【主流分布式算法总结】

分布式常见的问题

分布式场景下困扰我们的3个核心问题（CAP）：一致性、可用性、分区容错性。
1、一致性（Consistency）：无论服务如何拆分，所有实例节点同一时间看到是相同的数据
2、可用性（Availability）：不管是否成功，确保每一个请求都能接收到响应
3、分区容错性（Partition Tolerance）：系统任意分区后，在网络故障时，仍能操作

而我们的业务中，一般一致性、可用性、分区容错性，三个满足两个，一般算法就是以CA和AP两个选择性，进行选择。

常见的分布式算法

Raft算法

概念

RAFT（Replicated State Machine Approach）算法是一种一致性分布式复制协议，用于在分布式系统中维护一组服务节点的一致状态。它是一种领导者选举算法，适用于解决分布式系统中的数据复制和一致性问题。
1.领导者选举：RAFT将系统中的节点分为三种角色：领导者（leader）、跟随者（follower）和候选者（candidate）。在任何给定的时刻，系统中都只有一个领导者。节点之间通过选举机制选出领导者，领导者负责处理客户端请求，并在系统中推动状态变更。
跟随者(Follower)
Fllower是所有节点的初始状态，内部都会有一个随机超时时间。这个超时时间，规定了在倒计时结束后仍然收不到Leader的心跳，Follower就会转变为Candidate。
候选者(candidate)
Follower在转变为Candidate后，超时时间重置，倒计时结束时就会向其他节点提名自己的实，拉取选票。
如果能获得半数以上（1/2以上,包含自己投给自己的）的选票，则当选为Leader，这个过程就叫做Leader选举。
所以节点最好是单数，避免极端情况下出现一个集群选举出两个Leader的脑裂问题。
领导者(leader)
Raft集群通过Leader与客户端进行交互，Leader不断处理写请求与发送心跳给Follower，Follower在收到Leader的心跳后，其超时时间会重置，即重新开始倒计时。
正常工作期间只有 Leader 和 Follower，且Leader至多只能有一个。
2.任期（Term）：系统中的时间被分为一个个任期。每个任期都有一个唯一的标识符，领导者选举是基于这个任期进行的。当一个候选者成为领导者时，它会增加当前任期的编号，并在该任期内保持领导者身份。
3.日志（Log）：RAFT将系统状态的变化表示为一系列日志条目。每个日志条目包含一个命令和任期号。这些日志条目按顺序附加到每个节点的日志中，并通过领导者复制到其他节点。
4.选举过程：当没有领导者时，节点会进入选举过程。在选举过程中，节点变为候选者状态，并向其他节点发送选举请求。候选者获得多数票后成为领导者。为了避免竞争和分裂投票，选举中使用随机化的超时机制。
5.日志复制：领导者负责将新的日志条目复制到其他节点。一旦大多数节点确认了日志条目，领导者就可以提交日志，并通知其他节点将其应用到状态机中。
6.安全性和一致性：RAFT确保在系统中只有一个领导者，并且所有节点都按相同的顺序应用相同的日志条目，从而确保了系统的一致性和安全性。

Raft的实现

public class Node {private int nodeId;private RaftNode raftNode;public Node(int nodeId, RaftNode raftNode) {this.nodeId = nodeId;this.raftNode = raftNode;}public int getNodeId() {return nodeId;}public RaftNode getRaftNode() {return raftNode;}
}

import java.util.*;
import java.util.concurrent.*;
import java.util.concurrent.locks.*;public class RaftNode implements Runnable {private int nodeId;private List<Node> cluster;private String state;private int currentTerm;private Integer votedFor;private List<String> log;private int commitIndex;private int lastApplied;private Map<Integer, Integer> nextIndex;private Map<Integer, Integer> matchIndex;private Integer leaderId;private final Lock lock;public RaftNode(int nodeId, List<Node> cluster) {this.nodeId = nodeId;this.cluster = cluster;this.state = "Follower";this.currentTerm = 0;this.votedFor = null;this.log = new ArrayList<>();this.commitIndex = 0;this.lastApplied = 0;this.nextIndex = new ConcurrentHashMap<>();this.matchIndex = new ConcurrentHashMap<>();this.leaderId = null;this.lock = new ReentrantLock();}public void start() {new Thread(this).start();}@Overridepublic void run() {while (true) {switch (state) {case "Follower":runFollower();break;case "Candidate":runCandidate();break;case "Leader":runLeader();break;}}}private void runFollower() {long timeout = (long) (150 + Math.random() * 150);long lastHeartbeat = System.currentTimeMillis();while ("Follower".equals(state)) {if (System.currentTimeMillis() - lastHeartbeat >= timeout) {state = "Candidate";return;}try {Thread.sleep(50);} catch (InterruptedException e) {e.printStackTrace();}}}private void runCandidate() {currentTerm++;votedFor = nodeId;int votesReceived = 1;for (Node peer : cluster) {if (peer.getNodeId() != nodeId && sendRequestVote(peer.getRaftNode())) {votesReceived++;}}if (votesReceived > cluster.size() / 2) {state = "Leader";leaderId = nodeId;for (Node peer : cluster) {if (peer.getNodeId() != nodeId) {nextIndex.put(peer.getNodeId(), log.size());matchIndex.put(peer.getNodeId(), 0);}}} else {state = "Follower";}}private void runLeader() {while ("Leader".equals(state)) {sendHeartbeats();try {Thread.sleep(50);} catch (InterruptedException e) {e.printStackTrace();}}}private boolean sendRequestVote(RaftNode peer) {peer.lock.lock();try {if (peer.currentTerm <= currentTerm && (peer.votedFor == null || peer.votedFor == nodeId)) {peer.votedFor = nodeId;return true;}} finally {peer.lock.unlock();}return false;}private void sendHeartbeats() {for (Node peer : cluster) {if (peer.getNodeId() != nodeId) {sendAppendEntries(peer.getRaftNode());}}}private void sendAppendEntries(RaftNode peer) {peer.lock.lock();try {if (peer.currentTerm > currentTerm) {state = "Follower";}} finally {peer.lock.unlock();}}
}

import java.util.*;public class RaftCluster {public static void main(String[] args) {List<Node> cluster = new ArrayList<>();for (int i = 0; i < 5; i++) {RaftNode raftNode = new RaftNode(i, cluster);Node node = new Node(i, raftNode);cluster.add(node);raftNode.start();}}
}

