集群中存活的节点与同步

分布式系统中，如何判断一个节点（node）是否存活？

kafka这样认为：

1. 此节点和zookeeper能喊话.（Keep sessions with zookeeper through heartbeats.）
2. 此节点如果是个从节点，必须能够尽可能忠实地反映主节点的数据变化。
   也就是说，必须能够在主节点写了新数据后，及时复制这些变化的数据，所谓及时，不能拉下太多哦.

那么，符合上面两个条件的节点就可以认为是存活的，也可以认为是同步的（in-sync）.

关于第1点，大家对心跳都很熟悉，那么我们可以这样认为某个节点不能和zookeeper喊话了：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39

zookeeper-node: var timer = new timer() .setInterval(10sec) .onTime(slave-nodes,function(slave-nodes){     slave-nodes.forEach( node -> {         boolean isAlive = node.heartbeatACK(15sec);         if(!isAlive) {             node.numNotAlive += 1;             if(node.numNotAlive >= 3) {                 node.declareDeadOrFailed();                 slave-nodes.remove(node);                   //回调也可 leader-node-app.notifyNodeDeadOrFailed(node)               }         }else         node.numNotAlive = 0;     }); });   timer.run();   //你可以回调也可以像下面这样简单的计时判断 leader-node-app: var timer = new timer() .setInterval(10sec) .onTime(slave-nodes,function(slave-nodes){     slave-nodes.forEach(node -> {         if(node.isDeadOrFailed) {           //node不能和zookeeper喊话了           }     }); });   timer.run();

关于第二点，要稍微复杂点了，怎么搞呢？

来这么分析：

• 数据 messages.
• 操作 op-log.
• 偏移 position/offset.

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34

// 1. 先考虑messages // 2. 再考虑log的postion或者offset // 3. 考虑msg和off都记录在同源数据库或者存储设备上.(database or storage-device.) var timer = new timer() .setInterval(10sec) .onTime(slave-nodes,function(nodes){     var core-of-cpu = 8;     //嫌慢就并发呗 mod hash go!     nodes.groupParallel(core-of-cpu)     .forEach(node -> {         boolean nodeSucked = false;           if(node.ackTimeDiff > 30sec) {             //30秒内没有回复，node卡住了             nodeSucked = true;         }         if(node.logOffsetDiff > 100) {             //node复制跟不上了，差距超过100条数据             nodeSucked = true;         }           if(nodeSucked) {             //总之node“死”掉了，其实到底死没死，谁知道呢？network-error在分布式系统中或者节点失败这个事情是正常现象.             node.declareDeadOrFailed();             //不和你玩啦，集群不要你了             nodes.remove(node);             //该怎么处理呢，抛个事件吧.             fire-event-NodeDeadOrFailed(node);         }     }); });   timer.run();

上面的节点的状态管理一般由zookeeper来做，leader或者master节点也会维护那么点状态。

那么应用中的leader或者master节点，只需要从zookeeper拉状态就可以，同时，上面的实现是不是一定最佳呢？不是的，而且多数操作可以合起来，但为了描述节点是否存活这个事儿，咱们这么写没啥问题。

节点死掉、失败、不同步了，咋处理呢？

好嘛，终于说到failover和recover了，那failover比较简单，因为还有其它的slave节点在，不影响数据读取。

1. 同时多个slave节点失败了？
   没有100%的可用性.数据中心和机房瘫痪、网络电缆切断、hacker入侵删了你的根，总之你rp爆表了.
2. 如果主节点失败了，那master-master不行嘛？
   keep-alived或者LVS或者你自己写failover吧.
   高可用架构（HA）又是个大件儿了，此文不展开了。

我们来关注下recover方面的东西，这里把视野打开点，不仅关注slave节点重启后追log来同步数据，我们看下在实际应用中，数据请求（包括读、写、更新）失败怎么办？

大家可能都会说，重试（retry）呗、重放（replay）呗或者干脆不管了呗！

行，都行，这些都是策略，但具体怎么个搞法，你真的清楚了？

一个bigdata问题

我们先摆个探讨的背景：

问题：消息流，比如微博的微博（真绕），源源不断地流进我们的应用中，要处理这些消息，有个需求是这样的：

Reach is the number of unique people exposed to a URL on Twitter.

