golang[110]-raft算法理论与实践[1]

前言

我计划写raft的一系列文章,包含从理论到代码实践,此文章依托于MIT的研究生课程。

背景

raft 是一种分布式的共识算法,其目的是要实现多个节点集群的容错性,一致性从而能够构建大规模的软件系统。
在raft之前,比较有名的是Paxos。但是paxos难于理解。
raft的诞生是为了让共识算法更容易理解,在工程上更容易实现。

和其他的共识算法不同的是,raft具有下面的特点:
1、leader:raft中会有一个领导者具有超级权限,可以把自己的log 复制到其他节点中。
2、leader election: raft每隔一段随机的时间就会进行leader的选举
3、raft允许集群配置变化时正常运行。

Replicated state machine

状态机是分布式系统中的一个重要概念,任何一个系统的最终状态都可以看成是每一个操作的集合。因此,算法会维护一份replicated log,将每一份操作都存储起来。
每一个节点只要按顺序执行log中的命令,就会到达相同的最终状态。这样,即便是系统奔溃也可以快速的恢复。
共识算法需要保证relicated log的一致性,服务器收到客户端发出来的执行命令Command后,会将其加入到log中。
服务器之间会相互的交流,保证最后的log的一致性(即便服务器奔溃),即Command 会复制到其他服务器的log中,所有服务器的log是相同的,有序的。
其他服务器会执行此log,即会执行此命令。最后,所有的服务器都会到达同一个状态。

共识算法必须满足下面的属性:
1、在极端情况下(丢包、奔溃)任然能够保证安全性。
2、大多数节点正常的情况下能够保证可用。
3、不能依靠时间戳去保证log的一致性。
4、当大部分的节点通过RPC远程调用交流 达成共识后,command就可以被确认和执行。小部分节点的不稳定不会影响整个系统。

raft basic

raft集群一般保持奇数个数量(5个节点比较普遍). 从而只要大部分节点存活,即可用。
raft中的节点有3种状态。 leader, Candidates, follower。
1、一般的状态只会存在一个leader,其余的节点都是follower。
2、leader会处理所有的客户端请求, 如果是客户端请求follower,也会被转发到leader处理。
3、Candidates 是一种选举时候的过渡状态,用于自身拉票选举leader。

在raft中会有一个叫做term的时间周期。term是以选举leader开始的,如果Candidates选举成为了leader,那么其会成为这个term剩下时间的leader。
有时候,在整个term周期都没有选举出leader。这时一个新的选举会在不久后开始。
Terms 在raft中类似于一种时间戳,后一个一定比前一个后发生,这一点和比特币中的区块链很类似。
每一个服务器会存储一个当前的term,其会随着时间的增加而增长。如果某一个节点的当前term小于其他节点,那么节点会更新自己的term为最大的term。
如果一个candidate 发现自己当前的term 过时了,那么其会立即变为follower。
raft节点之间通过RPC(远程过程调用)来进行通信。 RequestVote 方法用于candidate在选举时候使用,AppendEntries用于leader在通知其他节点复制log时使用。同时也用于心跳检测。
RPC 是并发的,并支持失败重试。

选举

在raft中会有一套心跳检测,只要follower收到来自leader或者Candidates的数据,那么其会保持follower的状态。
如果follower一段时间内没有收到RPC请求,这意味着选举超时( election timeout )。
这时follower会将current term 加1,过渡到Candidates状态。
其会给自己投票,并发送RequestVote RPC请求给其他的节点,拉票!

Candidates状态会持续,直到下面的3种情况发生:
1、当其获得了大部分节点的支持后,其赢得了选举,变为了leader。
一旦其变为了leader,其会向其他节点发送 AppendEntries RPC, 确认其leader的地位,阻止选举。
2、其他节点成为了leader。
如果其收到了其他节点的AppendEntries RPC. 并发现其他节点的current term比自己的大,则其变为follower状态。
3、一段时间过去任然没有参与者。
如果有许多的节点同时变为了candidate,则可能会出现一段时间内都没有节点能够选举成功的情况。
在raft中,为了快速解决并修复这个问题,规定了每一个candidate在选举前会重置一个随机的选举超时( election timeout )时间,此随机时间会在一个区间内(eg.150-300ms)
这样保证了,在大部分的情况下,有一个唯一的节点首先选举超时,其在大部分节点选举超时前发送心跳检测,赢得了选举。

