zk目录
文章目录
思考：Zookeeper 是如何保证数据一致性的？这也是困扰分布式系统框架的一个难题。
1、Paxos算法
1.1、Paxos算法-解决什么问题
Paxos 算法 ：一种基于消息传递且具有高度容错特性的 一致性算法。
Paxos 算法解决的问题：就是如何快速正确的在一个分布式系统中对某个数据值达成一致，并且保证不论发生任何异常，都不会破坏整个系统的一致性。
1.2、Paxos算法描述
在一个Paxos系统中，首先将所有节点划分为Proposer（提议者），Acceptor（接受者），和Learner（学习者）。（注意：每个节点都可以身兼数职）。
一个完整的Paxos算法流程分为三个阶段：
- Prepare准备阶段
- Proposer向多个Acceptor发出Propose请求Promise（承诺）
- Acceptor针对收到的Propose请求进行Promise（承诺）
- Accept接受阶段
- Proposer收到多数Acceptor承诺的Promise后，向Acceptor发出Propose请求
- Acceptor针对收到的Propose请求进行Accept处理
- Learn学习阶段：Proposer将形成的决议发送给所有Learners
1.3、Paxos算法流程
（1）Prepare: Proposer生成全局唯一且递增的Proposal ID，向所有Acceptor发送Propose请求，这里无需携带提案内容，只携带Proposal ID即可。
（2）Promise: Acceptor收到Propose请求后，做出“两个承诺，一个应答”。
- 不再接受Proposal ID小于等于（注意：这里是<= ）当前请求的Propose请求。
- 不再接受Proposal ID小于（注意：这里是< ）当前请求的Accept请求。
- 不违背以前做出的承诺下，回复已经Accept过的提案中Proposal ID最大的那个提案的Value和Proposal ID，没有则返回空值。
（3）Propose: Proposer收到多数Acceptor的Promise应答后，从应答中选择Proposal ID最大的提案的Value，作为本次要发起的提案。如果所有应答的提案Value均为空值，则可以自己随意决定提案Value。然后携带当前Proposal ID，向所有Acceptor发送Propose请求。
（4）Accept: Acceptor收到Propose请求后，在不违背自己之前做出的承诺下，接受并持久化当前Proposal ID和提案Value。
（5）Learn: Proposer收到多数Acceptor的Accept后，决议形成，将形成的决议发送给所有Learner。
下面我们针对上述描述做三种情况的推演举例：为了简化流程，我们这里不设置 Learner。
1.3.1、情况1
有A1, A2, A3, A4, A5 5位议员，就税率问题进行决议。
- A1发起1号Proposal的Propose，等待Promise承诺；
- A2-A5回应Promise；
- A1在收到两份回复时就会发起税率10%的Proposal；
- A2-A5回应Accept；
- 通过Proposal，税率10%。
1.3.2、情况2
现在我们假设在A1提出提案的同时, A5决定将税率定为20%
- A1，A5同时发起Propose（序号分别为1，2）
- A2承诺A1，A4承诺A5，A3行为成为关键
- 情况1：A3先收到A1消息，承诺A1。
- A1发起Proposal（1，10%），A2，A3接受。
- 之后A3又收到A5消息，回复A1：（1，10%），并承诺A5。
- A5发起Proposal（2，20%），A3，A4接受。之后A1，A5同时广播决议
Paxos 算法缺陷：在网络复杂的情况下，一个应用 Paxos 算法的分布式系统，可能很久无法收敛，甚至陷入活锁的情况。
1.3.3、情况3
现在我们假设在A1提出提案的同时, A5决定将税率定为20%
- A1，A5同时发起Propose（序号分别为1，2）
- A2承诺A1，A4承诺A5，A3行为成为关键
- 情况2：A3先收到A1消息，承诺A1。之后立刻收到A5消息，承诺A5。
- A1发起Proposal（1，10%），无足够响应，A1重新Propose （序号3），A3再次承诺A1。
- A5发起Proposal（2，20%），无足够相应。A5重新Propose （序号4），A3再次承诺A5。
- ……
造成这种情况的原因是系统中有一个以上的 Proposer，多个 Proposers 相互争夺 Acceptor，造成迟迟无法达成一致的情况。针对这种情况，一种改进的 Paxos 算法被提出：从系统中选出一个节点作为 Leader，只有 Leader 能够发起提案。这样，一次 Paxos 流程中只有一个Proposer，不会出现活锁的情况，此时只会出现例子中第一种情况。
2、ZAB 协议
2.1、什么是 ZAB 算法
Zab 借鉴了 Paxos 算法，是特别为 Zookeeper 设计的支持崩溃恢复的原子广播协议。基于该协议，Zookeeper 设计为只有一台客户端（Leader）负责处理外部的写事务请求，然后Leader 客户端将数据同步到其他 Follower 节点。即 Zookeeper 只有一个 Leader 可以发起提案。