那么，统计一下3小时内的本条微博（url）的reach总数。

怎么解决呢？

把某时间段内转发过某条微博（url）的人拉出来，把这些人的粉丝拉出来，去掉重复的人，然后求总数，就是要求的reach.

为了简单，我们忽略掉日期，先看看这个方法行不行：

1 2 3 4 5 6 7 8 9 10 11 12

/** --------------------------------- * 1. 求出转发微博(url)的大V. * __________________________________*/   方法 ：getUrlToTweetersMap(String url_id)   SQL ： /* 数据库A，表url_user存储了转发某url的user */ SELECT url_user.user_id as tweeter_id FROM url_user WHERE url_user.url_id = ${url_id}   返回 ：[user_1,...,user_m]

1 2 3 4 5 6 7 8 9 10 11 12

/** --------------------------------- * 2. 求出大V的粉丝 * __________________________________*/   方法 : getFollowers(String tweeter_id);   SQL :   /* 数据库B */ SELECT users.id as user_id FROM users WHERE users.followee_id = ${tweeter_id}   返回：tweeter的粉丝

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

/** --------------------------------- * 3. 求出Reach * __________________________________*/   var url = queryArgs.getUrl(); var tweeters = getUrlToTweetersMap(); var result = new HashMap<String,Integer>(); tweeters.forEach(t -> {     // 你可以批量in + 并发读来优化下面方法的性能     var followers = getFollowers(t.tweeter_id);       followers.forEach(f -> {         //hash去重         result.put(f.user_id,1);     }); });   //Reach return result.size();

其实这又引出了一个很重要的问题，也是很多大谈框架、设计、模式却往往忽视的问题：性能和数据库建模的关系。

1. 数据量有多大？
   不知道读者有木有对这个问题的数据库I/O有点想法，或者虎躯一震呢？
   Computing reach is too intense for a single machine – it can require thousands of database calls and tens of millions of tuples.
   在上面的数据库设计中避免了JOIN，为了提高求大V粉丝的性能，可以将一批大V作为batch/bulk，然后多个batch并发读，誓死搞死数据库。
   这里将微博到转发者表所在的库，与粉丝库分离，如果数据更大怎么办？
   库再分表…
   OK，假设你已经非常熟悉传统关系型数据库的分库分表及数据路由（读路径的聚合、写路径的分发）、或者你对于sharding技术也很熟悉、或者你良好的结合了HBase的横向扩展能力并有一致性策略来解决其二级索引问题.
   总之，存储和读取的问题假设你已经解决了，那么分布式计算呢？
2. 微博这种应用，人与人之间的关系成图状（网），你怎么建模存储？而不仅仅对应这个问题，比如：
   某人的好友的好友可能和某人有几分相熟？

看看用storm怎么来解决分布式计算，并提供流式计算的能力：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

// url到大V -> 数据库1 TridentState urlToTweeters =     topology.newStaticState(getUrlToTweetersState()); // 大V到粉丝 -> 数据库2 TridentState tweetersToFollowers =     topology.newStaticState(getTweeterToFollowersState());   topology.newDRPCStream("reach")     .stateQuery(urlToTweeters, new Fields("args"), new MapGet(), new Fields("tweeters"))     .each(new Fields("tweeters"), new ExpandList(), new Fields("tweeter"))     .shuffle() /* 大V的粉丝很多，所以需要分布式处理*/     .stateQuery(tweetersToFollowers, new Fields("tweeter"), new MapGet(), new Fields("followers"))     .parallelismHint(200) /* 粉丝很多，所以需要高并发 */     .each(new Fields("followers"), new ExpandList(), new Fields("follower"))     .groupBy(new Fields("follower"))     .aggregate(new One(), new Fields("one")) /* 去重 */     .parallelismHint(20)     .aggregate(new Count(), new Fields("reach")); /* 计算reach数 */

