分布式系统是一个硬件或软件组件分布在不同的网络计算机上，彼此之间仅仅通过消息传递进行通信和协调的系统。
发展历程
-
入口级负载均衡
-
网关负载均衡
-
客户端负载均衡
-
-
单应用架构
-
-
应用服务和数据服务分离
-
应用服务集群
-
应用服务中心化SAAS
-
-
数据库主备读写分离
-
全文搜索引擎加快数据统计
-
缓存集群缓解数据库读压力
-
分布式消息中间件缓解数据库写压力
-
数据库水平拆分适应微服务
-
数据库垂直拆分解决慢查询
-
-
划分上下文拆分微服务
-
服务注册发现（Eureka、Nacos）
-
配置动态更新（Config、Apollo）
-
业务灰度发布（Gateway、Feign）
-
统一安全认证（Gateway、Auth）
-
服务降级限流（Hystrix、Sentinel）
-
接口检查监控（Actuator、Prometheus）
-
服务全链路追踪（Sleuth、Zipkin）
-
CAP
-
一致性（2PC、3PC、Paxos、Raft）
-
强一致性：数据库一致性，牺牲了性能
-
-
-
ACID：原子性、一致性、隔离性、持久性
-
-
-
弱一致性：数据库和缓存，延迟双删、重试
-
单调读一致性：缓存一致性，ID或者IP哈希
-
最终一致性：边缘业务，消息队列
-
-
可用性（多级缓存、读写分离）
-
BASE 基本可用：限流导致响应速度慢、降级导致用户体验差
-
-
-
Basically Availabe 基本可用
-
Soft state 软状态
-
Eventual Consistency 最终一致性
-
-
-
分区容忍性（一致性Hash解决扩缩容问题）
一致性
XA方案
2PC协议：两阶段提交协议，P是指准备阶段，C是指提交阶段 -
准备阶段：询问是否可以开始，写Undo、Redo日志，收到响应； -
提交阶段：执行Redo日志进行Commit，执行Undo日志进行Rollback；
3PC协议：将提交阶段分为CanCommit、PreCommit、DoCommit三个阶段 CanCommit：发送canCommit请求，并开始等待； PreCommit：收到全部Yes，写Undo、Redo日志。超时或者No，则中断； DoCommit：执行Redo日志进行Commit，执行Undo日志进行Rollback； -
区别是第二步，参与者自身增加了超时，如果失败可以及时释放资源。 Paxos算法
如何在一个发生异常的分布式系统中，快速且正确地在集群内部对某个数据的值达成一致。 参与者（例如Kafka）的一致性可以由协调者（例如Zookeeper）来保证，协调者的一致性就只能由Paxos保证了 Paxos算法中的角色： -
Client：客户端、例如，对分布式文件服务器中文件的写请求。 -
Proposer：提案发起者，根据Accept返回选择最大N对应的V，发送[N+1,V] -
Acceptor：决策者，Accept以后会拒绝小于N的提案，并把自己的[N,V]返回给Proposer -
Learners：最终决策的学习者、学习者充当该协议的复制因素
-
-
//算法约束P1:一个Acceptor必须接受它收到的第一个提案。 //考虑到半数以上才作数，一个Accpter得接受多个相同v的提案P2a:如果某个v的提案被accept，那么被Acceptor接受编号更高的提案必须也是vP2b:如果某个v的提案被accept，那么从Proposal提出编号更高的提案必须也是v//如何确保v的提案Accpter被选定后，Proposal都能提出编号更高的提案呢针对任意的[Mid,Vid]，有半数以上的Accepter集合S，满足以下二选一：S中接受的提案都大于Mid S中接受的提案若小于Mid，编号最大的那个值为Vid
面试题：如何保证Paxos算法活性 假设存在这样一种极端情况，有两个Proposer依次提出了一系列编号递增的提案，导致最终陷入死循环，没有value被选定： -
通过选取主Proposer，规定只有主Proposer才能提出议案。只要主Proposer和过半的Acceptor能够正常网络通信，主Proposer提出一个编号更高的提案，该提案终将会被批准；
-
每个Proposer发送提交提案的时间设置为一段时间内随机，保证不会一直死循环；
Raft算法
Raft 是一种为了管理复制日志的一致性算法 Raft使用心跳机制来触发选举。当server启动时，初始状态都是follower。每一个server都有一个定时器，超时时间为election timeout（一般为150-300ms），如果某server没有超时的情况下收到来自领导者或者候选者的任何消息，定时器重启，如果超时，它就开始一次选举。 -
Leader异常：异常期间Follower会超时选举，完成后Leader比较彼此步长 Follower异常：恢复后直接同步至Leader当前状态 多个Candidate：选举时失败，失败后超时继续选举 数据库和Redis的一致性
全量缓存保证高效读取 - 所有数据都存储在缓存里，读服务在查询时不会再降级到数据库里，所有的请求都完全依赖缓存。此时，因降级到数据库导致的毛刺问题就解决了。但全量缓存并没有解决更新时的分布式事务问题，反而把问题放大了。因为全量缓存对数据更新要求更加严格，要求所有数据库已有数据和实时更新的数据必须完全同步至缓存，不能有遗漏。对于此问题，一种有效的方案是采用订阅数据库的 Binlog 实现数据同步。
-
