寫在前面
在當今信息爆炸的時代，單臺計算機已經無法負載日益增長的業務發展，雖然也有性能強大的超級計算機，但是這種高端機不僅費用高昂，也不靈活，一般的企業是負擔不起的，而且也損失不起，那麼將一群廉價的普通計算機組合起來，讓它們協同工作就像一臺超級計算機一樣地對外提供服務，就成了順其自然的設想，但是這又增加了軟件的複雜度，要求開發的軟件需要具備橫向擴展能力，比如：Kafka、Elasticsearch、Zookeeper等就屬於這一類軟件，它們天生都是"分佈式的"，即可以通過添加機器節點來共同地分攤數據存儲和負載壓力。
為什麼需要集群？
分佈在不同區域的計算機，彼此之間通過網絡建立通信，相互協作作為一個整體對外提供服務，這就是集群，如果我們開發的系統具備這樣的能力，那麼理論上就具備無限橫向擴容的能力，系統的吞吐量就會隨著機器數增加而增長，那麼未來當系統出現高負載的時候，就可以很好地應對這種情況。
為什麼CAP不能同時滿足？
通過上面分析，我們知道實現集群，其實就是採用多臺計算機來共同承擔和負載系統壓力，那麼就涉及到多臺計算機需要參與一起處理數據，為了保證可用性，一般都會在每臺計算機上備份一份數據，這樣只要有一個節點保持同步狀態，那麼數據就不會丟失，比如kafka分區多副本、Elasticsearch的副本分片，由於同一數據塊及其副本位於不用的機器，隨著時間的推移，再加上不可靠的網絡通信，所有機器上的數據必然會不完全一致，這個時候假如發生一種極端情況，所有的機器宕機了，又如何保證數據不丟失呢（其實只有兩種方法）？
- 保證可用性：選擇第一臺恢復正常服務的機器（不一定擁有全部數據）作為可信的數據來源，快速恢復集群，即停機時間優於同步。
- 保證數據一致性：等待第一臺擁有全部數據的機器恢復正常，再恢復集群，即同步優於停機時間，比如禁用kafka的unclean leader選舉機制就是這種策略。
其實當大多數機器不可用時，就需要在可用性和一致性之間進行妥協了，所以另一個更符合分佈式系統的Base理論又被創造出來了。
如何解決分佈式存儲問題？
當由多臺計算機組成的集群對外提供服務時，其實就是對外提供讀、寫的能力。
1.數據塊技術（data block）
為了將數據合理、均勻地寫到各個機器上，提高集群寫能力；為了將讀請求負載均衡到不同的節點，提高集群的讀能力；為了解耦數據存儲和物理節點，提高分佈式讀寫並行處理的能力，聰明的工程師引入了一個邏輯數據存儲單位，統稱為數據塊，比如Kafka的分區(partion)、Elasticsearch的分片(shard)，這樣的虛擬化大大提高了集群讀寫的靈活性。
2.協調節點（coordination node）
實際上當集群作為一個整體處理數據時，可能每一個節點都會收到讀寫請求，但是數據又是分散在不同的節點上，所以就需要每個節點都清楚地知道集群中任意一個數據塊的位置，然後再將請求轉發到相應的節點，這就是“協調節點”的工作。比如：Elasticsearch的master節點管理集群範圍內的所有變更，主分片管理數據塊範圍內的所有變更。
3.大多數投票機制（quorum）
百度百科：quorum，翻譯法定人數，指舉行會議、通過議案、進行選舉或組織某種專門機構時，法律所規定的必要人數，未達法定人數無效。
由於網絡分區的存在，這個機制被廣泛地應用於分佈式系統中，比如集群節點之間選舉Master；數據塊之間選舉Header等；在分佈式存儲中，也被稱為Quorum讀寫機制，即寫入的時候，保證大多數節點都寫入成功（一般的做法會選舉一個主數據塊(header)，保證它寫成功，然後再同步到冗餘的副本數據塊）；讀取的時候保證讀取大多數節點的數據（一般的做法是由協調節點分發請求到不同的節點，然後將所有檢索到的數據進行全局彙總排序後再返回）；由於讀寫都是大多數，那麼中間肯定存在最新的重疊數據，這樣就能保證一定能讀到最新的數據。
從上面分析可以得出，只要大多數節點處於活躍可用狀態，那麼整個集群的可用性就不會受到影響；只要大多數據塊處於活躍可用的狀態，那麼就能持續地提供讀寫服務；只要有一個數據塊完成了同步狀態，那麼數據就不會丟失；這其實就是通過一種冗餘機制來嘗試處理fail/recover模式的故障，通俗點講就是容忍單點故障，至少需要部署3個節點；容忍2點故障，至少需要部署5個節點，機器節點越多分區容忍性就越強，即通過增加機器數來降低由於機器故障影響服務的概率，頓悟了吧，嘿嘿，所以保證集群可用的前提就是有奇數個節點、奇數個數據塊保持活躍可用狀態，不然就無法選舉出master或header。
大多數投票機制運用起來也非常靈活，當分佈式系統追求強一致性時，需要等待所有的數據快及其副本全部寫入成功才算完成一次寫操作，即寫全部(write all)，可以理解一種事務保證，要麼全部寫入，要麼一個都不寫入，比如：kafka從0.11.0.0 版本開始， 當producer發送消息到多個topic partion時，就運用了這種機制，來保證消息交付的exactly-once語義，是不是很帥，而且這種情況下，從任意一個節點都能讀到最新的數據，讀性能最高；當分佈式系統追求最終一致性時，只需等待主數據塊(leader)寫入成功即可，再由主數據塊通過消息可達的方式同步到副本數據塊。
