前言:

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:

本文会涉及集群中节点的failover和recover问题.
本文会涉及事务及不透明事务的问题.
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:

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

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***删了你的根,总之你rp爆表了.
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 = ${url_id}

返回 :[user_1,...,user_m]

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

    1. 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 = ${tweeter_id}

返回:tweeter的粉丝

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

    1. 求出Reach
  • __*/

var url = queryArgs.getUrl();
var tweeters = getUrlToTweetersMap();
var result = new HashMap<String,Integer>();
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();
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。

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?
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?

主节点有新数据写入.
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:

主节点有新数据写入.
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:

事务ID的生成是强有序的.(隔离性,串行)
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)
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:

当事务ID为4,大于存储中的事务ID3,Reach更新为3+5 = 8.
当事务ID为3,等于存储中的事务ID3,Reach更新为2+5 = 7.
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。

总结:

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.