分布式一致性算法：Raft 算法
由于微信字數的限制，此處給出的并非全文，請拉到頁面最下方點擊閱讀原文查看完整版。
Raft 算法是可以用來替代 Paxos 算法的分布式一致性算法，而且 raft 算法比 Paxos 算法更易懂且更容易實現。本文對 raft 論文進行翻譯，希望能有助于讀者更方便地理解 raft 的思想。如果對 Paxos 算法感興趣，可以看我的另一篇文章：分布式系列文章——Paxos算法原理與推導
摘要
Raft 是用來管理復制日志（replicated log）的一致性協議。它跟 multi-Paxos 作用相同，效率也相當，但是它的組織結構跟 Paxos 不同。這使得 Raft 比 Paxos 更容易理解并且更容易在工程實踐中實現。為了使 Raft 協議更易懂，Raft 將一致性的關鍵元素分開，如 leader 選舉、日志復制和安全性，并且它實施更強的一致性以減少必須考慮的狀態(tài)的數量。用戶研究的結果表明，Raft 比 Paxos 更容易學習。 Raft 還包括一個用于變更集群成員的新機制，它使用重疊的大多數（overlapping majorities）來保證安全性。
1 介紹
一致性算法允許多臺機器作為一個集群協同工作，并且在其中的某幾臺機器出故障時集群仍然能正常工作。 正因為如此，一致性算法在建立可靠的大規(guī)模軟件系統方面發(fā)揮了關鍵作用。 在過去十年中，Paxos [15,16] 主導了關于一致性算法的討論：大多數一致性的實現都是基于 Paxos 或受其影響，Paxos 已成為用于教授學生一致性相關知識的主要工具。
不幸的是，Paxos 實在是太難以理解，盡管許多人一直在努力嘗試使其更易懂。 此外，其架構需要復雜的改變來支持實際系統。 結果是，系統開發(fā)者和學生都在與 Paxos 斗爭。
在我們自己與 Paxos 斗爭之后，我們開始著手尋找一個新的一致性算法，可以為系統開發(fā)和教學提供更好的基礎。 我們的方法是不尋常的，因為我們的主要目標是可理解性：我們可以為實際系統定義一個一致性算法，并以比 Paxos 更容易學習的方式描述它嗎？在該算法的設計過程中，重要的不僅是如何讓該算法起作用，還有清晰地知道該算法為什么會起作用。
這項工作的結果是一個稱為 Raft 的一致性算法。 在設計 Raft 時，我們使用了特定的技術來提高可理解性，包括分解（Raft 分離 leader 選舉，日志復制和安全）和狀態(tài)空間減少（相對于 Paxos ，Raft 減少了不確定性程度和服務器之間彼此不一致的方式 ）。 一項針對兩個大學的 43 名學生的用戶研究表明，Raft 比 Paxos 更容易理解：在學習兩種算法后，其中 33 名學生能夠更好地回答關于 Raft 的問題。
Raft 在許多方面類似于現有的一致性算法（尤其是 Oki 和 Liskov 的 Viewstamped Replication [29,22]），但它有幾個新特性：
Strong leader：在 Raft 中，日志條目（log entries）只從 leader 流向其他服務器。 這簡化了復制日志的管理，使得 raft 更容易理解。
Leader 選舉：Raft 使用隨機計時器進行 leader 選舉。 這只需在任何一致性算法都需要的心跳（heartbeats）上增加少量機制，同時能夠簡單快速地解決沖突。
成員變更：Raft 使用了一種新的聯合一致性方法，其中兩個不同配置的大多數在過渡期間重疊。 這允許集群在配置更改期間繼續(xù)正常運行。
我們認為，Raft 優(yōu)于 Paxos 和其他一致性算法，不僅在教學方面，在工程實現方面也是。 它比其他算法更簡單且更易于理解; 它被描述得十分詳細足以滿足實際系統的需要; 它有多個開源實現，并被多家公司使用; 它的安全性已被正式規(guī)定和驗證; 它的效率與其他算法相當。
本文的剩余部分介紹了復制狀態(tài)機問題（第 2 節(jié)），討論了 Paxos 的優(yōu)點和缺點（第3節(jié)），描述了我們實現易理解性的方法（第 4 節(jié)），提出了 Raft 一致性算法（第 5-8 節(jié)），評估 Raft（第 9 節(jié)），并討論了相關工作（第 10 節(jié)）。
