项目中使用ETCD来实现服务发现和配置信息的存储,最近我抽空研究了一下ETCD和背后的一致性算法 — Raft算法的逻辑。
简单的来说,ETCD可以看做是一个no sql的存储,存的是key-value的node,每个node又可以像树形结构一样产生子node。它是集群化的运行状态来保证高可用,并且对外提供了一套简单友好的交互接口。
其实ETCD暂时就想介绍这么多,本文的重点在于Raft算法,只是我机智的考虑到站内的SEO才加上ETCD的名号:smirk:,以后会陆续写一些其他与ETCD相关的内容。
ETCD实现高可靠的基础在于Raft算法,也是理解ETCD工作原理最重要的一部分。类似于zookeeper的zab协议(Paxos算法),Raft也是用于保证分布式环境下多节点数据的一致性,但更易于理解。
看了很多相关Raft算法的技术文章,要么是介绍的过于简单,要么是过于晦涩难懂。最后看了原始的论文In search of an Understandable Consensus Algorithm和infoQ上对应的中文翻译Raft 一致性算法论文译文才对整个逻辑有细致的理解。
首先来看看Raft大致的原理,这是一个选主(leader selection)思想的算法,集群总每个节点都有三种可能的角色:
先看前两种角色,leader扮演的是分布式事务中的协调者,每次有数据更新的时候产生二阶段提交(two-phase commit)。在leader收到数据操作的请求,先不着急更新本地数据(数据是持久化在磁盘上的),而是生成对应的log,然后把生成log的请求广播给所有的follower。
每个follower在收到请求之后有两种选择:一种是听从leader的命令,也写入log,然后返回success回去;另一种情况,在某些条件不满足的情况下,follower认为不应该听从leader的命令,返回false。例如下图,leader收到客户端的写请求,我们暂时不考虑请求的具体值,虚线表示leader先写log,
leader写log
然后告诉所有的follower准备提交数据,先和我一样写log,
同步log
然后回到leader,此时如果超过半数的follower都成功写了log,那么leader开始第二阶段的提交:正式写入数据,然后同样广播给follower,follower也根据自身情况选择写入或者不写入并返回结果给leader。继续上面的例子,leader先写自己的数据,然后告诉follower也开始持久化数据,
leader持久化并同步数据
最终所有节点的数据达成一致,图中用实线表示已提交的数据。
数据一致
这两阶段中如果任意一个都有超过半数的follower返回false或者根本没有返回,那么这个分布式事务是不成功的。此时虽然不会有回滚的过程,但是由于数据不会真正在多数节点上提交,所以会在之后的过程中被覆盖掉。
上面只说了常规时候两种角色是如何协调工作的,还剩下candidate没说,对,就是一个follower是如何逆袭成为leader的。
初始状态下,大家都是平等的follower,那么follow谁呢,总要选个老大吧。大家都蠢蠢欲动,每个follower内部都维护了一个随机的timer。如下图,
每个follower都有timer
在timer时间到了的时候还没有人主动联系它的话,那它就要变成candidate,同时发出投票请求(RequestVote)给其他人。特殊情况如下图,S1和S3都变成了candidate,
转变为candidate
当然选不选就是人家的事了,原则是
每个follower一轮只能投一次票给一个candidate,
对于相同条件的candidate,follower们采取先来先投票的策略。如果超过半数的follower都认为他是合适做领导的,那么恭喜,新的leader产生了,如下图,S3变成了新一届的大哥,又可以很开心的像上一节一样的正常工作了。
所有follower接受candidate的大哥身份
但是如果很不幸,没有人愿意选这个悲剧的candidate,那它只有老老实实的变回小弟的状态。
选举完成之后,leader靠什么来确保小弟是跟着我的呢?答案是定时发送心跳检测(heart beat)。小弟们也是通过心跳来感知大哥的存在的。如下图
leader定期发心跳检测
同样的,如果在timer期间内没有收到大哥的联络,这时很可能大哥已经跪了,如下图,所有小弟又开始蠢蠢欲动,新的一轮(term)选举开始了。
新的一轮选举
好了,Raft算法的大致原理就是这样了,下面我们来说说一些没说到的细节问题。
之前说过,在选举阶段,每个follower如果在自身的timer到期之后都会变成candidate去参与选举。所以就这个candidate身份而言,是没有特别条件的,每个follower都有机会参选。但是,在分布式的环境里,每个follower节点存储的数据是不一样的,考虑一下下图的情况,在这些节点经历了一些损坏和恢复。此时S4想当leader,
不适合的candidate
但是如果S4成功当选的话,根据leader为上的原则,S4的log在index为4-7的数据,会覆盖掉S2和S3的8。如何解决这样的冲突的问题呢?有两种方法:第一种是S4在变为大哥之前,先向所有的小弟拿数据来保证自己数据是最全的;第二种方法是其他小弟遇到这样资历不足的大哥想上位的时候,完全不予以理睬。Raft算法认为第一种策略过于复杂,所以选择了第二种,保证数据只从leader流向follower。S4在vote请求中会带上自身数据的描述信息,包括:
S2和S3在收到vote请求时候会和自身的情况进行对比,每个节点保存的数据信息包括:
对比的原则有:
这个log匹配原则(Log Matching Property)具体是:
