分布式系统一致性与共识算法

        分布式系统的一致性是指从系统外部读取系统内部的数据时，在一定约束条件下相同，即数据（元数据，日志数据等等）变动在系统内部各节点应该是一致的。

        一致性模型分为如下几种：

① 强一致性   所有用户在任意时刻读到的数据，无论会请求到哪个节点上，都是一致的；

② 单调一致性  有用户在任意时刻读到的数据一定会比之前读到的数据新，也就是说，可获取的数据顺序必是单调递增的；

③ 弱一致性   相比于强一致性，弱一致性要求没那个严格，不同用户在不同时间读到的数据可能是不一致的，但过了一段时间会达到一致。

④ 最终一致性    最终一致性属于弱一致性的一种实例。用户只能读到某次更新后的值，但系统保证数据将最终达到完全一致的状态，只是所需时间不能保障。

        实际上一致性还包括顺序一致性、读写一致性、因果一致性等等，这里不做过多讨论。

        之前在分布式基础的文章里也有过讨论，对于分布式系统，主要有CAP理论和BASE理论。对于现实的网络来说，BASE理论是比较适用的，即实现最终一致性。

        再说下共识，共识是指不同的节点通过某种方法对于某种状态达成一致的过程。分布式一致性强调了多个副本呈现的数据的状态，共识强调多个节点之间对某个提案达成一致的过程。通过共识，实现某种一致性，这种一致性包括某提案的一致性，如选举，下线通知等等，也包括数据的一致性。

        共识算法目前有很多种。但根据不同的错误类型可以分为两大类算法：

        1、拜占庭问题。恶意伪造导致的错误；

        2、非拜占庭。出现故障非恶意伪造。

拜占庭问题：

我觉得一个比较简单明了的解释：

        假设有9位将军投票，其中1名叛徒。8名忠诚的将军中出现了4人投进攻，4人投撤离的情况。这时候叛徒可能故意给4名投进攻的将领送信表示投票进攻，而给4名投撤离的将领送信表示投撤离。这样一来在4名投进攻的将领看来，投票结果是5人投进攻，从而发起进攻；而在4名投撤离的将军看来则是5人投撤离。这样各支军队的一致协同就遭到了破坏。

        目前存在的算法主要包括PAXOS，RAFT，还有用于区块链的工作量证明、权益证明等等算法。PAXOS，RAFT主要用来解决不存在拜占庭问题的情况，即不存在作弊情况，基本上都是网络抖动，网络出错，系统宕机等问题，因此基本上都是用于系统内部自治，像开源的各种中间件，消息队列，Redis集群等等。而工作量证明，权益证明这些用于区块链等领域的算法就需要考虑拜占庭问题。

共识算法：

1. Gossip算法；
2. Raft算法；
3. ZAB；
4. ES选举算法；

一、Gossip算法（论文地址：Gossip论文）

        我觉得用一个简单例子来描述gossip比较合适：说一个村里儿，有一家突然有一天发生了一个事儿，女儿嫁给了一个大她20岁的老爷们儿，她邻居先听说了这个事儿，火急火燎地就把这个事儿告诉了和她打麻将的几个人儿，然后这几个人又分别告诉了好朋友，同时第一听说这件事儿的邻居还没闲下来，还再巴巴地和别人说，就这样很快，整个村儿都知道了。一个消息最后所有人都知道了。

        Gossip协议就是这样一种，没有中心节点，由最初的一个节点先随机选择几个节点通信，然后知道信息的节点同样再选择几个节点通信，就这样看似杂乱无章地相互通信，最终达到了一致性的一种算法。

        这种算法的一个优势是不管是有新节点加入，还是有节点宕机，对现有的网络和在线节点都不会有任何的影响。就算是突然有个新节点加入，也会达到最终一致性。

        目前这个算法已经非常成熟了。Redis-Cluster目前采用了这种协议。RedisCluster集群的每个节点都会有两个重要的数据结构，一个是clusterNode，记录了当前节点的状态，一个是clusterState，包含整个集群的状态等信息。clusterState的slots数组存储的是所有槽分配的地址信息，注意和clsuterNode的区别。clusterNode的slots数组记录的就是当前节点的槽分配信息。如果我们想要查某个slot在哪个节点上，直接使用clusterState的slot记录，时间复杂度是O(1）。

在RedisCluster中有几个比较重要的通信类别：

• Meet 通过，当前集群的节点会向新节点发送握手请求，加入现有集群。
• Ping 节点每秒会向集群中其他节点发送 ping 消息，消息中带有自己已知的两个节点的地址、槽、状态信息、最后一次通信时间等。
• Pong 节点收到 ping 消息后会回复 pong 消息，消息中同样带有自己已知的两个节点信息。
• Fail 节点 ping 不通某节点后，会向集群所有节点广播该节点挂掉的消息。其他节点收到消息后标记已下线。