2 復制狀態(tài)機
一致性算法是在復制狀態(tài)機[37]的背景下產生的。 在這種方法中，一組服務器上的狀態(tài)機計算相同狀態(tài)的相同副本，并且即使某些服務器宕機，也可以繼續(xù)運行。
復制狀態(tài)機用于解決分布式系統中的各種容錯問題。 例如，具有單個 leader 的大規(guī)模系統，如 GFS [8]，HDFS [38] 和 RAMCloud [33] ，通常使用單獨的復制狀態(tài)機來進行 leader 選舉和存儲 leader 崩潰后重新選舉需要的配置信息。Chubby [2] 和 ZooKeeper [11] 都是復制狀態(tài)機。
復制狀態(tài)機通常使用復制日志實現，如圖 1 所示。每個服務器存儲一個包含一系列命令的日志，其狀態(tài)機按順序執(zhí)行日志中的命令。 每個日志中命令都相同并且順序也一樣，因此每個狀態(tài)機處理相同的命令序列。 這樣就能得到相同的狀態(tài)和相同的輸出序列。
一致性算法的工作就是保證復制日志的一致性。 每臺服務器上的一致性模塊接收來自客戶端的命令，并將它們添加到其日志中。 它與其他服務器上的一致性模塊通信，以確保每個日志最終以相同的順序包含相同的命令，即使有一些服務器失敗。 一旦命令被正確復制，每個服務器上的狀態(tài)機按日志順序處理它們，并將輸出返回給客戶端。 這樣就形成了高可用的復制狀態(tài)機。
實際系統中的一致性算法通常具有以下屬性：
它們確保在所有非拜占庭條件下（包括網絡延遲，分區(qū)和數據包丟失，重復和亂序）的安全性（不會返回不正確的結果）。
只要任何大多數（過半）服務器都可以運行，并且可以相互通信和與客戶通信，一致性算法就可用。 因此，五臺服務器的典型集群可以容忍任何兩臺服務器的故障。 假設服務器突然宕機，它們可以稍后從狀態(tài)恢復并重新加入群集。
它們不依賴于時序來確保日志的一致性：錯誤的時鐘和極端消息延遲在最壞的情況下會導致可用性問題（譯者注：言外之意是可以保證一致性）。
在通常情況下，只要集群的大部分（過半服務器）已經響應了單輪遠程過程調用，命令就可以完成; 少數（一半以下）慢服務器不會影響整個系統性能。
3 Paxos 存在的問題
在過去十年里，Leslie Lamport 的 Paxos 協議[15]幾乎成為一致性的同義詞：它是課堂上教授最多的一致性協議，并且大多數一致性的實現也以它為起點。 Paxos 首先定義了能夠在單個決策（例如單個復制日志條目）上達成一致的協議。 我們將這個子集稱為 single-decree Paxos。 然后 Paxos 組合該協議的多個實例以促進一系列決策，例如日志（multi-Paxos）。 Paxos能夠確保安全性和活性，并且支持集群成員的變更。它的正確性已被證明，并且在正常情況下是高效的。
不幸的是，Paxos 有兩個顯著的缺點。 第一個缺點是 Paxos 非常難以理解。 Paxos 的描述晦澀難懂，臭名昭著（譯者注：《The Part-time Parliament》比較晦澀難懂，但是《Paxos Made Simple》就比較容易理解）; 很少有人成功地理解它，即使能理解也必須付出巨大的努力。 因此，已有幾個嘗試用更簡單的方式來描述 Paxos [16,20,21] 。 這些描述集中在 single-degree Paxos ，但它們仍然具有挑戰(zhàn)性。 在對 NSDI 2012 參會者的非正式調查中，我們發(fā)現很少有人喜歡 Paxos ，即使是經驗豐富的研究人員。 我們自己也跟 Paxos 進行了艱苦的斗爭; 我們也無法完全理解整個協議，直到閱讀了幾個更簡單的描述和自己設計替代 Paxos 的協議，整個過程花了將近一年。
Paxos 晦澀難懂的原因是作者選擇了single-degree Paxos作為基礎。Single-decree Paxos 分成兩個階段，這兩個階段沒有簡單直觀的說明，并且不能被單獨理解。因此，很難理解為什么該算法能起作用。Multi-Paxos 的合成規(guī)則又增加了許多復雜性。我們相信，對多個決定（日志而不是單個日志條目）達成一致的總體問題可以用其他更直接和更明顯的方式進行分解。