如果在不同日志中的两个条目有着相同的索引和任期号,则它们所存储的命令是相同的。
如果在不同日志中的两个条目有着相同的索引和任期号,则它们之间的所有条目都是完全一样的。
这样就可以一直等到含有最新数据的candidate被选上,从而保证领导人完全原则(Leader Completeness):
如果一个日志的index在一个给定term内被提交,那么这个index一定会出现在所有term号更大的领导人中。
好了,继续看图说话。S4的vote请求,
term | lastLogIndex | lastLogTerm |
---|---|---|
10 | 6 | 7 |
被无情的拒绝。接下来S3也变成了candidate,
S3变成candidate
一直等到S3变成了candidate,发出vote请求。
term | lastLogIndex | lastLogTerm |
---|---|---|
11 | 6 | 8 |
被S4和S10接受,变成新的leader,并初始化两个数组:
在这个例子中,S3中的这两个数组会初始化为,
S1 | S2 | S4 | S5 | |
---|---|---|---|---|
nextIndex | 7 | 7 | 7 | 7 |
matchIndex | 0 | 0 | 0 | 0 |
现在新的一届leader选举出来了,虽然选举的过程保证了leader的数据是最新的,但是follower中的数据还是可能存在不一致的情况。比如下图的S4,这就需要一个补偿机制来纠正这个问题。
在正常情况下,S3会给S4发心跳请求(一种名叫AppendEntries请求的特殊格式,entries为空),其中携带一些数据信息,包括,
term | prevIndex | prevTerm | entries | commitIndex |
---|---|---|---|---|
11 | 6 | 8 | [ ] | 6 |
commitIndex之前已经解释过了,是log中最后一个被提交的index值。prevIndex与lastLogIndex类似,都是最新的日志的index值,只是属于不同的请求类型。
prevTerm也与lastLogTerm类似,是prevLogIndex对应的term号。
S4在接收到该请求之后会做一致性的判断,规则包括,
结果与规则2不符合,返回false给S3。这时S3需要做一次退让,修改保存的nextIndex数组,将S4的nextIndex退化为6
S4的nextIndex退化为6
再次发送AppendEntries询问S4
term | prevIndex | prevTerm | entries | commitIndex |
---|---|---|---|---|
11 | 5 | 8 | [ ] | 5 |
如此循环的退让,一直到nextIndex减小到4
nextIndex减小到4
S3此时发送的请求为,
term | prevIndex | prevTerm | entries | commitIndex |
---|---|---|---|---|
11 | 3 | 3 | [ ] | 3 |
S4和自己的log匹配成功,返回true,并告诉leader,当前的matchIndex等于3。S3收到之后更新matchIndex数组,
S1 | S2 | S4 | S5 | |
---|---|---|---|---|
nextIndex | 7 | 7 | 4 | 7 |
matchIndex | 0 | 6 | 3 | 0 |
并发送从nextIndex之后的数据(entries),
term | prevIndex | prevTerm | entries | commitIndex |
---|---|---|---|---|
11 | 3 | 3 | [8] | 4 |
S4再根据覆盖的原则,把自身的数据追平leader,并抛弃之后的数据。
S4的index4同步为leader的内容
这样消息往复,数据最终一致。
还有一些值得注意的特殊情况,比如log的清理。log是以追加的方式递增的,随着系统的不断运行,log会越来越大。Raft通过log的snapshot方式,可以定期压缩log为一个snapshot,并且清除之前的log。压缩的具体策略可以参考原论文。
还有集群节点的增减。当网络发生波动的时候,节点可能需要增减甚至发生网络分区。具体参考:ETCD系列之二:部署集群
Raft是一种基于leader选举的算法,用于保证分布式数据的一致性。所有节点在三个角色(leader, follower和candidate)之中切换。选举阶段candidate向其他节点发送vote请求,但是只有包括所有最新数据的节点可以变为leader。
在数据同步阶段,leader通过一些标记(commitIndex,term,prevTerm,prevIndex等等)与follower不断协商最终达成一致。当有新的数据产生时,采用二阶段(twp-phase)提交,先更新log,等大多数节点都做完之后再正式提交数据。
以上的图片来自github上raft算法的算法动画的截图。
作者:11舍的华莱士
链接:https://www.jianshu.com/p/5aed73b288f7
来源:简书
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
文章浏览阅读1k次。通过使用ajax方法跨域请求是浏览器所不允许的,浏览器出于安全考虑是禁止的。警告信息如下:不过jQuery对跨域问题也有解决方案,使用jsonp的方式解决,方法如下:$.ajax({ async:false, url: 'http://www.mysite.com/demo.do', // 跨域URL ty..._nginx不停的xhr