ZAB算法

ZAB（ZooKeeper Atomic Broadcast）算法是分布式系统中用来实现一致性的重要协议。它是Apache ZooKeeper分布式协调服务的核心组件，确保集群中的所有节点在数据上的一致性。以下是对ZAB算法的详细解释。

1. 目标
   ZAB的主要目标：
   顺序一致性：确保所有事务在所有ZooKeeper服务器上以相同的顺序被应用。
   原子广播：确保每个事务被可靠地传递到集群中的所有节点。
   容错性：在部分节点故障的情况下，仍能保证系统的正确性和可用性。
2. 工作模式
   ZAB算法有两种主要的工作模式：
   广播模式（Broadcast mode）：用于正常操作期间处理客户端请求。
   恢复模式（Recovery mode）：用于集群启动或领导者故障后，选举新领导者并同步状态。
3. 广播模式
   在广播模式下，ZAB的工作流程如下：
   领导者选举：集群启动或领导者故障后，会进行领导者选举。新领导者负责处理客户端请求并广播事务。
   事务处理：
   客户端请求被发送到领导者。
   领导者生成提案（Proposal），将提案广播给所有追随者（Follower）。
   追随者接收提案并将其写入事务日志，然后发送确认（ACK）给领导者。
   当领导者收到大多数追随者的确认后，认为提案已提交（Commit），并将提交信息广播给所有追随者。
   每个节点应用提交的事务到其状态机。
4. 恢复模式
   在恢复模式下，ZAB的工作流程如下：
   数据同步：确保新领导者和追随者之间的数据一致性。追随者将与领导者进行数据同步，获取最新的事务日志。
   领导者选举：如果没有现任领导者，集群会通过投票机制选举出新的领导者。
   状态同步：新领导者与追随者同步状态，以便进入广播模式继续处理客户端请求。
5. 容错处理
   ZAB通过以下机制实现容错：
   复制日志：每个事务都被写入多个节点的事务日志，确保在部分节点故障时仍然可以恢复数据。
   多数派确认：事务在大多数节点确认后才被提交，保证系统在多数节点可用的情况下仍然一致。
   持久化存储：事务日志被持久化存储在磁盘上，防止数据因节点重启或崩溃而丢失。

Paxos算法

Paxos是一种广泛使用的分布式一致性算法，由计算机科学家Leslie Lamport提出。它用于在分布式系统中达成一致性，即使某些节点发生故障也能保证系统的一致性。Paxos算法的核心思想是在分布式环境中，通过一系列的消息传递和投票机制，确保多个节点对某个值达成共识。
Paxos算法的基本概念
Paxos算法涉及三个主要角色：
提议者（Proposer）：提出提案并争取达成共识。
接受者（Acceptor）：对提议者提出的提案进行投票。
学习者（Learner）：一旦共识达成，学习最终达成的值。
Paxos算法的基本过程
Paxos算法通常分为两个主要阶段：准备阶段（Prepare Phase）和接受阶段（Accept Phase）。

1. 准备阶段（Prepare Phase）
   提议者选择一个提案编号n并向大多数接受者发送Prepare(n)请求。
   接受者收到Prepare(n)请求后，如果n大于它已经响应过的所有Prepare请求的编号，则接受该请求，并承诺不再接受编号小于n的提案。同时，接受者会向提议者回复它已经接受的提案中编号最大的提案。
2. 接受阶段（Accept Phase）
   提议者在收到大多数接受者对Prepare(n)请求的响应后，可以确定一个提案值。如果接受者返回了已经接受的提案，提议者会选取编号最大的那个提案值；否则，可以选择任意值。
   提议者将提案(n, value)发送给大多数接受者，请求他们接受该提案。
   接受者收到提案后，如果提案编号n不小于它已经响应过的所有Prepare请求的编号，则接受该提案，并向提议者回复确认消息。
   达成共识
   当提议者收到大多数接受者对Accept(n, value)请求的确认时，认为提案已经被接受，达成共识。
   学习者通过接受者的消息获知已经达成共识的值。
   Paxos算法的特点
   容错性：Paxos算法能够容忍少量的节点故障，只要大多数节点正常工作，系统就能达成一致性。
   一致性：Paxos算法保证所有参与节点最终会达成一致的决策。
   复杂性：Paxos算法的实现和理解相对复杂，特别是在处理边界情况和优化性能时。
   Paxos的变种
   Paxos算法有许多变种，用于在不同的应用场景中优化性能和简化实现，例如：
   Multi-Paxos：扩展Paxos算法以支持多个提案的连续达成共识，常用于实现分布式日志。
   Fast Paxos：通过减少消息传递的轮数来加速达成共识。
   Cheap Paxos：优化资源使用，降低实现成本。
   应用场景
   Paxos算法广泛应用于需要分布式一致性的系统中，例如分布式数据库、分布式文件系统和分布式协调服务等。