分布式系统一致性问题与Raft算法（下）

Posted 2020-11-27 listenfwind

上一篇讲述了什么是分布式一致性问题，以及它难在哪里，liveness和satefy问题，和FLP impossibility定理。有兴趣的童鞋可以看看分布式系统一致性问题与Raft算法（上）。

这一节主要介绍raft算法是如何解决分布式系统中一致性问题的。说起raft大家可能比较陌生，但zookeeper应该都比较熟悉了，zookeeper的ZAB协议可以说和raft算法是非常相似的。

再PS：本篇的重点是介绍raft算法的逻辑，所以有些细节会选择性得忽略，不然就太长了。对具体实现细节有兴趣的童鞋更应该去看看具体的论文。文末附上MIT6.824的地址以及raft中英文论文，有需求可以自取。

1.raft算法的起源与paxos算法

要说raft算法，那就不得不先说paxos算法。在raft算法问世之前，paxos算法可以说一直就是分布式一致性的代名词。但paxos有两个主要问题：

1. paxos算法复杂且难以理解
2. paxos算法难以直接应用工程化

针对第一点，尽管有很多人试图降低它的复杂程度，但依旧改变不了它难以理解的事实。而第二点就致命了，首先paxos算法能解决分布式系统的共识问题，这个是已经被证明了的。但要将paxos算法实际应用起来，往往需要修改其算法结构，但很可能修改后算法就变了模样，也就是说修改后的paxos算法与原先的paxos算法相比有存在缺陷的可能，并且难以证明。

raft算法就是为了解决paxos的缺陷而产生的。它更加易于理解，并且能够达到paxos算法的相同功能，也就是能够解决分布式系统的一致性问题。

那么下面介绍下raft的具体实现吧。

2.raft算法

raft的整体架构先从这张图看起，这是raft论文里面的图。

这张图揭示了客户端向服务器发送请求的流程，我们先简单介绍下图的内容，再分析下整个流程。左边的是客户端，右边的是服务端（分布式系统，即有N个节点）。客户端负责发送请求更改分布式系统中的状态（变量），服务端负责接收信息，并让系统中所有节点就某个状态达成共识。

服务端也就是分布式系统环境，由一个leader组成，多个follower构成。leader负责接收消息并同步给其他节点，以及负责解决节点信息不一致的问题，具体怎么解决后面会说。而follwer负责接收leader的消息以及当接收不到消息的时候，试图让自己成为leader。

那么整个流程大概是这样：

1. 客户端发送请求给到服务端的leader（如果是追随者，重定向到leader）
2. leader接收到信息，改变自身的状态，并将这一改变信息发送给全部的follower
3. 当大多数follower节点将成功这个改变应用到自身的时候，leader确认了这次改变
4. 将改变成功的消息返回给客户端

这就是大概的流程，当然其中省略了很多细节。那么现在，我们来看看具体的内部流程。

简单得说，raft通过一个选定一个系统唯一的领导者（其他节点为追随者），由它来负责管理各个节点（包括自己）的日志信息，来实现一致性。那么这样就有了两个问题，第一个是唯一的领导者选举，第二个是保证每个节点日志的一致性，我们逐个来说。

注意这里只会讲解大概的思路，尽量不去太深入到细节中去，还是那句话，对具体实现细节感兴趣的童鞋推荐看原论文（文末附）。

领导者选举

先大概介绍下领导者选举的流程。首先，leader会周期性得发送心跳（非固定周期，就是说可能间隔10ms发心跳给a，15毫秒发心跳给b，再间隔8ms发给a），维系自己的地位。当某个追随者在时间内没接收到leader的心跳的时候，它就会知道leader挂了，这个时候追随者就会尝试推举自己成为领导者（成为候选人），并发送请求让其他追随者投票给自己。其他追随者通过某种规则判断该候选人有没有“资质”，有则投票给他，否则不投票。最终，当超过半数的追随者认同该候选人，那么它就成为了新的leader。

在这个过程中，主要面临的也是两个问题，

• 如何让系统中只有唯一一个领导者，也就是如何处理僵尸节点（Zombie），或者说脑裂的问题
• 当集群中没有领导者的时候，如果选出最合适的领导者，也就是追随者投票的时候如何进行资质认定

处理僵尸节点问题（Zombie）

处理这个问题，在raft算法中，引入了一个任期的概念。任期从0开始，随着leader的更迭逐渐递增，通过这个任期的概念，解决了多数分布式系统内部不一致的问题。

比如说一个leader挂掉或不可达的时候，会有一个追随者试图成为新leader，这时候它的任期会自动加1。还记得吗，竞选leader的节点需要发送请求给每一个追随者投票，这个请求信息中就包含新的任期，追随者接收信息对比发现请求里面的任期比自己的大，便会更新自己的任期。

这样一来，上面说到的僵尸节点问题就解决了，当旧的leader（僵尸leader）重新返回后，发送心跳给追随者，追随者发现心跳请求里面的任期比自己还低，便不再鸟它。旧的leader发现没人鸟自己，也就明白了自己已经不再是leader，所以就变成了追随者。