最多处理一次（At most once）

回到主题，引出上面的例子，一是为了引出一个有关分布式（存储+计算）的问题，二是透漏这么点意思：

码农，就应该关注设计和实现的东西，比如Jay Kreps是如何发明Kafka这个轮子的 : ]

如果你还是码农级别，咱来务点实吧，前面我们说到recover，节点恢复的问题，那么我们恢复几个东西？

基本的：

• 节点状态
• 节点数据

本篇从数据上来讨论下这个问题，为使问题再简单点，我们考虑写数据的场景，如果我们用write-ahead-log的方式来保证数据复制和一致性，那么我们会怎么处理一致性问题呢？

1. 主节点有新数据写入.
2. 从节点追log,准备复制这批新数据。从节点做两件事：
   (1). 把数据的id偏移写入log;
   (2). 正要处理数据本身，从节点挂了。

那么根据上文的节点存活条件，这个从节点挂了这件事被探测到了，从节点由维护人员手动或者其自己恢复了，那么在加入集群和小伙伴们继续玩耍之前，它要同步自己的状态和数据。

问题来了：

如果根据log内的数据偏移来同步数据，那么，因为这个节点在处理数据之前就把偏移写好了，可是那批数据lost-datas没有得到处理，如果追log之后的数据来同步，那么那批数据lost-datas就丢了。

在这种情况下，就叫作数据最多处理一次，也就是说数据会丢失。

最少处理一次（At least once）

好吧，丢失数据不能容忍，那么我们换种方式来处理：

1. 主节点有新数据写入.
2. 从节点追log,准备复制这批新数据。从节点做两件事：
   (1). 先处理数据；
   (2). 正要把数据的id偏移写入log，从节点挂了。

问题又来了：

如果从节点追log来同步数据，那么因为那批数据duplicated-datas被处理过了，而数据偏移没有反映到log中，如果这样追，会导致这批数据重复。

这种场景，从语义上来讲，就是数据最少处理一次，意味着数据处理会重复。

仅处理一次（Exactly once）

Transaction

好吧，数据重复也不能容忍？要求挺高啊。

大家都追求的强一致性保证（这里是最终一致性），怎么来搞呢？ 换句话说，在更新数据的时候，事务能力如何保障呢？ 假设一批数据如下：

1 2 3 4 5 6

// 新到数据 {     transactionId:4     urlId:99     reach:5 }

现在要更新这批数据到库里或者log里，那么原来的情况是：

1 2 3 4 5 6

// 老数据 {     transactionId：3     urlId:99     reach:3 }

如果说可以保证如下三点：

1. 事务ID的生成是强有序的.（隔离性，串行）
2. 同一个事务ID对应的一批数据相同.（幂等性，多次操作一个结果）
3. 单条数据会且仅会出现在某批数据中.（一致性，无遗漏无重复）

那么，放心大胆的更新好了：

1 2 3 4 5 6 7

// 更新后数据 {     transactionId：4     urlId:99     //3 + 5 = 8     reach:8 }

注意到这个更新是ID偏移和数据一起更新的，那么这个操作靠什么来保证：原子性。

你的数据库不提供原子性？后文略有提及。

这里是更新成功了。如果更新的时候，节点挂了，那么库里或者log里的id偏移不写，数据也不处理，等节点恢复，就可以放心去同步，然后加入集群玩耍了。

所以说，要保证数据仅处理一次，还是挺困难的吧？

上面的保障“仅处理一次”这个语义的实现有什么问题呢？

性能问题。

这里已经使用了batch策略来减少到库或磁盘的Round-Trip Time，那么这里的性能问题是什么呢？

考虑一下，采用master-master架构来保证主节点的可用性，但是一个主节点失败了，到另一个主节点主持工作，是需要时间的。

假设从节点正在同步，啪！主节点挂了！因为要保证仅处理一次的语义，所以原子性发挥作用，失败，回滚，然后从主节点拉失败的数据（你不能就近更新，因为这批数据可能已经变化了，或者你根本没缓存本批数据），结果是什么呢？

