目錄

正文

　　雖然本人在前面也寫過好幾篇分散式系統相關的文章，主要包括CAP理論、分散式儲存與分散式事務，但對於分散式系統，並沒有一個跟清晰的概念。分散式系統涉及到很多的技術、理論與協議，很多人也說，分散式系統是“入門容易，深入難”，我之前的學習也只算是管中窺豹，只見得其中一斑。因此，一致希望能對分散式系統有一個更全面的認識，至少能夠把分散式系統中的各個技術、理論串起來，瞭解他們在分散式系統分別解決什麼問題，有哪些優秀的實現。

　　我曾在網路上搜索過”如何學習分散式系統“，也在知乎上關注了該話題，但並沒有看到一個全面的、有指導意義的答案。本文的目標是給打算全面學習分散式系統的自己、以及感興趣的讀者指明一條可行的路徑，使得之後的學習不再盲目。

　　不過，我並沒有越過這座山，我只是站在山前，從前人留下的痕跡揣測山的全貌與溝壑，臆想的成分居多，還望各位大師指點迷津。

　　2018 03 14更新：對於如何學習分散式系統，經過思考，我覺得有更好的方法，請參見《分散式學習最佳實踐：從分散式系統的特徵開始（附思維導圖）》

什麼是分散式系統

回到頂部

　　分散式系統是由一組通過網路進行通訊、為了完成共同的任務而協調工作的計算機節點組成的系統。分散式系統的出現是為了用廉價的、普通的機器完成單個計算機無法完成的計算、儲存任務。其目的是利用更多的機器，處理更多的資料。

　　首先需要明確的是，只有當單個節點的處理能力無法滿足日益增長的計算、儲存任務的時候，且硬體的提升（加記憶體、加磁碟、使用更好的CPU）高昂到得不償失的時候，應用程式也不能進一步優化的時候，我們才需要考慮分散式系統。因為，分散式系統要解決的問題本身就是和單機系統一樣的，而由於分散式系統多節點、通過網路通訊的拓撲結構，會引入很多單機系統沒有的問題，為了解決這些問題又會引入更多的機制、協議，帶來更多的問題。。。

　　在很多文章中，主要講分散式系統分為分散式計算（computation）與分散式儲存（storage）。計算與儲存是相輔相成的，計算需要資料，要麼來自實時資料（流資料），要麼來自儲存的資料；而計算的結果也是需要儲存的。在作業系統中，對計算與儲存有非常詳盡的討論，分散式系統只不過將這些理論推廣到多個節點罷了。

　　那麼分散式系統怎麼將任務分發到這些計算機節點呢，很簡單的思想，分而治之，即分片（partition）。對於計算，那麼就是對計算任務進行切換，每個節點算一些，最終彙總就行了，這就是MapReduce的思想；對於儲存，更好理解一下，每個節點存一部分資料就行了。當資料規模變大的時候，Partition是唯一的選擇，同時也會帶來一些好處：

　　（1）提升效能和併發，操作被分發到不同的分片，相互獨立

　　（2）提升系統的可用性，即使部分分片不能用，其他分片不會受到影響

　　理想的情況下，有分片就行了，但事實的情況卻不大理想。原因在於，分散式系統中有大量的節點，且通過網路通訊。單個節點的故障（程序crash、斷電、磁碟損壞）是個小概率事件，但整個系統的故障率會隨節點的增加而指數級增加，網路通訊也可能出現斷網、高延遲的情況。在這種一定會出現的“異常”情況下，分散式系統還是需要繼續穩定的對外提供服務，即需要較強的容錯性。最簡單的辦法，就是冗餘或者複製集（Replication），即多個節點負責同一個任務，最為常見的就是分散式儲存中，多個節點複雜儲存同一份資料，以此增強可用性與可靠性。同時，Replication也會帶來效能的提升，比如資料的locality可以減少使用者的等待時間。

