转载自 分布式一致性算法：可能比你想象得更复杂

分布式系统的难题

张大胖遇到了一个难题。

他们公司的有个服务器，上面保存着宝贵的数据，领导Bill 为了防止它挂掉， 要求张大胖想想办法把数据做备份。

张大胖发挥了抽象的能力，在脑海里浮出了这么一个画面， 这个唯一的机器可以成为一个节点：

为了提高可用性，可以增加几台机器，通过局域网连接起来，形成一个了分布式的系统：

数据在每个节点上都存放一份不就可以高枕无忧了？

可张大胖很快发现这不是一件容易的事情，比如每个节点都保存着一个账户的余额100元，现在有人通过节点A向该账户增加了20元， 还有人通过节点B向该账户减去了30元。

现在余额到底是多少呢？

为了保持一致性， 节点A得把"余额加上20"这样的消息发给B, C ， 节点B得把“余额减去30”这样的消息发送到A, C， 如果网络出了问题，消息没有发送到别的节点， 或者某个节点干脆坏掉了，那数据极有可能出现不一致。

如果用户在这个不一致的系统上继续操作，很快就会陷入混乱。

2谁来当老大？

张大胖想了半天，觉得不能这么无序地操作，得给这三个节点找个“老大”。

所有的操作都通过“老大”来进行，然后让老大把消息发给各个“小弟”。

可是谁来当老大呢？  还有，这个老大如果挂掉了怎么办？

可以手工地调整， 例如节点A挂掉了， 就手工地让节点B当“老大” ， 让节点C当“小弟”。

但是这就有点麻烦了，能不能自动化地来实现？

这个问题很有意思， 张大胖入了迷，继续深入思考： 建立一个竞选的机制， 就让他们竞争上岗吧。

初始情况下，每个节点都是候选人， 都可以向其他节点发起投票邀请，让大家投自己，如果获得的投票数过半，就可以当“老大”了。

为了避免大家同时发起投票邀请，可以给每个节点都分配一个随机的“选举超时时间”（election timeout），通俗来讲就是一个等待时间，在这段时间内，一个节点必须耐心等待，过了这段时间，才可以竞争上岗，争当老大。

每个节点都有一个计时器，从0开始计时，谁的等待时间到了, 就率先发起竞选，给其他节点打电话，要求他们投票让自己成为老大。

比如节点A等待170ms , 节点B等待200ms ,  节点C等待250ms 。

由于节点A的等待时间最短， 会捷足先登， 它先增加自己的任期(Term)，这是一个整数，初始值为0 ， 然后给自己投了一票，然后打电话给节点B和节点C，要求他们都投它。

节点B和节点C收到了投票要求，如果自己还没有发起竞选投票（等待时间未到），那只好同意节点A当老大，与此同时要重置自己的计时器，重新从0开始计时，也就是说重新开始新一轮的等待。

节点A得知其他两个节点同意了，投票计数变为3，已经过了半数， 就明白自己可以当老大了。

节点A成为老大后，开始向节点B和节点C定时发送消息，B,C收到消息后也要回应，维持心跳。

B和C每次收到心跳消息，都得重置自己的计时器， 重新从0开始计数。

此时节点B和节点C就成了“小弟”。

如果节点A 不幸挂掉，节点B和节点C在自己的等待时间内收不到心跳消息，他们两个就会重新竞争上岗。

上图中节点C占据了先机，率先发起竞选投票。

节点B慢了一步， 无奈中同意支持节点C ，  节点C获得了超过半数的支持，成为“老大” ，  节点B成为“小弟”。

（可能有人会想到：节点B和节点C 同时发起竞选投票，每个节点的投票计数都是1 ，都过不了半数，  该怎么处理呢？ 很简单，再次发起一轮竞选投票即可，当然为了防止B和C一直同时发起竞选投票，从而陷入无限循环，要重置一个随机的等待时间。）

投票过半数很重要，张大胖想，只有这样才能保证“老大”节点的唯一性。

对于每个节点，处理流程其实非常简单：

3数据的复制

张大胖费了半天劲，终于把分布式系统中怎么自动地选取“老大”节点给确定了。

接下来就是要把发给“老大”的数据，想办法复制到“小弟”的节点上。 该怎么处理？

由于是分布式的，只有大多数节点都成功地保存了数据，才算保存成功。

所以那个“老大”节点必须得承担起协调的职责。

张大胖想了一个复制日志的办法：  每个节点都有一个日志的队列。

在真正把数据提交之前，先把数据追加到日志队列中，然后向个“小弟”复制。

1.  客户端发送数据给节点A （“老大”）。

节点A 先把数据记录到日志中，即此时处于“未提交状态”

2. 在下一次的心跳消息中， 数据被发送给各个“小弟”。

3. 各个“小弟” 也把数据记录到日志中（也处于未提交状态），然后向“老大”报告自己已经记录了日志。

4. 如果节点A收到响应超过了半数， 节点A就提交数据，通知客户端数据保存成功。

5. 节点A在下一次心跳消息中，通知各个“小弟”该数据已经提交。各个“小弟”也提交自己的数据。

如果某个“小弟”不幸挂掉，那“老大”会不断地尝试联系它， 一旦它重新开始工作，就需要从“老大”那里去复制数据，和“老大”保持一致。

4RAFT

张大胖对这个初步的设计还比较满意，他把这个方案交给领导Bill去审查。

Bill 看了以后，笑道： “你现在其实就是在折腾一个一致性算法， 说白了就是允许一组机器像一个整体一样工作，即使其中一些机器出现故障也能够继续工作下去。”

“没错没错，领导总结得真是精准。” 张大胖拍马屁。

“不过，”Bill 话锋一转， “ 你设计的日志的复制还有很多漏洞，我看你的设计中一共有5步， 如果在这5步中，那个“老大”节点A挂掉了怎么办？数据是不是就不一致了？”

“这个...... ”  张大胖确实没有仔细考虑。他暗自后悔，只顾低头拉车，忘了抬头看路，忽略了分布式环境下的复杂问题。

“不过你已经做得很不错了，” 领导马上鼓励道， “你设计的这一套体系其实和RAFT算法非常类似。”

“RAFT？ ”

“对，RAFT是个分布式的一致性算法，相比复杂难懂的Paxos， RAFT在可理解，可实现性上做了很大的改进。 你这里的‘老大’，RAFT算法叫做Leader， ‘小弟’叫做Follower，不过人家对日志的复制，以及如何确保数据的一致性有着非常详细的规定。 ”

张大胖一听说有现成的算法，立刻高兴起来： “太好了，分布式的难题已经被别人解决，我去把它实现了。”

后记： 虽然RAFT比Paxos更容易理解， 但是一旦进入各个边界条件，仍然是非常复杂，所以本文只是介绍了Leader的选举，和日志复制的概要流程， 具体的细节还有很多，感兴趣的话可以去看看Raft的论文，点击阅读原文可以查看中文版。