当一个leader在心跳检测中发现另一个节点有更高的term时,会转变为follower。否则其将一直保持leader状态。

日志复制(Log replication)

当成为leader后,其会接受来自客户端的请求。每一个客户端请求都包含一个将要被节点的状态机执行的command。
leader其会将这个command 包装为一个entry放入到log中,并通过AppendEntries RPC 发送给其他节点,要求其添加此entry到log中。

当entry被 大部分的节点接受并复制后,这个entry的状态变为了committed. raft算法保证了commited entry到最后一定能够会被所有节点的状态机执行。
一旦follower知道(AppendEntries RPC)某一个entry被commit之后,follower会按顺序执行log中的entry

entry in log
如图所示,我们可以把log 理解为entry的集合。在entry中包含了common命令、entry所在的term 以及每一个entry的顺序编号index。

raft的一致性保证了下面的属性:
1、如果在不同节点中log中的entry有相同的index 和term。 那么一定存储的是相同的command。
2、如果在不同节点中log中的entry有相同的index 和term。 那么此entry之前的所有entry都是相同的。

leader crashes
节点f可能会发生,如果其是term 2的leader, 添加entry到log中,但是没有commit时就奔溃了,其快速恢复后又变为了term 3 的leader, 添加entry到log中,没有commit又继续奔溃了。

在正常的情况下,上面的两个属性都能满足,但是异常情况下,这种情况会被打破,可能会出现如上图所示的情形,

在raft中,为了处理这样的不一致性,强制要求follower的log与leader的log要一致。

因此leader必须要发现一个entry,在这个entry之后的都是不相同的entry。在这个entry之前的都是一致的entry。在leader中会为每一个follower维护一份nextIndex 数组。标志了将要发送给follower的下一个index。 最后,follower会删除掉所有不同的entry,并用和leader一致的log。这一过程,都会通过AppendEntries RPC 执行完毕。当AppendEntries RPC返回success,就表明follower 与 leader的log是一致的。

安全性

上面的属性还不能够充分的保证系统的安全性。 考虑下面的例子:

safe problem
上图要说明的是,一个已经被commit的entry 在目前的情况下是有可能被覆盖掉的。例如在a 阶段s1成为了leader,其entry还没有commit。 在b阶段,s1奔溃,s5成为了leader ,添加log但是任然没有commit。 在c阶段,s5奔溃,s1成为了leader。其entry成为了commit。 在d阶段s1奔溃,s5成为了leader,其会将本已commit的entry给覆盖掉。

raft使用一种更简单的方式来解决这个难题,raft为leader添加了限制:
要成为leader 必须要包含过去所有的commit entry。
Candidates 要想成为leader,必须要经过大部分follower节点的同意。
而commit entry 也表明其已经存在于大部分的服务器中。 因此commit entry 至少会出现在这些follower节点中的至少有一个节点。因此我们可以证明,在大部分的follower中,至少有一个是包含了leader的所有commit entry的。
因此 如果一个candidate的log是最新的(即他与其他的节点对比时,如果term更大的,最新。如果term相同的,那么越长的那个log越新。)其才可以成为leader。

因此可知,一个leader一定包含了以前leader的commit entry。

todo

配置改变、 日志压缩快照(log compaction / snapshotting )

总结

上面对于raft的描述,保证了存在5点:
1、Election Safety:在一个term周期内只会存在一个leader。
2、Leader Append-Only: leader只会添加log,而不会删除或者覆盖log。
3、Log Matching:如果两个log有一个相同index与term的entry,那么他们之前的log都是相同的。
4、Leader Completeness:如果一个log entry在一个term周期成为commit, 那么其一定会存在于下一个leader的log中。
5、State Machine Safety:如果某节点已经将index A 应用于其状态机。则以后其他节点不可能在同一index A 却具有不同的log entry。 因为应用到状态机说明已经被commit,而借助于第4点得证。

参考资料

raft论文
raft可视化
知乎,写得一般但是有借鉴地方