        Gossip的特点就是随机冗余发送，最终达到了一致性。但Gossip协议本身也是存在很多的缺点，比如就是通信的冗余，因为就算一个节点收到了某个消息，那么下次仍然有可能收到的，这样就造成了资源的浪费。

        RedisCluster的机制是会每100ms发送一次 ping，这里也不是发送给集群中的所有节点，而是随机选择部分节点。一个clusterSendPing会带上当前节点以及其他部分节点的信息发送出去。

        其实上面说的clusterSendPing也不能完全保证每个节点都能收到其他节点的消息。因此集群还会每1秒都会发送随机选择5个节点，并从中选择最久没有接受pong消息的节点，发送消息。

        此外，还会遍历当前节点中存储的所有其他节点，选择一个最近接受ping消息时间已经超过了cluster_node_timeout/2的就会发送消息。

        上面是RedisCLuster使用Gossip来达到最终一致性的。除此之外在选举过程Redis采用的是Raft算法。

二、Raft算法

        Raft算法是基于之前的PAXOS算法优化的一种可行性方案，PAXOS本身比较复杂，本文也不做赘述。Raft目前是很多成熟的分布式系统都采用的算法。如Redis-cluster，Nacos，Rocketmq，以及Kafka2.8开始摘除ZK之后，也采用基于Raft的共识机制。

        Raft算法大的策略是将问题分治处理，将整个流程分为选举、日志同步、安全性、日志压缩、成员变更等等。

        该算法的前提是为系统定义了三个角色：

        1、Leader角色。整个系统只有该角色负责处理客户端的请求，并把日志同步给Follower（也是一个角色）；

        2、Follower角色。一个系统会有多个Follower，他们会接收Leader的日志，并在Leader通知提交日志的时侯进行提交（持久化）。它只能接收请求；

        3、Candidate角色。该角色只有在进行Leader选举的时侯才会存在，每一个Follower都可能临时成为 Candidate 。

        一个系统在正常运转的时侯，肯定只有一个Leader和多个Follower存在。        

下面是一个示意图，我觉得它描述得非常清晰（图片非原创）。

        如果一个Follower超过一定时间没有收到Leader角色的心跳，那么它就会等待一段随机的时间发起Leader选举，并将自己也设置为Candidate角色，且投自己一票（当然，你说要投自己一票，让别人也投你，你应该带上自己的最后一条日志的term和log index）。

        如果在超时之前获得了大多数的投票，那么自己就变成Leader；如果收到了其他Leader的消息，证明已经有新的Leader，自己还变成Follower；如果没有获得超过一半的投票，那么就等待该次选举周期超时后再发起选举。

        每一次选举的周期被称为term，随着选举的不断发生,term不断增大。而Candidate在选举时只选举term更大，index最新的节点。这个周期是非常重要的，他要确保同一个参与选举的角色在一个Term内只能投一票，避免会出现脑裂的情况。

        Redis-Cluster采用的就是基于Raft的选举，当某个Master挂掉之后，多个Slave会在间隔一段随机时间后发出广播消息，希望其他Master投它一票，注意这里的随机时间，避免同时发起选举，导致长时间选不出一个master来，不过这样也不能保证发起选举就在一个周期内就会选举成功，这里导致一个问题是，RedisCluster本身也是CP模式的，Master到Slave数据同步是异步的，可能会出现数据丢失的情况。

Raft日志同步：

        Raft算法除了可以用在上面的master选举意外，还可以用于日志同步。

       思想： Leader接收客户端的请求后，会并行地向所有Follower以日志的形式发送，当有半数以上的Follower成功提交了日志，那么才会告知客户端成功提交了。每个日志都会包括term和索引index，以及真正要执行的指令。

        那么Follower是如何处理Leader发来的日志呢？

        首先Follower会将index-1的内容和Leader的进行对比，如果一致，就返回true.如果不等，就返回false，Leader收到false，会减小index值，重新发送，直到最后内容相同，Follower之后的内容都会被覆盖。

        到此为止，可以看到Raft为每个日志都分配了term和index保证唯一性，此外，它也强制Follower必须要和当前的Leader保持一致。

官方描述：

• leader为每个follower维护一个 nextIndex ，表明下一个将要发送给follower的log entry
• 当leader刚上任时，会把所有的 nextIndex 设置成其最后一个log entry的index加1，如上图，则是11
• 当follower的日志和leader不一致时，一致性检查会失败，那么会把 nextIndex 减1
• 最终 nextIndex 会是leader和follower相同log entry的index加1，这时候，再发送 AppendEntries 会成功，并且会把follower的所有之后不一致的日志删除掉。