文章浏览阅读2k次。关于在 Oracle 中配置 extproc 以访问 ST_Geometry,也就是我们所说的 使用空间SQL 的方法,官方文档链接如下。http://desktop.arcgis.com/zh-cn/arcmap/latest/manage-data/gdbs-in-oracle/configure-oracle-extproc.htm其实简单总结一下,主要就分为以下几个步骤。..._extproc
文章浏览阅读1.5w次。linux下没有上面的两个函数,需要使用函数 mbstowcs和wcstombsmbstowcs将多字节编码转换为宽字节编码wcstombs将宽字节编码转换为多字节编码这两个函数,转换过程中受到系统编码类型的影响,需要通过设置来设定转换前和转换后的编码类型。通过函数setlocale进行系统编码的设置。linux下输入命名locale -a查看系统支持的编码_linux c++ gbk->utf8
文章浏览阅读750次。今天准备从生产库向测试库进行数据导入,结果在imp导入的时候遇到“ IMP-00009:导出文件异常结束” 错误,google一下,发现可能有如下原因导致imp的数据太大,没有写buffer和commit两个数据库字符集不同从低版本exp的dmp文件,向高版本imp导出的dmp文件出错传输dmp文件时,文件损坏解决办法:imp时指定..._imp-00009导出文件异常结束
文章浏览阅读143次。当下是一个大数据的时代,各个行业都离不开数据的支持。因此,网络爬虫就应运而生。网络爬虫当下最为火热的是Python,Python开发爬虫相对简单,而且功能库相当完善,力压众多开发语言。本次教程我们爬取前程无忧的招聘信息来分析Python程序员需要掌握那些编程技术。首先在谷歌浏览器打开前程无忧的首页,按F12打开浏览器的开发者工具。浏览器开发者工具是用于捕捉网站的请求信息,通过分析请求信息可以了解请..._初级python程序员能力要求
文章浏览阅读7.6k次,点赞2次,收藏6次。@Service标注的bean,类名:ABDemoService查看源码后发现,原来是经过一个特殊处理:当类的名字是以两个或以上的大写字母开头的话,bean的名字会与类名保持一致public class AnnotationBeanNameGenerator implements BeanNameGenerator { private static final String C..._@service beanname
文章浏览阅读6.9w次,点赞73次,收藏463次。1.前序创建#include<stdio.h>#include<string.h>#include<stdlib.h>#include<malloc.h>#include<iostream>#include<stack>#include<queue>using namespace std;typed_二叉树的建立
文章浏览阅读7.1k次。在Asp.net上使用Excel导出功能,如果文件名出现中文,便会以乱码视之。 解决方法: fileName = HttpUtility.UrlEncode(fileName, System.Text.Encoding.UTF8);_asp.net utf8 导出中文字符乱码
文章浏览阅读2.1k次,点赞4次,收藏23次。第一次实验 词法分析实验报告设计思想词法分析的主要任务是根据文法的词汇表以及对应约定的编码进行一定的识别,找出文件中所有的合法的单词,并给出一定的信息作为最后的结果,用于后续语法分析程序的使用;本实验针对 PL/0 语言 的文法、词汇表编写一个词法分析程序,对于每个单词根据词汇表输出: (单词种类, 单词的值) 二元对。词汇表:种别编码单词符号助记符0beginb..._对pl/0作以下修改扩充。增加单词
文章浏览阅读773次。我在使用adb.exe时遇到了麻烦.我想使用与bash相同的adb.exe shell提示符,所以我决定更改默认的bash二进制文件(当然二进制文件是交叉编译的,一切都很完美)更改bash二进制文件遵循以下顺序> adb remount> adb push bash / system / bin /> adb shell> cd / system / bin> chm..._adb shell mv 权限
文章浏览阅读6.8k次,点赞12次,收藏125次。1. 单目相机标定引言相机标定已经研究多年,标定的算法可以分为基于摄影测量的标定和自标定。其中,应用最为广泛的还是张正友标定法。这是一种简单灵活、高鲁棒性、低成本的相机标定算法。仅需要一台相机和一块平面标定板构建相机标定系统,在标定过程中,相机拍摄多个角度下(至少两个角度,推荐10~20个角度)的标定板图像(相机和标定板都可以移动),即可对相机的内外参数进行标定。下面介绍张氏标定法(以下也这么称呼)的原理。原理相机模型和单应矩阵相机标定,就是对相机的内外参数进行计算的过程,从而得到物体到图像的投影_相机-投影仪标定
文章浏览阅读2.2k次。文章目录Wayland 架构Wayland 渲染Wayland的 硬件支持简 述: 翻译一篇关于和 wayland 有关的技术文章, 其英文标题为Wayland Architecture .Wayland 架构若是想要更好的理解 Wayland 架构及其与 X (X11 or X Window System) 结构;一种很好的方法是将事件从输入设备就开始跟踪, 查看期间所有的屏幕上出现的变化。这就是我们现在对 X 的理解。 内核是从一个输入设备中获取一个事件,并通过 evdev 输入_wayland