你真的很熟分布式和事务吗?

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:

1. 本文会涉及集群中节点的failover和recover问题.

2. 本文会涉及事务及不透明事务的问题.

3. 本文会提到微博和tweeter,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:

1. 此节点和zookeeper能喊话。(Keep sessions with zookeeper through heartbeats.)

2. 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:

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. 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。

1. 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.

2. 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. 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 = $

返回 :[user_1,...,user_m]

/** ---------------------------------

* 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 = $

返回:tweeter的粉丝

/** ---------------------------------

* 3. 求出Reach

* __________________________________*/

var url = queryArgs.getUrl();

var tweeters = getUrlToTweetersMap();

var result = new HashMap();

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:

// 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:

// 新到数据

{

transactionId:4

urlId:99

reach:5

}

现在要更新这批数据到库里或者log里,那么原来的情况是:

// 老数据

{

transactionId:3

urlId:99

reach:3

}

如果说可以保证如下三点:

1. 事务ID的生成是强有序的(隔离性,串行)

2. 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)

3. 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:

// 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。

// 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:

// 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:

// 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:

// 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:

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.

出处:http://www.cnblogs.com/foreach-break/p/distributed_system_and_transaction.html#_7

版权申明:内容来源网络,版权归原创者所有。除非无法确认,我们都会标明作者及出处,如有侵权烦请告知,我们会立即删除并表示歉意。谢谢。

-END-

本文来自企鹅号 - 架构文摘媒体

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏黄希彤的专栏

内部体验腾讯负载均衡的新功能

腾讯云近期将推出的新的负载均衡轮询算法,新算法被称为“最小连接数”算法,也就是LB会随时判断哪台主机上的HTTP连接数最少,然后尽量把新的请求分发给它。

8550
来自专栏IT大咖说

自动化测试的理想境界:AppCrawler自动遍历工具

内容来源:2017 年 6 月 24 日,TesterHome联合创始人黄延胜在“Testwo第一届测试分享沙龙”进行《App crawler自动遍历工具》演讲...

6273
来自专栏大数据挖掘DT机器学习

新闻个性化推荐系统(python)-(附源码 数据集)

最近参加了一个评测,是关于新闻个性化推荐。说白了就是给你一个人的浏览记录,预测他下一次的浏览记录。花了一周时间写了一个集成系统,可以一键推荐新...

6465
来自专栏IT大咖说

Elastic探秘:技术海洋里遗落的珍珠

内容来源:2018 年 06 月 30 日,Elastic工程师与布道师曾勇在“Elastic Meetup 南京交流会”进行的《Elastic探秘之遗落的珍珠...

1103
来自专栏大数据和云计算技术

MongoDB系列12:MongoDB电子商务产品目录模型设计

本文是第12篇,主要讲述MongoDB电子商务产品目录模型设计实战操作,非常值得一看。

1643
来自专栏平凡文摘

你真的很熟分布式和事务吗?

1313
来自专栏ThoughtWorks

Kubernetes救援 - 教你如何从新技术的坑里爬出来(上) | TW洞见

今日洞见 文章作者/配图来自ThoughtWorks:佟达。 本文所有内容,包括文字、图片和音视频资料,版权均属ThoughtWorks公司所有,任何媒体、网站...

4059
来自专栏java工会

使用Github创建自己的小博客

1042
来自专栏PPV课数据科学社区

大规模爬虫流程总结

爬虫是一个比较容易上手的技术,也许花5分钟看一篇文档就能爬取单个网页上的数据。但对于大规模爬虫,完全就是另一回事,并不是1*n这么简单,还会衍生出许多别的问题。...

37411
来自专栏程序猿DD

都在说微服务,那么微服务的反模式和陷阱是什么(二)

译者:程超 译文:http://www.jianshu.com/p/c76f7f234a31 上篇:《都在说微服务,那么微服务的反模式和陷阱是什么(一)》 ...

19310

扫码关注云+社区

领取腾讯云代金券