在一個分布式計算系統中，為了保證數據的一致性需要對數據進行一致性快照。Flink和spark在做流失計算的時候都借鑒了chandy-lamport算法的原理，這篇文章就是對chandy-lamport算法原理的詳細介紹。

考慮一個分布式計算系統。

其中有兩個節點，也就是兩個進程，p和q，s0，s1對應的是兩個狀態。token是一個令牌，全局只有一個，進程之間互相發送令牌。s0對應的狀態就是進程不持有令牌，s1對應的狀態就是進程持有令牌。兩個進程間的連線代表消息隊列，token有可能處於消息隊列之中，這時候兩個進程都不擁有令牌，也就是都是s0狀態。這個分布式系統就這件循環地傳送令牌。

由於進程是可能崩潰的，我們需要保證在進程崩潰重啟後，系統仍然能夠正常運行，或者說我們要從某個檢查點恢復程序的運行狀態，這時就需要將系統在某個時間點的狀態保存起來。也就是說我們需要對分布式系統進行一次快照存儲，保存每個節點在當時的狀態以及每個消息隊列在當時的狀態。舉個例子，假如在上圖右上角的時刻對系統進行一個快照存儲，那麽對應的狀態就是：

假如程序在此時崩潰了，那麽在重啟之後，就可以恢復到保存的快照狀態繼續執行。

可是由於p和q是兩個進程，時間不同步，假如p進程在發送token之後進行了快照存儲，q進程在p發送token之前進行快照存儲，那麽就會出現這種情況：

1：p進程保存快照的時候由於p進程已經發送了token，token在q進程的隊列中，所以p進程保存快照時認定token不在p進程也不在p進程的接收隊列中。

2：q進程保存快照時由於比p進程早一些，此時p進程還沒有發送token，因此q進程認定token不在q進程也不在q進程的接收隊列中。

這樣保存的全局快照裏發現token消失不見了。

為了解決這問題，chamdy-lamport算法提出了marker消息的概念：

在上圖右上角中p發送完token後發起一次快照，發送marker給q，q接收到marker消息，保存本地狀態，由於隊列FIFO，所以q接收marker消息時肯定已經接收到了token，所以q保存自己狀態為s1，保存p->q狀態為empty，然後q發送marker給p，p接收到marker，檢查在p保存狀態後有沒有收到q的消息，由於沒有收到，所以保存q->p隊列的狀態為空。到此一輪快照保存結束，全局的狀態為：

這個全局狀態就對應的是上圖右下角的狀態，此時全局的一致性狀態保存成功。

以上只是一個簡單的例子，實際上chandy-lamport對算法的正確性有嚴格的公式推導，感興趣可以參考https://lamport.azurewebsites.net/pubs/chandy.pdf

chandy-lamport 分布式一致性快照 算法詳細介紹