Paxos的第二個問題是它不能為構建實際的實現提供良好的基礎。 一個原因是沒有針對 multi-Paxos 的廣泛同意的算法。 Lamport的描述主要是關于 single-decree Paxos; 他描述了 multi-Paxos 的可能方法，但缺少許多細節(jié)。 已經有幾個嘗試來具體化和優(yōu)化 Paxos ，例如[26]，[39]和[13]，但這些彼此各不相同并且跟 Lamport 描述的也不同。 像Chubby [4] 這樣的系統已經實現了類 Paxos（Paxos-like）算法，但大多數情況下，它們的細節(jié)并沒有公布。
此外，Paxos 的架構對于構建實際系統來說是一個糟糕的設計，這是 single-decree 分解的另一個結果。 例如，獨立地選擇日志條目集合，然后再將它們合并到順序日志中幾乎沒有任何好處，這只會增加復雜性。 圍繞日志設計系統是更簡單和有效的方法，新日志條目按照約束順序地添加到日志中。 Paxos 的做法適用于只需要做一次決策的情況，如果需要做一系列決策，更簡單和快速的方法是先選擇一個 leader ，然后讓該 leader 協調這些決策。
因此，實際的系統跟 Paxos 相差很大。幾乎所有的實現都是從 Paxos 開始，然后發(fā)現很多實現上的難題，接著就開發(fā)了一種和 Paxos 完全不一樣的架構。這樣既費時又容易出錯，而且 Paxos 本身晦澀難懂使得該問題更加嚴重。Paxos 的公式可能可以很好地證明它的正確性，但是現實的系統和 Paxos 差別是如此之大，以至于這些證明并沒有什么太大的價值。下面來自 Chubby 作者的評論非常典型：
在Paxos算法描述和實現現實系統之間有著巨大的鴻溝。最終的系統往往建立在一個還未被證明的協議之上。
由于以上問題，我們得出的結論是 Paxos 算法沒有為系統實踐和教學提供一個良好的基礎?？紤]到一致性問題在大規(guī)模軟件系統中的重要性，我們決定嘗試設計一個能夠替代 Paxos 并且具有更好特性的一致性算法。Raft算法就是這次實驗的結果。
4 為可理解性而設計
在設計 Raft 算法過程中我們有幾個目標：它必須提供一個完整的實際的系統實現基礎，這樣才能大大減少開發(fā)者的工作；它必須在任何情況下都是安全的并且在典型的應用條件下是可用的；并且在正常情況下是高效的。但是我們最重要的目標也是最大的挑戰(zhàn)是可理解性。它必須保證能夠被大多數人容易地理解。另外，它必須能夠讓人形成直觀的認識，這樣系統的構建者才能夠在現實中進行擴展。
在設計 Raft 算法的時候，很多情況下我們需要在多個備選方案中進行選擇。在這種情況下，我們基于可理解性來評估備選方案：解釋各個備選方案的難道有多大（例如，Raft 的狀態(tài)空間有多復雜，是否有微妙的含義）？對于一個讀者而言，完全理解這個方案和含義是否容易？
我們意識到這樣的分析具有高度的主觀性；但是我們使用了兩種通用的技術來解決這個問題。第一個技術就是眾所周知的問題分解：只要有可能，我們就將問題分解成幾個相對獨立的，可被解決的、可解釋的和可理解的子問題。例如，Raft 算法被我們分成 leader 選舉，日志復制，安全性和成員變更幾個部分。
我們使用的第二個方法是通過減少狀態(tài)的數量來簡化狀態(tài)空間，使得系統更加連貫并且盡可能消除不確定性。特別的，所有的日志是不允許有空洞的，并且 Raft 限制了使日志之間不一致的方式。盡管在大多數情況下我們都試圖去消除不確定性，但是在某些情況下不確定性可以提高可理解性。特別是，隨機化方法雖然引入了不確定性，但是他們往往能夠通過使用相近的方法處理可能的選擇來減少狀態(tài)空間。我們使用隨機化來簡化 Raft 中的 leader 選舉算法。
5 Raft 一致性算法
Raft 是一種用來管理第 2 節(jié)中描述的復制日志的算法。圖 2 是該算法的濃縮，可用作參考，圖 3 列舉了該算法的一些關鍵特性。圖中的這些內容將在剩下的章節(jié)中逐一介紹。
Raft 通過首先選舉一個 distinguished leader，然后讓它全權負責管理復制日志來實現一致性。Leader 從客戶端接收日志條目，把日志條目復制到其他服務器上，并且在保證安全性的時候通知其他服務器將日志條目應用到他們的狀態(tài)機中。擁有一個 leader 大大簡化了對復制日志的管理。例如，leader 可以決定新的日志條目需要放在日志中的什么位置而不需要和其他服務器商議，并且數據都是從 leader 流向其他服務器。leader 可能宕機，也可能和其他服務器斷開連接，這時一個新的 leader 會被選舉出來。
