分布式一致性算法：可能比你想象得更复杂

张大胖遇到了一个难题。

他们公司的有个服务器，上面保存着宝贵的数据，领导Bill 为了防止它挂掉， 要求张大胖想想办法把数据做备份。

张大胖发挥了抽象的能力，在脑海里浮出了这么一个画面， 这个唯一的机器可以成为一个节点：

为了提高可用性，可以增加几台机器，通过局域网连接起来，形成一个了分布式的系统：

数据在每个节点上都存放一份不就可以高枕无忧了？

可张大胖很快发现这不是一件容易的事情，比如每个节点都保存着一个账户的余额100元，现在有人通过节点A向该账户增加了20元， 还有人通过节点B向该账户减去了30元。

现在余额到底是多少呢？

为了保持一致性， 节点A得把"余额加上20"这样的消息发给B, C ， 节点B得把“余额减去30”这样的消息发送到A, C， 如果网络出了问题，消息没有发送到别的节点， 或者某个节点干脆坏掉了，那数据极有可能出现不一致。

如果用户在这个不一致的系统上继续操作，很快就会陷入混乱。

张大胖想了半天，觉得不能这么无序地操作，得给这三个节点找个“老大”。

所有的操作都通过“老大”来进行，然后让老大把消息发给各个“小弟”。

可是谁来当老大呢？  还有，这个老大如果挂掉了怎么办？

可以手工地调整， 例如节点A挂掉了， 就手工地让节点B当“老大” ， 让节点C当“小弟”。

但是这就有点麻烦了，能不能自动化地来实现？

这个问题很有意思， 张大胖入了迷，继续深入思考： 建立一个竞选的机制， 就让他们竞争上岗吧。

初始情况下，每个节点都是候选人， 都可以向其他节点发起投票邀请，让大家投自己，如果获得的投票数过半，就可以当“老大”了。

为了避免大家同时发起投票邀请，可以给每个节点都分配一个随机的“选举超时时间”（election timeout），通俗来讲就是一个等待时间，在这段时间内，一个节点必须耐心等待，过了这段时间，才可以竞争上岗，争当老大。

每个节点都有一个计时器，从0开始计时，谁的等待时间到了, 就率先发起竞选，给其他节点打电话，要求他们投票让自己成为老大。

比如节点A等待170ms , 节点B等待200ms ,  节点C等待250ms 。

由于节点A的等待时间最短， 会捷足先登， 它先增加自己的任期(Term)，这是一个整数，初始值为0 ， 然后给自己投了一票，然后打电话给节点B和节点C，要求他们都投它。

节点B和节点C收到了投票要求，如果自己还没有发起竞选投票（等待时间未到），那只好同意节点A当老大，与此同时要重置自己的计时器，重新从0开始计时，也就是说重新开始新一轮的等待。

节点A得知其他两个节点同意了，投票计数变为3，已经过了半数， 就明白自己可以当老大了。

节点A成为老大后，开始向节点B和节点C定时发送消息，B,C收到消息后也要回应，维持心跳。

B和C每次收到心跳消息，都得重置自己的计时器， 重新从0开始计数。

此时节点B和节点C就成了“小弟”。

如果节点A 不幸挂掉，节点B和节点C在自己的等待时间内收不到心跳消息，他们两个就会重新竞争上岗。

上图中节点C占据了先机，率先发起竞选投票。

节点B慢了一步， 无奈中同意支持节点C ，  节点C获得了超过半数的支持，成为“老大” ，  节点B成为“小弟”。

（可能有人会想到：节点B和节点C 同时发起竞选投票，每个节点的投票计数都是1 ，都过不了半数，  该怎么处理呢？ 很简单，再次发起一轮竞选投票即可，当然为了防止B和C一直同时发起竞选投票，从而陷入无限循环，要重置一个随机的等待时间。）

投票过半数很重要，张大胖想，只有这样才能保证“老大”节点的唯一性。

对于每个节点，处理流程其实非常简单：

张大胖费了半天劲，终于把分布式系统中怎么自动地选取“老大”节点给确定了。

接下来就是要把发给“老大”的数据，想办法复制到“小弟”的节点上。 该怎么处理？

由于是分布式的，只有大多数节点都成功地保存了数据，才算保存成功。

所以那个“老大”节点必须得承担起协调的职责。

张大胖想了一个复制日志的办法：  每个节点都有一个日志的队列。

在真正把数据提交之前，先把数据追加到日志队列中，然后向个“小弟”复制。

1.  客户端发送数据给节点A （“老大”）。

节点A 先把数据记录到日志中，即此时处于“未提交状态”

2. 在下一次的心跳消息中， 数据被发送给各个“小弟”。

3. 各个“小弟” 也把数据记录到日志中（也处于未提交状态），然后向“老大”报告自己已经记录了日志。

4. 如果节点A收到响应超过了半数， 节点A就提交数据，通知客户端数据保存成功。

5. 节点A在下一次心跳消息中，通知各个“小弟”该数据已经提交。各个“小弟”也提交自己的数据。

如果某个“小弟”不幸挂掉，那“老大”会不断地尝试联系它， 一旦它重新开始工作，就需要从“老大”那里去复制数据，和“老大”保持一致。

张大胖对这个初步的设计还比较满意，他把这个方案交给领导Bill去审查。

Bill 看了以后，笑道： “你现在其实就是在折腾一个一致性算法， 说白了就是允许一组机器像一个整体一样工作，即使其中一些机器出现故障也能够继续工作下去。”

“没错没错，领导总结得真是精准。” 张大胖拍马屁。

“不过，”Bill 话锋一转， “ 你设计的日志的复制还有很多漏洞，我看你的设计中一共有5步， 如果在这5步中，那个“老大”节点A挂掉了怎么办？数据是不是就不一致了？”

“这个...... ”  张大胖确实没有仔细考虑。他暗自后悔，只顾低头拉车，忘了抬头看路，忽略了分布式环境下的复杂问题。

“不过你已经做得很不错了，” 领导马上鼓励道， “你设计的这一套体系其实和RAFT算法非常类似。”

“RAFT？ ”

“对，RAFT是个分布式的一致性算法，相比复杂难懂的Paxos， RAFT在可理解，可实现性上做了很大的改进。 你这里的‘老大’，RAFT算法叫做Leader， ‘小弟’叫做Follower，不过人家对日志的复制，以及如何确保数据的一致性有着非常详细的规定。 ”

张大胖一听说有现成的算法，立刻高兴起来： “太好了，分布式的难题已经被别人解决，我去把它实现了。”

后记： 虽然RAFT比Paxos更容易理解， 但是一旦进入各个边界条件，仍然是非常复杂，所以本文只是介绍了Leader的选举，和日志复制的概要流程， 具体的细节还有很多，感兴趣的话可以去看看Raft的论文，点击阅读原文可以查看中文版。