分布式一致性算法Raft原理图释

什么是分布式一致性算法Raft

分布式一致性算法Raft：指在分布式场景下实现集群数据同步的解决方案

掌握了这个算法，就可以较容易地处理绝大部分场景的容错和数据一致性需求

Raft三大角色

跟随者（Follower）：普通群众，默默接收和来自领导者的消息，当领导者心跳信息超时的时候，就主动站出来，推荐自己当候选人。（大王不在，掀杆而起，自立为王，哈哈）

候选人（Candidate）：候选人将向其他节点请求投票 RPC 消息，通知其他节点来投票，如果赢得了大多数投票选票，就晋升当领导者。

领导者（Leader）：霸道总裁，一切以我为准。主要功能：处理写请求、管理日志复制（数据同步）和不断地发送心跳信息（保持连接），通知其他节点“我是领导者，我还活着，你们不要”发起新的选举，不用找新领导来替代我。（大王还在，你们不要起义）

现在我们想象一下，有一个单节点系统，这个节点作为数据库服务器，且存储了一个值为 X。

左边绿色的实心圈就是客户端，右边的蓝色实心圈就是节点 a（Node a）。Term 代表任期，后面会讲到。

客户端向单节点服务器发送了一条更新操作，设置数据库中存的值为 8。单机环境下（单个服务器节点），客户端从服务器拿到的值也是 8。一致性非常容易保证。

Raft选举流程

下面就开始讲解 Raft 算法选举领导者的过程。

1、初始状态

初始状态下，集群中所有节点都是跟随者的状态。

如下图所示，有三个节点(Node) a、b、c，任期（Term）都为 0。

Raft 算法实现了随机超时时间的特性，每个节点等待领导者节点心跳信息的超时时间间隔是随机的。比如 A 节点等待超时的时间间隔 150 ms，B 节点 200 ms，C 节点 300 ms。那么 a 先超时，最先因为没有等到领导者的心跳信息，发生超时。如下图所示，三个节点的超时计时器开始运行。

为什么follower等待leader心跳，不同节点进行随机超时呢？因为follower节点也想当大王呀，但如果多个follower同一时间点发起投票，进行选举，从而会导致选票相同的情况，又重新进行选举，所以还是每个节点的随机超时的时间是不同的

2、发起投票

当 A 节点的超时时间到了后，A 节点成为候选者，并增加自己的任期编号，Term 值从 0 更新为 1，并给自己投了一票。

Node A：Term = 1, Vote Count = 1。
Node B：Term = 0。
Node C：Term = 0。

3、成为领导者

我们来看下候选者如何成为领导者的。

上述处理流程：

• 第一步：节点 A 成为候选者后，向其他节点发送请求投票 RPC 信息，请它们选举自己为领导者。
• 第二步：节点 B 和 节点 C 接收到节点 A 发送的请求投票信息后，在编号为 1 的这届任期内，还没有进行过投票，就把选票投给节点 A，并增加自己的任期编号。
• 第三步：节点 A 收到 3 次投票，得到了大多数节点的投票，从候选者成为本届任期内的新的领导者。
• 第四步：节点 A 作为领导者，固定的时间间隔给 节点 B 和节点 C 发送心跳信息，告诉节点 B 和 C，我是领导者，组织其他跟随者发起新的选举。
• 第五步：节点 B 和节点 C 发送响应信息给节点 A，告诉节点 A 我是正常的。

4、领导者任期

英文单词是 term，领导者是有任期的。

自动增加：跟随者在等待领导者心跳信息超时后，推荐自己为候选人，会增加自己的任期号，如上图所示，节点 A 任期为 0，推举自己为候选人时，任期编号增加为 1。

更新为较大值：当节点发现自己的任期编号比其他节点小时，会更新到较大的编号值。比如节点 A 的任期为 1，请求投票，投票消息中包含了节点 A 的任期编号，且编号为 1，节点 B 收到消息后，会将自己的任期编号更新为 1。