通過選舉一個 leader 的方式，Raft 將一致性問題分解成了三個相對獨立的子問題，這些問題將會在接下來的子章節(jié)中進行討論：
Leader 選舉：當前的 leader 宕機時，一個新的 leader 必須被選舉出來。（5.2 節(jié)）
日志復制：Leader 必須從客戶端接收日志條目然后復制到集群中的其他節(jié)點，并且強制要求其他節(jié)點的日志和自己的保持一致。
安全性：Raft 中安全性的關鍵是圖 3 中狀態(tài)機的安全性：如果有任何的服務器節(jié)點已經應用了一個特定的日志條目到它的狀態(tài)機中，那么其他服務器節(jié)點不能在同一個日志索引位置應用一條不同的指令。章節(jié) 5.4 闡述了 Raft 算法是如何保證這個特性的；該解決方案在選舉機制（5.2 節(jié)）上增加了額外的限制。
在展示一致性算法之后，本章節(jié)將討論可用性的一些問題以及時序在系統中的作用。
5.1 Raft 基礎
一個 Raft 集群包含若干個服務器節(jié)點；通常是 5 個，這樣的系統可以容忍 2 個節(jié)點的失效。在任何時刻，每一個服務器節(jié)點都處于這三個狀態(tài)之一：leader、follower 或者 candidate 。在正常情況下，集群中只有一個 leader 并且其他的節(jié)點全部都是 follower 。Follower 都是被動的：他們不會發(fā)送任何請求，只是簡單的響應來自 leader 和 candidate 的請求。Leader 處理所有的客戶端請求（如果一個客戶端和 follower 通信，follower 會將請求重定向給 leader）。第三種狀態(tài)，candidate ，是用來選舉一個新的 leader（章節(jié) 5.2）。圖 4 展示了這些狀態(tài)和他們之間的轉換關系；這些轉換關系在接下來會進行討論。
Raft 把時間分割成任意長度的任期（term），如圖 5 所示。任期用連續(xù)的整數標記。每一段任期從一次選舉開始，一個或者多個 candidate 嘗試成為 leader 。如果一個 candidate 贏得選舉，然后他就在該任期剩下的時間里充當 leader 。在某些情況下，一次選舉無法選出 leader 。在這種情況下，這一任期會以沒有 leader 結束；一個新的任期（包含一次新的選舉）會很快重新開始。Raft 保證了在任意一個任期內，最多只有一個 leader 。
不同的服務器節(jié)點觀察到的任期轉換的次數可能不同，在某些情況下，一個服務器節(jié)點可能沒有看到 leader 選舉過程或者甚至整個任期全程。任期在 Raft 算法中充當邏輯時鐘的作用，這使得服務器節(jié)點可以發(fā)現一些過期的信息比如過時的 leader 。每一個服務器節(jié)點存儲一個當前任期號，該編號隨著時間單調遞增。服務器之間通信的時候會交換當前任期號；如果一個服務器的當前任期號比其他的小，該服務器會將自己的任期號更新為較大的那個值。如果一個 candidate 或者 leader 發(fā)現自己的任期號過期了，它會立即回到 follower 狀態(tài)。如果一個節(jié)點接收到一個包含過期的任期號的請求，它會直接拒絕這個請求。
Raft 算法中服務器節(jié)點之間使用 RPC 進行通信，并且基本的一致性算法只需要兩種類型的 RPC。請求投票（RequestVote） RPC 由 candidate 在選舉期間發(fā)起（章節(jié) 5.2），追加條目（AppendEntries）RPC 由 leader 發(fā)起，用來復制日志和提供一種心跳機制（章節(jié) 5.3）。第 7 節(jié)為了在服務器之間傳輸快照增加了第三種 RPC。當服務器沒有及時的收到 RPC 的響應時，會進行重試， 并且他們能夠并行的發(fā)起 RPC 來獲得最佳的性能。
5.2 Leader 選舉