Nacos的CP模式用的就是Raft算法，不过其是用了阿里改造的SOFA-Jraft。

Raft文章推荐： Raft日志复制 Raft论文

三、ZAB协议

        该协议是在zookeeper中应用的一种一致性协议，它有很多和Raft相似的地方。比如都是由leader发起写操作，都采用心跳来检测存活性，在选举过程中也都采用谁先获得多数投票谁就成为Leader。但ZAB又有很多独特的地方。如ZAB的Observer不参与请求，只提供给客户端的读请求。

        ZAB全称是Zookeeper Atomic Broadcast，zookeeper原子广播协议，字面意思就可知该协议是基于广播进行的。

        Zookeeper主要有两种模式，崩溃恢复和广播模式，它就是在这两种模式下切换。

        崩溃恢复和Raft的选举过程也很类似，也是在Leader崩溃之后，Follower选择出一个新的Leader（也是获得超过一半的投票）。但投票条件不同，ZAB要求Follower在投票给一个节点前，必须和该节点的日志保证一致，而Raft没这要求，谁term高就给谁投。ZAB的投票参考因素是ZXID，是一个事务的序号，是不断递增的一个值。ZXID是一个64位数字，高32位表示每一代Leader（epoch），低32位表示事务的ID（count)。

        那么可能问了，如果Leader在提交事务后崩溃了或者在把日志复制给Follower时，新Leader会继续处理吗？针对该问题，ZAB协议保证了两点：

        1、已经被Leader的事务会被提交；

        2、已经被Leader跳过的事务不会再执行；

        日志复制和Raft处理方式也是大体一样，也是收到半数以上Follower的Ack后，才会提交事务。区别是ZAB中引入了一个队列，并将带有ZXID的日志按顺序发送给所有Follower，相比于Raft，ZAB实现了解耦。

广播模式的具体流程：

        1、不论是zk集群的哪个机器收到了写请求，就算是follower收到了，它首先是将请求转发给leader服务器，leader负责具体的写请求处理；

        2、leader生成proposal提案，并生成一个全局的ZXID，在后续的恢复模式中是很重要的一个标识。然后通过与每个follwer的队列（FIFO）发送给follower；ZXID在上面已经提到了，官方的对其的定义：

• Every change to the ZooKeeper state receives a stamp in the form of a zxid (ZooKeeper Transaction Id). This exposes the total ordering of all changes to ZooKeeper. Each change will have a unique zxid and if zxid1 is smaller than zxid2 then zxid1 happened before zxid2.

        3、follower收到消息后，会将数据持久化到硬盘，随后向leader发送一个ACK；

        4、当leader收到集群一半以上的follower发送的ACK，就会向所有的follower发送commit；

        5、follower收到leader发送的commit消息后，就将数据载入内存，供客户端读取。

下面这张图（非原创）比较清晰描述了上个过程，但该图有个问题，就是请求不一定就是发送给leader，可以发送给ZK集群任意一个节点，只不过是如果请求是写请求的话，follower会转发给leader。

其实上面也是一个分布式事务的实现，通过三阶段提交实现事务。关于分布式事务的介绍可以参见： 分布式事务

四、ES选举Bully算法

        ES的选举并没有采用常用的Raft算法，而是使用Bully算法。其基础是为集群的每个节点都分配一个唯一id。ES会为整个集群的每个node分配一个唯一的id，这个id是node在启动时随机分配的。此外，每个节点都会有一个版本号clusterVersion，该字段代表的是状态值，master节点一定是拥有最新版本号的节点。

        ES里的节点分成Master节点，Master候选节点和数据节点。角色需要通过配置来做。Master节点对应Raft的Leader，Master候选节点也是对应Follower和Candidate。

        那么当发现Master节点下线时，候选节点投票的原则是首先选择版本号更高的，如果版本号都相同，就选择id最小的。和Raft相同的是，同样是要求一半以上投票的节点才可成为Master节点，但和Raft不同的是，ES并没有完全避免脑裂的问题，这也是ES选举过程存在的最大问题，之所以会出现脑裂是因为虽然也是获得绝大多数投票的才能成为master，但是他并没有限制一个节点只能投一票，如果一个节点在投票后迟迟等不到选举的结果，可能又开始投票，此时因为优先级的问题又投票给其他节点了，就意味着这个节点投了两票给不同节点，就会出现问题。这种问题Raft算法解决的就很好，Raft引入了Term的概念，一个Term周期内，一个节点只能投一票。Term大的优先级高。    

参考资料：

zookeeper面试题

Raft协议和Zab协议及其对比

分布式一致性与共识算法

Redis-Cluster实现

Raft算法详解

共识机制