個集群就掛了。僅僅靠冗余數據來避免單點故障是不夠，通常對磁盤空間需求量為2n+1倍，相應地也會導致寫吞吐量下降2n+1倍，這種高昂的存儲方式并不適合存儲原始數據，這就是為什么quorum算法更適合共享集群配置數據，如zookeeper，這也是kafka為什么要引入一個同步狀態備份集合(ISR)，通過降低所需的備份數據而帶來額外的吞吐量和磁盤空間，從而提高kafka處理海量實時數據的能力。

轉載于:https://www.cnblogs.com/justmine/p/9275730.html

總結

以上是生活随笔為你收集整理的必须理解的分布式系统中雷同的集群技术及原理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。