Raft 使用一種心跳機制來觸發(fā) leader 選舉。當服務器程序啟動時，他們都是 follower 。一個服務器節(jié)點只要能從 leader 或 candidate 處接收到有效的 RPC 就一直保持 follower 狀態(tài)。Leader 周期性地向所有 follower 發(fā)送心跳（不包含日志條目的 AppendEntries RPC）來維持自己的地位。如果一個 follower 在一段選舉超時時間內沒有接收到任何消息，它就假設系統中沒有可用的 leader ，然后開始進行選舉以選出新的 leader 。
要開始一次選舉過程，follower 先增加自己的當前任期號并且轉換到 candidate 狀態(tài)。然后投票給自己并且并行地向集群中的其他服務器節(jié)點發(fā)送 RequestVote RPC（讓其他服務器節(jié)點投票給它）。Candidate 會一直保持當前狀態(tài)直到以下三件事情之一發(fā)生：(a) 它自己贏得了這次的選舉（收到過半的投票），(b) 其他的服務器節(jié)點成為 leader ，(c) 一段時間之后沒有任何獲勝者。這些結果會在下面的章節(jié)里分別討論。
當一個 candidate 獲得集群中過半服務器節(jié)點針對同一個任期的投票，它就贏得了這次選舉并成為 leader 。對于同一個任期，每個服務器節(jié)點只會投給一個 candidate ，按照先來先服務（first-come-first-served）的原則（注意：5.4 節(jié)在投票上增加了額外的限制）。要求獲得過半投票的規(guī)則確保了最多只有一個 candidate 贏得此次選舉（圖 3 中的選舉安全性）。一旦 candidate 贏得選舉，就立即成為 leader 。然后它會向其他的服務器節(jié)點發(fā)送心跳消息來確定自己的地位并阻止新的選舉。
在等待投票期間，candidate 可能會收到另一個聲稱自己是 leader 的服務器節(jié)點發(fā)來的 AppendEntries RPC 。如果這個 leader 的任期號（包含在RPC中）不小于 candidate 當前的任期號，那么 candidate 會承認該 leader 的合法地位并回到 follower 狀態(tài)。 如果 RPC 中的任期號比自己的小，那么 candidate 就會拒絕這次的 RPC 并且繼續(xù)保持 candidate 狀態(tài)。
第三種可能的結果是 candidate 既沒有贏得選舉也沒有輸：如果有多個 follower 同時成為 candidate ，那么選票可能會被瓜分以至于沒有 candidate 贏得過半的投票。當這種情況發(fā)生時，每一個候選人都會超時，然后通過增加當前任期號來開始一輪新的選舉。然而，如果沒有其他機制的話，該情況可能會無限重復。
Raft 算法使用隨機選舉超時時間的方法來確保很少發(fā)生選票瓜分的情況，就算發(fā)生也能很快地解決。為了阻止選票一開始就被瓜分，選舉超時時間是從一個固定的區(qū)間（例如 150-300 毫秒）隨機選擇。這樣可以把服務器都分散開以至于在大多數情況下只有一個服務器會選舉超時；然后該服務器贏得選舉并在其他服務器超時之前發(fā)送心跳。同樣的機制被用來解決選票被瓜分的情況。每個 candidate 在開始一次選舉的時候會重置一個隨機的選舉超時時間，然后一直等待直到選舉超時；這樣減小了在新的選舉中再次發(fā)生選票瓜分情況的可能性。9.3 節(jié)展示了該方案能夠快速地選出一個 leader 。
選舉的例子可以很好地展示可理解性是如何指導我們選擇設計方案的。起初我們打算使用一種等級系統（ranking system）：每一個 candidate 都被賦予一個唯一的等級（rank），等級用來在競爭的 candidate 之間進行選擇。如果一個 candidate 發(fā)現另一個 candidate 擁有更高的等級，它就會回到 follower 狀態(tài)，這樣高等級的 candidate 能夠更加容易地贏得下一次選舉。但是我們發(fā)現這種方法在可用性方面會有一下小問題。我們對該算法進行了多次調整，但是每次調整之后都會有新的小問題。最終我們認為隨機重試的方法更加顯然且易于理解。
