微吐槽
hello,world.
不想了，我等码农，还是看看怎么来处理分布式系统中的事务这个老大难吧！
- 本文略长，读者需要有一定耐心，如果你是高级码农或者架构师级别，你可以跳过。
- 本文注重实战或者实现，不涉及CAP，略提ACID。
- 本文适合基础分布式程序员：
- 本文会涉及集群中节点的failover和recover问题.
- 本文会涉及事务及不透明事务的问题.
- 本文会提到微博和Twitter，并引出一个大数据问题.
由于分布式这个话题太大，事务这个话题也太大，我们从一个集群的一个小小节点开始谈起。
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：
此节点和zookeeper能喊话.（Keep sessions with zookeeper through heartbeats.）
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。
- 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.
- 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(); |
顶呱呱，无论如何，求出了Reach啊！
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 |
// 老数据 { transactionId：3 urlId:99 reach:3 } |
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：
- 事务ID的生成是强有序的.（隔离性，串行）
- 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）
- 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：
- 当事务ID为4，大于存储中的事务ID3，Reach更新为3+5 = 8.
- 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。
结语
To be continued.
关于作者：foreach_break