如果你足够细心，你会发现这个逻辑里面还隐藏着一个问题。要是某个任期在竞选leader的时候，没有获取到足够的选票，也就是系统内大多数节点不认可它该怎么办呀？很简单，这个任期就会变成一个空任期，会直接开始下一个任期的领导者选举。至于投票不投票的逻辑，这是我们接下来要说的。

选出最合适的领导者

我们在上面说了，每个节点会维持一个存放日志的list。其实这个list不止存放日志，它还存放了每条日志对应的任期。类似

[(‘状态5‘,‘任期0‘),(‘状态10‘,‘任期0‘),(‘状态14‘,‘任期1‘)]

这样的列表。

我们知道当追随者试图成为leader（也就是候选人）的时候，会广播投票请求，请求里面就包含了竞选者日志list中最后一条日志的索引，以及对应的任期。每个进行投票的追随者会与自身的日志list比较，如果索引比自身list的最后索引小，那么说明候选人的日志没自己的新，这时候追随者会拒绝投票。

这样的特性能够保证系统尽可能得选出日志最新的节点，为什么说尽可能？因为依旧存在可能丢失状态。比如leader接收到请求，还没发给其他节点，或只发给少数节点。那么没来得及完成处理的这些请求就可能丢失，但即便这样，系统在最终依旧会能维持一致，只是并非最新更改的状态值，或者说有部分数据任然会丢失。

维持日志一致性

首先，所有的状态改变（可以理解为变量值改变）都是由leader执行，然后将这一改变辐射到所有的追随者。每个节点都维持一个存日志的list，用以存储每一条改变状态的信息。

leader接收客户端的操作指令后，先追加这一指令到自己的日志list，然后会将指令发送给追随者，追随者主要目的就是接收这些指令，并追加到自己日志list中。leader负责管理和检测追随者的日志list是否和自己的一致，由此实现整个分布式系统的一致性。

在这个过程，主要也是有几个问题需要解决：

• 如何在无序的网络中控制追随者日志的一致
• 当追随者出现僵尸节点，在僵尸节点恢复正常的时候，如何确保日志和leader变得一致

日志一致的保证

在介绍日志一致性前，需要明白这样两个事实：

如果在不同的节点的日志list中，两个条目拥有相同的索引和任期号，那么他们存储了相同的指令。

如果在不同的节点的日志list中，两个条目拥有相同的索引和任期号，那么他们之前的所有日志条目也全部相同。

也就是说，两个节点各自有一个list保存日志，如果两个节点各自的list中的某个索引相同点，任期也相同，那么说明它前面的内容都是一致的。

解决日志一致性这个问题其实不难，就是当leader将客户端的指令辐射出去的时候，要等到所有追随者状态确认后再执行下一条客户端指令，典型的用效率换取准确性。这里的状态确认只有三种，成功，失败和连接不上客户端。注意失败和连接不上是两种情况，失败有可能是因为某些日志数据不一致，这时就需要找到追随者日志list中与一致的那个点，然后覆盖掉后面不一致的数据。最极端的情况就是发现追随者全部都和leader的日志list不一致，那么就会将leader的list全部覆盖追随者的日志list，这种做法也叫做强制复制。

而连接不上则可能是因为追随者正忙，或者它真的挂掉了。上一篇讲过，要在异步的网络通信中真正识别这两种情况几乎是不可能的。这时候，我们可以直接认为它挂掉了，如果发现其实没挂，那么直接按照僵尸节点的逻辑来处理。

处理僵尸节点

当发现追随者节点不可达的时候，会将它标记为僵尸节点（论文里是说无限重试，但实际操作发现无限重试存在一些问题），等待该追随者重启。这样一来，当僵尸节点重新恢复时最大的问题其实就是它的任期和日志list远落后于leader。

解决这些问题的方法其实上面都讲到了，每次leader请求，追随者会比较任期，发现自己任期低会自动更新。如果是日志list，那么会找到与leader日志list一致的那个索引，然后覆盖后面的全部list。

最后再来结合具体的例子看看吧。

灰色方框之上的是一个刚担任leader的节点。a，b，c，到f是不同的几个follower节点，每个节点后面的那行代表日志list，里面的数字表示任期。

当一个leader当选的时候，a，b，...到f基本涵盖了可能的情况。a和b表示追随者缺少部分日志，那么这时候追加就行。c和d表示r日志过多，那么要删除索引11以及之后的日志，让日志和leader保持一致。e和f表明r日志list有不一致的内容，即某些地方任期不一致，这时候e会找到索引相同的最后一个节点（这里是5），覆盖后面的内容，f也是同样的道理。

OK，以上就是raft算法维持分布式系统一致性的基本思路，当然还有一些额外的内容，比如防止日志list过长而可以采用的checkpoint技术，以及客户端实现exctly once语义的方法，这些比较细节的内容就不多说了。这篇文章的目的还是希望起到抛砖引玉的作用而已。

以上~

raft算法原版

raft算法中文

mit6.824地址