恢复为跟随者：如果一个候选人或者领导者，发现自己的任期编号比其他节点小，那么它会立即恢复成跟随者状态。这种场景出现在分区错误恢复后，任期为 3 的领导者受到任期编号为 4 的心跳消息，那么前者将立即恢复成跟随者状态。

拒绝消息：如果一个节点接收到较小的任期编号值的请求，那么它会直接拒绝这个请求，比如任期编号为 6 的节点 A，收到任期编号为 5 的节点 B 的请求投票 RPC 消息，那么节点 A 会拒绝这个消息。

一个任期内，领导者一直都会领导者，直到自身出现问题（如宕机），或者网络问题（延迟），其他节点发起一轮新的选举。

在一次选举中，每一个服务器节点最多会对一个任期编号投出一张选票，投完了就没了。

假设一个集群由 N 个节点组成，那么大多数就是至少 N/2+1。例如： 3 个节点的集群，大多数就是 2。才能成为领导leader

问题：为什么要定义leader，follower，candidate？

集群数据同步保证一致性一般有两种做法：

1、分布式节点存储：分布式一致性算法解决方案

1、中心化存储：但是要保证中心节点的 高可用（本质上还是要一致性算法解决方案）

定义不同角色？？

1、如果想要实现集群数据同步，必然要实现节点数据传送，如果各个节点都是平等地位，那么对于写操作而言，是对于每个节点都生效的，处理起来变得很复杂

2、拿到数据，要统一给每一个集群节点发送，可能会存在并发问题，写覆盖导致数据不一致）

问题：为什么每个follower要随机leader的超时时间？

为了防止多个节点同时发起投票

为了防止多个节点同时发起投票，会给每个节点分配一个随机的选举超时时间。这个时间内，节点不能成为候选者，只能等到超时。比如上述例子，节点 A 先超时，先成为了候选者。这种巧妙的设计，在大多数情况下只有一个服务器节点先发起选举，而不是同时发起选举，减少了因选票瓜分导致选举失败的情况。

问题：leader出现故障怎么办？

如果领导者节点出现故障，则会触发新的一轮选举。如下图所示，领导者节点 B 发生故障，节点 A 和 节点 B 就会重新选举 Leader。

注意：任期是一直累加的

• 第一步 ：节点 A 发生故障，节点 B 和节点 C 没有收到领导者节点 A 的心跳信息，等待超时。
• 第二步：节点 C 先发生超时，节点 C 成为候选人。
• 第三步：节点 C 向节点 A 和 节点 B 发起请求投票信息。
• 第四步：节点 C 响应投票，将票投给了 C，而节点 A 因为发生故障了，无法响应 C 的投票请求。
• 第五步：节点 C 收到两票（大多数票数），成为领导者。
• 第六步：节点 C 向节点 A 和 B 发送心跳信息，节点 B 响应心跳信息，节点 A 不响应心跳信息。

问题：一般情况下，在多节点集群中，Raft 算法如何保证在同一个时间，集群中只有一个领导者呢？

1、领导者心跳超时，节点定义不同的超时时间，进行选举投票（避免选举时票数相同）
2、先超时先投票
3、一票制，每个节点在一轮选举中只能投一票
4、半数选票原则，相当leader 选举票数必须 大于等于n/2+1
5、任期，通过比较任期大小最终确定leader