老主节点挂了， 新的主节点还没启动，所以这次事务就卡在这里，直到数据同步的源——主节点可以响应请求。

如果不考虑性能，就此作罢，这也不是什么大事。

你似乎意犹未尽？来吧，看看“银弹”是什么？

Opaque-Transaction

现在，我们来追求这样一种效果：

某条数据在一批数据中（这批数据对应着一个事务），很可能会失败，但是它会在另一批数据中成功。

换句话说，一批数据的事务ID一定相同。

来看看例子吧，老数据不变，只是多了个字段：prevReach。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

// 老数据 {     transactionId：3     urlId:99     //注意这里多了个字段，表示之前的reach的值     prevReach:2     reach:3 }   // 新到数据 {     transactionId:4     urlId:99     reach:5 }

这种情况，新事务的ID更大、更靠后，表明新事务可以执行，还等什么，直接更新，更新后数据如下：

1 2 3 4 5 6 7 8 9

// 新到数据 {     transactionId:4     urlId:99     //注意这里更新为之前的值     prevReach:3     //3 + 5 = 8     reach:8 }

现在来看下另外的情况：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

// 老数据 {     transactionId：3     urlId:99     prevReach:2     reach:3 }   // 新到数据 {     //注意事务ID为3，和老数据中的事务ID相同     transactionId:3     urlId:99     reach:5 }

这种情况怎么处理？是跳过吗？因为新数据的事务ID和库里或者log里的事务ID相同，按事务要求这次数据应该已经处理过了，跳过？

不，这种事不能靠猜的，想想我们有的几个性质，其中关键一点就是：

给定一批数据，它们所属的事务ID相同。

仔细体会下，上面那句话和下面这句话的差别：

给定一个事务ID，任何时候，其所关联的那批数据相同。

我们应该这么做，考虑到新到数据的事务ID和存储中的事务ID一致，所以这批数据可能被分别或者异步处理了，但是，这批数据对应的事务ID永远是同一个，那么，即使这批数据中的A部分先处理了，由于大家都是一个事务ID，那么A部分的前值是可靠的。

所以，我们将依靠prevReach而不是Reach的值来更新：

1 2 3 4 5 6 7 8 9

// 更新后数据 {     transactionId:3     urlId:99     //这个值不变     prevReach:2     //2 + 5 = 7     reach:7 }

你发现了什么呢？

不同的事务ID，导致了不同的值：

1. 当事务ID为4，大于存储中的事务ID3，Reach更新为3+5 = 8.
2. 当事务ID为3，等于存储中的事务ID3，Reach更新为2+5 = 7.

这就是Opaque Transaction.

这种事务能力是最强的了，可以保证事务异步提交。所以不用担心被卡住了，如果说集群中：

Transaction：

• 数据是分批处理的，每个事务ID对应一批确定、相同的数据.
• 保证事务ID的产生是强有序的.
• 保证分批的数据不重复、不遗漏.
• 如果事务失败，数据源丢失，那么后续事务就卡住直到数据源恢复.

Opaque-Transaction：

• 数据是分批处理的，每批数据有确定而唯一的事务ID.
• 保证事务ID的产生是强有序的.
• 保证分批的数据不重复、不遗漏.
• 如果事务失败，数据源丢失，不影响后续事务，除非后续事务的数据源也丢了.

其实这个全局ID的设计也是门艺术：

• 冗余关联表的ID，以减少join，做到O(1)取ID.
• 冗余日期（long型）字段，以避免order by.
• 冗余过滤字段，以避免无二级索引（HBase）的尴尬.
• 存储mod-hash的值，以方便分库、分表后，应用层的数据路由书写.

这个内容也太多，话题也太大，就不在此展开了。

你现在知道twitter的snowflake生成全局唯一且有序的ID的重要性了。

两阶段提交

现在用zookeeper来做两阶段提交已经是入门级技术，所以也不展开了。

如果你的数据库不支持原子操作，那么考虑两阶段提交吧