现在很多开源工具（如阿里的 Canal等）可以模拟主从复制的协议。通过模拟协议读取主数据库的 Binlog 文件，从而获取主库的所有变更。对于这些变更，它们开放了各种接口供业务服务获取数据。
-
将 Binlog 的中间件挂载至目标数据库上，就可以实时获取该数据库的所有变更数据。对这些变更数据解析后，便可直接写入缓存里。优点还有： -
大幅提升了读取的速度，降低了延迟；
-
Binlog 的主从复制是基于 ACK 机制， 解决了分布式事务的问题； 如果同步缓存失败了，被消费的 Binlog 不会被确认，下一次会重复消费，数据最终会写入缓存中；
缺点不可避免：1、增加复杂度 2、消耗缓存资源 3、需要筛选和压缩数据 4、极端情况数据丢失； -
-
可以通过异步校准方案进行补齐，但是会损耗数据库性能。但是此方案会隐藏中间件使用错误的细节，线上环境前期更重要的是记录日志排查再做后续优化，不能本末倒置。 可用性
心跳检测
以固定的频率向其他节点汇报当前节点状态的方式。收到心跳，说明网络和节点的状态是健康的。心跳汇报时，一般会携带一些附加的状态、元数据，以便管理。 周期检测心跳机制：超时未返回 累计失效检测机制：重试超次数 多机房实时热备
两套缓存集群可以分别部署到不同城市的机房。读服务也相应地部署到不同城市或不同分区。在承接请求时，不同机房或分区的读服务只依赖同样属性的缓存集群。此方案有两个好处。 -
提升了性能。读服务不要分层，读服务要尽可能地和缓存数据源靠近。
-
增加了可用。当单机房出现故障时，可以秒级将所有流量都切换至存活的机房或分区。
此方案虽然带来了性能和可用性的提升，但代价是资源成本的上升。 分区容错性
分布式系统对于错误包容的能力 通过限流、降级、兜底、重试、负载均衡等方式增强系统的健壮性 日志复制
-
Leader把指令添加到日志中，发起 RPC 给其他的服务器，让他们复制这条信息；
-
Leader会不断的重试，直到所有的 Follower响应了ACK并复制了所有的日志条目；
-
通知所有的Follower提交，同时Leader该表这条日志的状态，并返回给客户端；
主备（Master-Slave）
主机宕机时，备机接管主机的一切工作，主机恢复正常后，以自动（热备）或手动（冷备）方式将服务切换到主机上运行，Mysql和Redis中常用。 MySQL之间数据复制的基础是二进制日志文件（binary log fifile）。它的数据库中所有操作都会以“事件”的方式记录在二进制日志中，其他数据库作为slave通过一个I/O线程与主服务器保持通信，并监控master的二进制日志文件的变化，如果发现master二进制日志文件发生变化，则会把变化复制到自己的中继日志中，然后slave的一个SQL线程会把相关的“事件”执行到自己的数据库中，以此实现从数据库和主数据库的一致性，也就实现了主从复制。 互备（Active-Active）
指两台主机同时运行各自的服务工作且相互监测情况。在数据库高可用部分，常见的互备是MM模 式。MM模式即Multi-Master模式，指一个系统存在多个master，每个master都具有read-write能力，会根据时间戳或业务逻辑合并版本。 集群（Cluster）模式
是指有多个节点在运行，同时可以通过主控节点分担服务请求。如Zookeeper。集群模式需要解决主控节点本身的高可用问题，一般采用主备模式。 分布式事务
XA方案
两阶段提交 | 三阶段提交 -
准备阶段的资源锁定，存在性能问题，严重时会造成死锁问题；
-
提交事务请求后，出现网络异常，部分数据收到并执行，会造成一致性问；
TCC方案
Try Confirm Cancel / 短事务 -
Try 阶段：这个阶段说的是对各个服务的资源做检测以及对资源进行锁定或者预留；
-
Confirm 阶段：这个阶段说的是在各个服务中执行实际的操作；
-
Cancel 阶段：如果任何一个服务的业务方法执行出错，那么就需要进行补偿/回滚；
Saga方案
事务性补偿 / 长事务 -
流程长、流程多、调用第三方业务
本地消息表（eBay）
MQ最终一致性
比如阿里的 RocketMQ 就支持消息事务（核心：双端确认，重试幂等） -
A(订单) 系统先发送一个 prepared 消息到 mq，prepared 消息发送失败则取消操作不执行了；
-
发送成功后，那么执行本地事务，执行成功和和失败发送确认和回滚消息到mq；
-
如果发送了确认消息，那么此时 B**(仓储)** 系统会接收到确认消息，然后执行本地的事务；
-
mq 会自动定时轮询所有 prepared 消息回调的接口，确认事务执行状态；
-
B 的事务失败后自动不断重试直到成功，达到一定次数后发送报警由人工来手工回滚和补偿；
最大努力通知方案（订单 -> 积分）
-
系统 A 本地事务执行完之后，发送个消息到 MQ；
-
这里会有个专门消费 MQ 的最大努力通知服务，接着调用系统 B 的接口；
-
要是系统 B 执行失败了，就定时尝试重新调用系统 B，反复 N 次，最后还是不行就放弃；
你找一个严格资金要求绝对不能错的场景，你可以说你是用的 TCC 方案； 如果是一般的分布式事务场景，例如积分数据，可以用可靠消息最终一致性方案。 如果分布式场景允许不一致，可以使用最大努力通知方案。 面试题
分布式Session实现方案
-
基于JWT的Token，数据从cache或者数据库中获取；
-
基于Tomcat的Redis，简单配置conf文件；
-
基于Spring的Redis，支持SpringCloud和Springboot；
-
-
来源
没有回复内容