2.2、Zab 协议内容
Zab 协议包括两种基本的模式： 消息广播 、 崩溃恢复。
2.2.1、消息广播
ZAB协议针对事务请求的处理过程类似于一个两阶段提交过程：
（1）广播事务阶段
（2）广播提交操作
这两阶段提交模型如下，有可能因为Leader宕机带来数据不一致，比如
（ 1 ） Leader 发 起 一 个 事 务Proposal1后就宕机，Follower都没有Proposal1
（2）Leader收到半数ACK宕机，没来得及向Follower发送Commit
怎么解决呢？ZAB 引入了崩溃恢复模式。
（1）客户端发起一个写操作请求。
（2）Leader服务器将客户端的请求转化为事务Proposal 提案，同时为每个Proposal 分配一个全局的ID，即zxid。
（3）Leader服务器为每个Follower服务器分配一个单独的队列，然后将需要广播的 Proposal依次放到队列中去，并且根据FIFO策略进行消息发送。
（4）Follower接收到Proposal后，会首先将其以事务日志的方式写入本地磁盘中，写入成功后向Leader反馈一个Ack响应消息。
（5）Leader接收到超过半数以上Follower的Ack响应消息后，即认为消息发送成功，可以发送commit消息。
（6）Leader向所有Follower广播commit消息，同时自身也会完成事务提交。Follower 接收到commit消息后，会将上一条事务提交。
（7）Zookeeper采用Zab协议的核心，就是只要有一台服务器提交了Proposal，就要确保所有的服务器最终都能正确提交Proposal。
2.2.2、崩溃恢复
1）崩溃恢复—异常假设
一旦Leader服务器出现崩溃或者由于网络原因导致Leader服务器失去了与过半 Follower的联系，那么就会进入 崩溃恢复模式。
- 假设两种 服务器 异常情况：
- （1）假设一个事务在Leader提出之后，Leader挂了。
- （2）一个事务在Leader上提交了，并且过半的Follower都响应Ack了，但是Leader在Commit消息发出之前挂了。
- Zab 协议崩溃恢复要求满足以下两个要求：
- （1）确保已经被Leader提交的提案Proposal，必须最终被所有的Follower服务器提交。（已经产生的提案，Follower 必须执行）
- （2）确保 丢弃已经被Leader提出的，但是没有被提交的Proposal。（丢弃胎死腹中的提案）
2）崩溃恢复—Leader 选举
崩溃恢复主要包括两部分：Leader 选举和 数据恢复。
Leader 选举：根据上述要求，Zab协议需要保证选举出来的Leader需要满足以下条件：
（1）新选举出来的Leader不能包含未提交的Proposal。 即新Leader 必须都是已经提交了Proposal 的Follower 服务器节点。
（2） 新选举的Leader 节点中含有最大的zxid。 这样做的好处是可以避免Leader服务器检查Proposal的提交和丢弃工作。
3）崩溃恢复—数据恢复
崩溃恢复主要包括两部分：Leader 选举和 数据恢复。
Zab 如何数据同步：
（1）完成Leader选举后，在正式开始工作之前（接收事务请求，然后提出新的Proposal），Leader 服务器会首先确认事务日志中的所有的Proposal 是否已经被集群中过半的服务器Commit。
（2）Leader服务器需要确保所有的Follower服务器能够接收到每一条事务的Proposal，并且能将所有已经提交的事务Proposal应用到内存数据中。等到Follower 将所有尚未同步的事务Proposal 都从Leader 服务器上同步过， 并且应用到内存数据中以后 ，Leader才会把该Follower加入到真正可用的Follower列表中。
3、CAP理论
CAP理论告诉我们，一个分布式系统不可能同时满足以下三种
- 一致性（C:Consistency）
- 可用性（A:Available）
- 分区容错性（P:Partition Tolerance）
这三个基本需求，最多只能同时满足其中的两项，因为P是必须的，因此往往选择就在CP或者AP中。
一致性（C:Consistency）：
- 在分布式环境中，一致性是指数据在多个副本之间是否能够保持数据一致的特性。在一致性的需求下，当一个系统在数据一致的状态下执行更新操作后，应该保证系统的数据仍然处于一致的状态。
可用性（A:Available）：
- 可用性是指系统提供的服务必须一直处于可用的状态，对于用户的每一个操作请求总是能够在有限的时间内返回结果。
分区容错性（P:Partition Tolerance）：
- 分布式系统在遇到任何网络分区故障的时候，仍然需要能够保证对外提供满足一致性和可用性的服务，除非是整个网络环境都发生了故障。
ZooKeeper 保证的是CP
- ZooKeeper 不能保证每次服务请求的可用性。（注：在极端环境下，ZooKeeper可能会丢弃一些请求，消费者程序需要重新请求才能获得结果）。所以说，ZooKeeper不能保证服务可用性。
- 进行Leader 选举时集群都是不可用。