分布式系统常见同步机制

分布式系统为保证数据高可用，需要为数据保存多个副本，随之而来的问题是如何在不同副本间同步数据？不同的同步机制有不同的效果和代价，本文尝试对常见分布式组件的同步机制做一个小结。

常见机制

有一些常用的同步机制，对它们也有许多评价的维度，先看看大神的 经典总结 ：

上图给出了常用的同步方式（个人理解，请批评指正）：

1. Backup，即定期备份，对现有的系统的性能基本没有影响，但节点宕机时只能勉强恢复
2. Master-Slave，主从复制，异步复制每个指令，可以看作是粒度更细的定期备份
3. Multi-Muster，多主，也称“主主”，MS 的加强版，可以在多个节点上写，事后再想办法同步
4. 2 Phase-Commit，二阶段提交，同步先确保通知到所有节点再写入，性能容易卡在“主”节点上
5. Paxos，类似 2PC，同一时刻有多个节点可以写入，也只需要通知到大多数节点，有更高的吞吐

同步方式分两类，异步的性能好但可能有数据丢失，同步的能保证不丢数据但性能较差。同种方式的算法也能有所提升（如 Paxos 对于 2PC），但实现的难度又很高。实现上只能在这几点上进行权衡。

考虑同步算法时，需要考虑节点宕机、网络阻断等故障情形。下面，我们来看看一些分布式组件的数据同步机制，主要考虑数据写入请求如何被处理，期间可能会涉及如何读数据。

Redis

Redis 3.0 开始引入 Redis Cluster 支持集群模式，个人认为它的设计很漂亮，大家可以看看 官方文档 。

• 采用的是主从复制，异步同步消息，极端情况会丢数据
• 只能从主节点读写数据，从节点只会拒绝并让客户端重定向，不会转发请求
• 如果主节点宕机一段时间，从节点中会自动选主
• 如果期间有数据不一致，以最新选出的主节点的数据为准。

一些设计细节：

HASH_SLOT = CRC16(Key) mod 16384
MEET
WAIT

Kafka

Kafka 的分片粒度是 Partition，每个 Partition 可以有多个副本。副本同步设计参考 官方文档

• 类似于 2PC，节点分主从，同步更新消息，除非节点全挂，否则不会丢消息
• 消息发到主节点，主节点写入后等待“所有”从节点拉取该消息，之后通知客户端写入完成
• “所有”节点指的是 In-Sync Replica(ISR)，响应太慢或宕机的从节点会被踢除
• 主节点宕机后，从节点选举成为新的主节点，继续提供服务
• 主节点宕机时正在提交的修改没有做保证（消息可能没有 ACK 却提交了）

一些设计细节：

• 当前消费者只能从主节点读取数据，未来可能会改变
• 主从的粒度是 partition，每个 broker 对于某些 Partition 而言是主节点，对于另一些而言是从节点
• Partition 创建时，Kafka 会尽量让 preferred replica 均匀分布在各个 broker
• 选主由一个 controller 跟 zookeeper 交互后“内定”，再通过 RPC 通知具体的主节点 ，此举能防止 partition 过多，同时选主导致 zk 过载。

ElasticSearch

ElasticSearch 对数据的存储需求和 Kafka 很类似，设计也很类似，详细可见 官方文档 。

ES 中有 master node 的概念，它实际的作用是对集群状态进行管理，跟数据的请求无关。为了上下文一致性，我们称它为管理节点，而称 primary shard 为“主节点”， 称 replica shard 为从节点。ES 的设计：

• 类似于 2PC，节点分主从，同步更新消息，除非节点全挂，否则不会丢消息
• 消息发到主节点，主节点写入成功后并行发给从节点，等到从节点全部写入成功，通知客户端写入完成
• 管理节点会维护每个分片需要写入的从节点列表，称为 in-sync copies
• 主节点宕机后，从节点选举成为新的主节点，继续提供服务
• 提交阶段从节点不可用的话，主节点会要求管理节点将从节点从 in-sync copies 中移除

一些设计细节：

• 写入只能通过只主节点进行，读取可以从任意从节点进行
• 每个节点均可提供服务，它们会转发请求到数据分片所在的节点，但建议循环访问各个节点以平衡负载
• 数据做分片： shard = hash(routing) % number_of_primary_shards
• primary shard 的数量是需要在创建 index 的时候就确定好的
• 主从的粒度是 shard，每个节点对于某些 shard 而言是主节点，对于另一些而言是从节点
• 选主算法使用了 ES 自己的 Zen Discovery

Hadoop

Hadoop 使用的是链式复制，参考 Replication Pipelining

• 数据的多个复本写入多个 datanode，只要有一个存活数据就不会丢失
• 数据拆分成多个 block，每个 block 由 namenode 决定数据写入哪几个 datanode
• 链式复制要求数据发往一个节点，该节点发往下一节点，待下个节点返回及本地写入成 功后返回，以此类推形成一条写入链。
• 写入过程中的宕机节点会被移除 pineline，不一致的数据之后由 namenode 处理。

实现细节：

• 实现中优化了链式复制：block 拆分成多个 packet，节点 1 收到 packet, 写入本地 的同时发往节点 2，等待节点 2 完成及本地完成后返回 ACK。节点 2 以此类推将 packet 写入本地及发往节点 3……

TiKV

TiKV 使用的是 Raft 协议来实现写入数据时的一致性。参考 三篇文章了解 TiDB 技术内幕——说存储

• 使用 Raft，写入时需要半数以上的节点写入成功才返回，宕机节点不超过半数则数据不丢失。
• TiKV 将数据的 key 按 range 分成 region，写入时以 region 为粒度进行同步。
• 写入和读取都通过 leader 进行。每个 region 形成自己的 raft group，有自己的 leader。

Zookeeper

Zookeeper 使用的是 Zookeeper 自己的 Zab 算法(Paxos 的变种？)，参考 Zookeeper Internals

• 数据只可以通过主节点写入（请求会被转发到主节点进行），可以通过任意节点读取
• 主节点写入数据后会广播给所有节点，超过半数节点写入后返回客户端
• Zookeeper 不保证数据读取为最新，但通过“单一视图”保证读取的数据版本不“回退”

小结

如果系统对性能要求高以至于能容忍数据的丢失(Redis)，则显然异步的同步方式是一种好的选择。

而当系统要保证不丢数据，则几乎只能使用同步复制的机制，看到 Kafka 和 Elasticsearch 不约而同地使用了 PacificA 算法（个人认为可以看成是 2PC 的变种），当然这种方法的响应制约于最慢的副本，因此 Kafka 和 Elasticsearch 都有相关的机制将慢的副本移除。

当然看起来 Paxos, Raft, Zab 等新的算法比起 2PC 还是要好的：一致性保证更强，只要半数节点写入成功就可以返回，Paxos 还支持多点写入。只不过这些算法也很难正确实现和优化。