　　Partition和Replication是解決分散式系統問題的一記組合拳，很多具體的問題都可以用這個思路去解決。但這並不是銀彈，往往是為了解決一個問題，會引入更多的問題，比如為了可用性與可靠性保證，引用了冗餘（複製集）。有了冗餘，各個副本間的一致性問題就變得很頭疼，一致性在系統的角度和使用者的角度又有不同的等級劃分。如果要保證強一致性，那麼會影響可用性與效能，在一些應用（比如電商、搜尋）是難以接受的。如果是最終一致性，那麼就需要處理資料衝突的情況。CAP、FLP這些理論告訴我們，在分散式系統中，沒有最佳的選擇，都是需要權衡，做出最合適的選擇。

分散式系統挑戰

　　分散式系統需要大量機器協作，面臨諸多的挑戰：

　　第一，異構的機器與網路：

　　　　分散式系統中的機器，配置不一樣，其上執行的服務也可能由不同的語言、架構實現，因此處理能力也不一樣；節點間通過網路連線，而不同網路運營商提供的網路的頻寬、延時、丟包率又不一樣。怎麼保證大家齊頭並進，共同完成目標，這四個不小的挑戰。

　　第二，普遍的節點故障：

　　　　雖然單個節點的故障概率較低，但節點數目達到一定規模，出故障的概率就變高了。分散式系統需要保證故障發生的時候，系統仍然是可用的，這就需要監控節點的狀態，在節點故障的情況下將該節點負責的計算、儲存任務轉移到其他節點

　　第三，不可靠的網路：

　　　　節點間通過網路通訊，而網路是不可靠的。可能的網路問題包括：網路分割、延時、丟包、亂序。

　　　　相比單機過程呼叫，網路通訊最讓人頭疼的是超時：節點A向節點B發出請求，在約定的時間內沒有收到節點B的響應，那麼B是否處理了請求，這個是不確定的，這個不確定會帶來諸多問題，最簡單的，是否要重試請求，節點B會不會多次處理同一個請求。

　　總而言之，分散式的挑戰來自不確定性，不確定計算機什麼時候crash、斷電，不確定磁碟什麼時候損壞，不確定每次網路通訊要延遲多久，也不確定通訊對端是否處理了傳送的訊息。而分散式的規模放大了這個不確定性，不確定性是令人討厭的，所以有諸多的分散式理論、協議來保證在這種不確定性的情況下，系統還能繼續正常工作。

　　而且，很多在實際系統中出現的問題，來源於設計時的盲目樂觀，覺得這個、那個應該不會出問題。Fallacies_of_distributed_computing很有意思，介紹了分散式系統新手可能的錯誤的假設：

The network is reliable. Latency is zero. Bandwidth is infinite. The network is secure. Topology doesn't change. There is one administrator. Transport cost is zero. The network is homogeneous.

　　劉傑在《分散式系統原理介紹》中指出，處理這些異常的最佳原則是：在設計、推導、驗證分散式系統的協議、流程時,最重要的工作之一就是思考在執行流程的每個步驟時一旦發生各種異常的情況下系統的處理方式及造成的影響。

分散式系統特性與衡量標準

　　透明性：使用分散式系統的使用者並不關心繫統是怎麼實現的，也不關心讀到的資料來自哪個節點，對使用者而言，分散式系統的最高境界是使用者根本感知不到這是一個分散式系統，在《Distributed Systems Principles and Paradigms》一書中，作者是這麼說的：

A distributed system is a collection of independent computers that appears to its users as a single coherent system.　　

　　可擴充套件性：分散式系統的根本目標就是為了處理單個計算機無法處理的任務，當任務增加的時候，分散式系統的處理能力需要隨之增加。簡單來說，要比較方便的通過增加機器來應對資料量的增長，同時，當任務規模縮減的時候，可以撤掉一些多餘的機器，達到動態伸縮的效果

　　可用性與可靠性：一般來說，分散式系統是需要長時間甚至7*24小時提供服務的。可用性是指系統在各種情況對外提供服務的能力，簡單來說，可以通過不可用時間與正常服務時間的必知來衡量；而可靠性而是指計算結果正確、儲存的資料不丟失。

　　高效能：不管是單機還是分散式系統，大家都非常關注效能。不同的系統對效能的衡量指標是不同的，最常見的：高併發，單位時間內處理的任務越多越好；低延遲：每個任務的平均時間越少越好。這個其實跟作業系統CPU的排程策略很像

