Quorum算法

Posted 2021-01-15 gm-201705

分布式系统中，一般保存多个数据副本，明显可以提高系统可靠性。并且存储这些数据副本的节点，不仅做容灾用，也可以提供服务，作负载均衡。

这里就涉及到一个数据一致性的问题，也就是各副本间要进行同步，来保持最新的数据。在一些一致性需求不辣么强的场景，比如用户获取某个文章的点赞数，读到未及时同步的脏数据也就无所谓了。

但在一些需要强一致性的场景里，这就比较可怕了。比如你银行卡里笼共就100块钱，第一次取了60元，第二次取的时候，请求路由到了未同步的那个副本数据上，你又可以取60元。银行就赔死了。

在这种需要强一致性的系统中，有一个简单的解决策略叫Read Only Write All。比如我分布式系统中有4个数据的副本，辣么当用户修改这个数据时，只有当系统中4个副本都同步为最新数据，才返回修改成功。这样读的时候，就一定是个好的数据了。

但在这种写操作频繁的系统，Write All对系统带来的负担就比较大了。

简单说就是，读很轻松，但写压力山大。那如何优化呢？Quorum算法就是一种方案。

算法的原理在wiki有介绍：

https://zh.wikipedia.org/wiki/Quorum_(%E5%88%86%E5%B8%83%E5%BC%8F%E7%B3%BB%E7%BB%9F)#cite_note-1

wiki上写了它是基于鸽巢原理的。举个栗子：现在，我们有2绿2红4个球，分别放在不同的盒子里（鸽巢），那么，我们只要任意取3个球，就至少有一个绿球。道理很简单。

在我们的分布式系统中，可以把绿球看作新数据，红球看作未更新的脏数据。辣么！我们只要写了2份数据，也就是放了2个绿球，就可以返回写成功了。而这时候，想取出一个绿球（有效数据）就要费力一些了，至少要取3个球。

现在我们把4写一读，转换成了2写3读。这其实是对读写的一种负载均衡，用于减小写数据操作的压力。

当然，写2次读3次我们是肿么设计出来的呢。又要看wiki上Quorum算法原理了。简单来说，就是满足下面2个公式：

分布式系统中的每一份数据拷贝对象都被赋予一票。每一个操作必须要获得最小的读票数（Vr）或者最小的写票数(Vw）才能读或者写。如果一个系统有V票（意味着一个数据对象有V份冗余拷贝），那么这最小读写票必须满足：

1、Vr + Vw > V

2、Vw > V/2

第一条规则保证了一个数据不会被同时读写。当一个写操作请求过来的时候，它必须要获得Vw个冗余拷贝的许可。而剩下的数量是V-Vw 不够Vr，因此不能再有读请求过来了。同理，当读请求已经获得了Vr个冗余拷贝的许可时，写请求就无法获得许可了。

第二条规则保证了数据的串行化修改。一份数据的冗余拷贝不可能同时被两个写请求修改。

我们惊奇的发现，上面设计的2写3读，并不符合以上第二条规则。也就是只保证一个数据不被同时读写，但仍不能保证这个数据不被两个请求同时写。。。

3写2读就可以解决了。