為了能夠滿足不同場景下對數據可靠性和系統吞吐量的要求，最大化數據持久性和系統可用性，很多組件都提供了配置項，允許用戶定義這個大多數的法定數量，下面我們就來談談一些常用組件的配置：
Elasticsearch
由上圖可以看到，整個集群由三個運行了Elasticsearch實例的節點組成，有兩個主分片，每個分片又有兩個副分片，總共有6個分片拷貝，Elasticsearch內部自動將相同的分片放到了不同的節點，非常合理和理想。
當我們新建一個文檔時：
- 客戶端向 Node 1 發送新建文檔的寫請求。
- 節點使用文檔的 _id 確定文檔屬於分片 0 。請求會被轉發到 Node 3，因為分片 0 的主分片目前被分配在 Node 3 上。
- Node 3 在主分片上面執行請求。如果成功了，它將請求並行轉發到 Node 1 和 Node 2 的副本分片上。一旦所有的副本分片都報告成功, Node 3 將向協調節點報告成功，協調節點向客戶端報告成功。
這就是Elasticsearch處理寫請求的典型步驟順序，同時每種業務場景對數據可靠性的要求和系統性能也不一樣，所以Elasticsearch提供了Consistence配置項：
- one：主分片處於活躍可用狀態就可以處理寫請求。
系統吞吐量最高，但數據可能會丟失，對數據可靠性要求不是很高的場景非常適合，比如實時的時序數據處理（日誌）。
- all：主分片和所有副本分片處於活躍可用狀態才允許處理寫請求。
系統吞吐量最低，但數據不會丟失。處理關鍵的業務數據非常合適。
- quorum：必須有大多數的分片拷貝處於活躍可用狀態才允許處理寫請求。
平衡系統吞吐量和數據可靠性，一般業務系統都使用這個配置。
Kafka
當向Kafka 寫數據時，producers可以通過設置ack來自定義數據可靠性的級別：
- 0：不等待broker返回確認消息。
- 1: leader保存成功返回。
- -1(all): 所有備份都保存成功返回。
備註：默認情況下，為了保證分區的最大可用性，當acks=all時，只要ISR集合中的副本分區寫入成功，kafka就會返回消息寫入成功。如果要真正地保證寫全部(write all)，那麼我們需要更改配置transaction.state.log.min.isr來指定topic最小的ISR集合大小，即設置ISR集合長度等於topic的分區數。
如果所有的節點都掛掉，還有Unclean leader選舉機制的保證，建議大家下去閱讀kafka《官方指南》設計部分，深入理解kafka是如何通過引入ISR集合來變通大多數投票機制，從而更好地保證消息交付的不同語義。
什麼是集群腦裂？
對於分佈式系統，自動處理故障的關鍵就是能夠精準地知道節點的存活狀態(alive)。有時候，節點不可用，不一定就是其本身掛掉了，極有可能是暫時的網絡故障；在這種情況下，如果馬上選舉一個master節點，那麼等到網絡通信恢復正常的時候，豈不是同時存在兩個master，這種現象被形象地稱為“集群腦裂”，先留給大家下去思考吧。呵呵，明天要早起，碎覺了，大家晚安。
備註：設計一個正在高可用的分佈式系統，需要考慮的故障情況往往會很複雜，大多數組件都只是處理了fail/recover模式的故障，即容忍一部分節點不可用，然後等待恢復；並沒有處理拜占庭故障(Byzantine)，即節點間的信任問題，也許區塊鏈可以解決吧，大家可以下去多多研究，然後我們一起討論，共同學習，一起進步。
補充：大多數投票機制的優缺點
優點
大多數投票機制延遲取決於最快的服務器，即等待數據備份完成的等待時間取決於最快的follower，比如副本因子是3，header佔據1位，再有1位最快的follower同步完成，就滿足大多數了。
缺點
大多數(n+1)的節點掛掉就無法選舉leader，從而整個集群徹底失去可用性，比如：為了冗餘單點故障，通常需要三個節點備份數據，但是當其中兩臺掛掉時，整個集群就掛了。僅僅靠冗餘數據來避免單點故障是不夠，通常對磁盤空間需求量為2n+1倍，相應地也會導致寫吞吐量下降2n+1倍，這種高昂的存儲方式並不適合存儲原始數據，這就是為什麼quorum算法更適合共享集群配置數據，如zookeeper，這也是kafka為什麼要引入一個同步狀態備份集合(ISR)，通過降低所需的備份數據而帶來額外的吞吐量和磁盤空間，從而提高kafka處理海量實時數據的能力。
分享自: https://www.cnblogs.com/heyue0117/p/12164076.html
閱讀更多 咔咔侃技術 的文章