问题：在分区错误，网络不通等异常情况下，Raft 算法如何保证在同一个时间，集群中只有一个领导者呢？（脑裂现象）

什么是脑裂：假如在一个集群或系统中，同时出现2个及以上的Leader，这样的现象就是脑裂。

多个Leader会向Follower同时发号施令，Follower不清楚该接受哪个Leader的指令，最终会造成内部混乱。

在没有出现网络分区的情况下，Raft通过以下两条约束来避免脑裂：

• 每个节点在一个任期内，只能投票一次。
• 获得半数以上的选票，才能成为Leader。

在固定的选票下，获得半数以上选票的才能成为Leader，有效避免了脑裂问题。

如果在网络分区下，网络不畅，怎么避免脑裂？

先说结论，其实和Leader宕机恢复很像，低任期的Leader在发现有高任期的Leader后，会主动降级为Follower。

一开始，集群内部只有一个Leader。后来发生了网络分区，L1无法向F3、F4与F5发送心跳。

总结：日志复制（数据同步）+ 领导者自动降级

F3、F4与F5将会开启新一轮选举，接着F4获得当前所有的选票，即3份，为半数以上，当选为新的Leader。

当网络分区结束后，集群内部会短暂的出现两个Leader的情况。

L1发现L4的任期比自己的大，于是主动降级为Follower，并接收来自L4的心跳。

leader自动降级可以一定程度上解决，当然，脑裂的解决少不了日志复制技术

问题：如果有多个服务器节点，怎么保证一致性呢？

日志复制：主要用来实现节点数据同步，保证数据一致性的

1、日志结构

那么日志具有怎样的一个结构呢？

一份日志主要包含以下信息：

• 索引值，可以理解为该条日志在文件中所处的行号
• 任期编号，创建这条日志的Leader所处的任期
• 客户端的指令，在提交后，会被状态机执行

日志复制过程

因此Raft集群的重点在于Leader需要将自己的日志同步到Follower节点，以保证整个Raft集群的数据一致性。

这样我们在访问任意一个节点时，都能获得相同的返回数据。

一个简要的日志复制过程如下：

首先，经过一轮选举后，产生了一个Leader。

当L1接收到客户端的数据修改的指令后，首先会append到自己的本地日志中，状态为未提交，之后会向Follower节点发起append请求。

当Follower节点接收到append请求后，同样也会append到自己的本地日志中，状态为未提交。

注意: 当半数以上的Follower写入成功后，Leader会将日志提交，并应用到状态机中执行，同时回应客户端修改成功。

最后Leader通知Follower节点将日志提交

在这个时候，整个Raft集群实现了分布式的数据一致性。

我们整理一下日志复制的过程：

3、日志是如何保持一致的

上图描述的是一个在理想状态下的复制过程，在实际场景中，可能会出现Leader宕机、网络分区的情况，这些情况会导致日志的不一致，那么Raft是怎么保证日志的一致性的呢？

Raft集群是一个strong leader的系统，因此会强制Follower复制Leader的日志。

日志复制细节

Leader会在心跳信息中，将已提交的日志数据不断发送给Follower，复制请求中包含上一条日志的索引值与任期（记为L.pre.index与L.pre.term），当前日志的索引值与任期（记为L.cur.index与L.cur.term）。

Follower在收到复制请求后，先查找自身L.pre.index索引值的日志term，是否等于L.pre.term，如果等于，则将L.cur.index与L.cur.term追加到本地日志中，并返回复制成功。

如果Follower中L.pre.index索引值的日志term，不等于L.pre.term，则返回复制失败。此时Leader会将更前面一条的日志发送过来，如果依然复制失败，则继续往前，一直从后往前找到第一个共同的日志。并从这里开始往后复制，使得Follower与Leader的日志一致。

举个例子：

假设该集群在运行一段时间后，Leader与其中一个Follower的日志情况如下：

1、此时Leader需要Follower复制索引为5的日志，于是将索引4和5的日志一起发送给了Follower。

2、Follower发现索引4的日志，任期和Leader日志不一致，因此返回复制失败。

3、Leader发现复制失败后，将索引3和4的日志一起发送给了Follower。

4、Follower发现索引3的日志，任期是一致的，这就找到了和Leader共同的日志项，于是覆盖索引4的本地日志，返回复制成功。

5、Leader发现复制成功，便不再往前递归寻找。

6、下一轮的心跳信息中，Leader将索引4和5的日志一起发送给了Follower。

7、Follower比对发现索引4的日志一致，于是将索引5的Leader日志追加到本地日志中，此时Leader与Follower的日志一致了。

参考

https://www.coonote.com/distributed-system/raft-algorithm.html
https://www.cnblogs.com/crazymakercircle/p/14343154.html#autoid-h2-1-8-0