　　一致性：分散式系統為了提高可用性可靠性，一般會引入冗餘（複製集）。那麼如何保證這些節點上的狀態一致，這就是分散式系統不得不面對的一致性問題。一致性有很多等級，一致性越強，對使用者越友好，但會制約系統的可用性；一致性等級越低，使用者就需要相容資料不一致的情況，但系統的可用性、併發性很高很多。

元件、理論、協議

回到頂部

　　假設這是一個對外提供服務的大型分散式系統，使用者連線到系統，做一些操作，產生一些需要儲存的資料，那麼在這個過程中，會遇到哪些元件、理論與協議呢

用一個請求串起來

　　使用者使用Web、APP、SDK，通過HTTP、TCP連線到系統。在分散式系統中，為了高併發、高可用，一般都是多個節點提供相同的服務。那麼，第一個問題就是具體選擇哪個節點來提供服務，這個就是負載均衡（load balance）。負載均衡的思想很簡單，但使用非常廣泛，在分散式系統、大型網站的方方面面都有使用，或者說，只要涉及到多個節點提供同質的服務，就需要負載均衡。

　　通過負載均衡找到一個節點，接下來就是真正處理使用者的請求，請求有可能簡單，也有可能很複雜。簡單的請求，比如讀取資料，那麼很可能是有快取的，即分散式快取，如果快取沒有命中，那麼需要去資料庫拉取資料。對於複雜的請求，可能會呼叫到系統中其他的服務。

　　承上，假設服務A需要呼叫服務B的服務，首先兩個節點需要通訊，網路通訊都是建立在TCP/IP協議的基礎上，但是，每個應用都手寫socket是一件冗雜、低效的事情，因此需要應用層的封裝，因此有了HTTP、FTP等各種應用層協議。當系統愈加複雜，提供大量的http介面也是一件困難的事情。因此，有了更進一步的抽象，那就是RPC（remote produce call），是的遠端呼叫就跟本地過程呼叫一樣方便，遮蔽了網路通訊等諸多細節，增加新的介面也更加方便。

　　一個請求可能包含諸多操作，即在服務A上做一些操作，然後在服務B上做另一些操作。比如簡化版的網路購物，在訂單服務上發貨，在賬戶服務上扣款。這兩個操作需要保證原子性，要麼都成功，要麼都不操作。這就涉及到分散式事務的問題，分散式事務是從應用層面保證一致性：某種守恆關係。

　　上面說道一個請求包含多個操作，其實就是涉及到多個服務，分散式系統中有大量的服務，每個服務又是多個節點組成。那麼一個服務怎麼找到另一個服務（的某個節點呢）？通訊是需要地址的，怎麼獲取這個地址，最簡單的辦法就是配置檔案寫死，或者寫入到資料庫，但這些方法在節點資料巨大、節點動態增刪的時候都不大方便，這個時候就需要服務註冊與發現：提供服務的節點向一個協調中心註冊自己的地址，使用服務的節點去協調中心拉取地址。

　　從上可以看見，協調中心提供了中心化的服務：以一組節點提供類似單點的服務，使用非常廣泛，比如命令服務、分散式鎖。協調中心最出名的就是chubby，zookeeper。

　　回到使用者請求這個點，請求操作會產生一些資料、日誌，通常為資訊，其他一些系統可能會對這些訊息感興趣，比如個性化推薦、監控等，這裡就抽象出了兩個概念，訊息的生產者與消費者。那麼生產者怎麼講訊息傳送給消費者呢，RPC並不是一個很好的選擇，因為RPC肯定得指定訊息發給誰，但實際的情況是生產者並不清楚、也不關心誰會消費這個訊息，這個時候訊息佇列就出馬了。簡單來說，生產者只用往訊息佇列裡面發就行了，佇列會將訊息按主題（topic）分發給關注這個主題的消費者。訊息佇列起到了非同步處理、應用解耦的作用。

　　上面提到，使用者操作會產生一些資料，這些資料忠實記錄了使用者的操作習慣、喜好，是各行各業最寶貴的財富。比如各種推薦、廣告投放、自動識別。這就催生了分散式計算平臺，比如Hadoop，Storm等，用來處理這些海量的資料。

　　最後，使用者的操作完成之後，使用者的資料需要持久化，但資料量很大，大到按個節點無法儲存，那麼這個時候就需要分散式儲存：將資料進行劃分放在不同的節點上，同時，為了防止資料的丟失，每一份資料會儲存多分。傳統的關係型資料庫是單點儲存，為了在應用層透明的情況下分庫分表，會引用額外的代理層。而對於NoSql，一般天然支援分散式。

一個簡化的架構圖

　　下面用一個不大精確的架構圖，儘量還原分散式系統的組成部分（不過只能體現出技術，不好體現出理論）

概念與實現

　　那麼對於上面的各種技術與理論，業界有哪些實現呢，下面進行簡單羅列。

　　當然，下面的這些實現，小部分我用過，知其所以然；大部分聽說過，知其然；還有一部分之前聞所未聞，分類也不一定正確，只是從其他文章抄過來的。羅列在這裡，以便日後或深或淺的學習。

• 負載均衡：

　　　　Nginx：高效能、高併發的web伺服器；功能包括負載均衡、反向代理、靜態內容快取、訪問控制；工作在應用層

　　　　LVS： Linux virtual server，基於叢集技術和Linux作業系統實現一個高效能、高可用的伺服器；工作在網路層

• webserver：

　　　　Java：Tomcat，Apache，Jboss

　　　　Python：gunicorn、uwsgi、twisted、webpy、tornado

• service：　　

　　　　SOA、微服務、spring boot，django

• 容器：

　　　　docker，kubernetes

• cache：

　　　　memcache、redis等

• 協調中心：

　　　　zookeeper、etcd等

　　　　zookeeper使用了Paxos協議Paxos是強一致性，高可用的去中心化分散式。zookeeper的使用場景非常廣泛，之後細講。

• rpc框架：

　　　　grpc、dubbo、brpc

　　　　dubbo是阿里開源的Java語言開發的高效能RPC框架，在阿里系的諸多架構中，都使用了dubbo + spring boot

• 訊息佇列：

　　　　kafka、rabbitMQ、rocketMQ、QSP

　　　　訊息佇列的應用場景：非同步處理、應用解耦、流量削鋒和訊息通訊

• 實時資料平臺：

　　　　storm、akka

• 離線資料平臺：

　　　　hadoop、spark

　　　　PS: apark、akka、kafka都是scala語言寫的，看到這個語言還是很牛逼的

• dbproxy：

　　　　cobar也是阿里開源的，在阿里系中使用也非常廣泛，是關係型資料庫的sharding + replica 代理

• db：

　　　　mysql、oracle、MongoDB、HBase

• 搜尋：

　　　　elasticsearch、solr

• 日誌：

　　　　rsyslog、elk、flume

總結

回到頂部

　　寫這篇文章，我曾在網路上搜索過“如何學習分散式系統”，但實話說，沒有很認同的答案。也許，這確實是一個難以回答的問題。於是，我想自己寫出一個答案，但寫完這篇文章，感覺自己的回答也很混亂，也沒有說清楚，不過對我自己還是有一些指導意義的，比如，理清了分散式系統中會遇到的各種技術、理論、協議，以及通過一個例子展示他們是如何協作的，接下來就是各個擊破了。

　　網上的諸多回答，上來就是看各種論文，google三大件、paxos什麼的，個人覺得不是很實用。更好的過程，是先有一個整體的把握，然後自己思考會有什麼問題，帶著問題去尋求答案，在尋求答案的時候再去看論文。

　　另外，也有很多人提到，掌握好計算機基礎知識，如作業系統、計算機網路，對學習分散式系統是大有裨益的，這一點我很贊同。分散式系統解決問題的思路是早就有的，很多都是前人研究透的問題，思想都是相同的。比如函數語言程式設計中的map reduce之於Hadoop的MapReduce，比如磁碟儲存的raid之於Partition與Replication，比如IPC之於訊息佇列。

references

回到頂部

劉傑：分散式原理介紹

本文版權歸作者xybaby（博文地址：http://www.cnblogs.com/xybaby/）所有，歡迎轉載和商用，請在文章頁面明顯位置給出原文連結並保留此段宣告，否則保留追究法律責任的權利，其他事項，可留言諮詢。