5.3 日志復制
Leader 一旦被選舉出來，就開始為客戶端請求提供服務?？蛻舳说拿恳粋€請求都包含一條將被復制狀態(tài)機執(zhí)行的指令。Leader 把該指令作為一個新的條目追加到日志中去，然后并行的發(fā)起 AppendEntries RPC 給其他的服務器，讓它們復制該條目。當該條目被安全地復制（下面會介紹），leader 會應用該條目到它的狀態(tài)機中（狀態(tài)機執(zhí)行該指令）然后把執(zhí)行的結果返回給客戶端。如果 follower 崩潰或者運行緩慢，或者網絡丟包，leader 會不斷地重試 AppendEntries RPC（即使已經回復了客戶端）直到所有的 follower 最終都存儲了所有的日志條目。
日志以圖 6 展示的方式組織。每個日志條目存儲一條狀態(tài)機指令和 leader 收到該指令時的任期號。任期號用來檢測多個日志副本之間的不一致情況，同時也用來保證圖 3 中的某些性質。每個日志條目都有一個整數索引值來表明它在日志中的位置。
Leader 決定什么時候把日志條目應用到狀態(tài)機中是安全的；這種日志條目被稱為已提交的。Raft 算法保證所有已提交的日志條目都是持久化的并且最終會被所有可用的狀態(tài)機執(zhí)行。一旦創(chuàng)建該日志條目的 leader 將它復制到過半的服務器上，該日志條目就會被提交（例如在圖 6 中的條目 7）。同時，leader 日志中該日志條目之前的所有日志條目也都會被提交，包括由其他 leader 創(chuàng)建的條目。5.4 節(jié)討論在 leader 變更之后應用該規(guī)則的一些細節(jié)，并且證明了這種提交的規(guī)則是安全的。Leader 追蹤將會被提交的日志條目的最大索引，未來的所有 AppendEntries RPC 都會包含該索引，這樣其他的服務器才能最終知道哪些日志條目需要被提交。Follower 一旦知道某個日志條目已經被提交就會將該日志條目應用到自己的本地狀態(tài)機中（按照日志的順序）。
我們設計了 Raft 日志機制來維持不同服務器之間日志高層次的一致性。這么做不僅簡化了系統的行為也使得系統行為更加可預測，同時該機制也是保證安全性的重要組成部分。Raft 維護著以下特性，這些同時也構成了圖 3 中的日志匹配特性：
如果不同日志中的兩個條目擁有相同的索引和任期號，那么他們存儲了相同的指令。
如果不同日志中的兩個條目擁有相同的索引和任期號，那么他們之前的所有日志條目也都相同。
Leader 在特定的任期號內的一個日志索引處最多創(chuàng)建一個日志條目，同時日志條目在日志中的位置也從來不會改變。該點保證了上面的第一條特性。第二個特性是由 AppendEntries RPC 執(zhí)行一個簡單的一致性檢查所保證的。在發(fā)送 AppendEntries RPC 的時候，leader 會將前一個日志條目的索引位置和任期號包含在里面。如果 follower 在它的日志中找不到包含相同索引位置和任期號的條目，那么他就會拒絕該新的日志條目。一致性檢查就像一個歸納步驟：一開始空的日志狀態(tài)肯定是滿足 Log Matching Property（日志匹配特性） 的，然后一致性檢查保證了日志擴展時的日志匹配特性。因此，每當 AppendEntries RPC 返回成功時，leader 就知道 follower 的日志一定和自己相同（從第一個日志條目到最新條目）。
正常操作期間，leader 和 follower 的日志保持一致，所以 AppendEntries RPC 的一致性檢查從來不會失敗。然而，leader 崩潰的情況會使日志處于不一致的狀態(tài)（老的 leader 可能還沒有完全復制它日志里的所有條目）。這種不一致會在一系列的 leader 和 follower 崩潰的情況下加劇。圖 7 展示了在什么情況下 follower 的日志可能和新的 leader 的日志不同。Follower 可能缺少一些在新 leader 中有的日志條目，也可能擁有一些新 leader 沒有的日志條目，或者同時發(fā)生。缺失或多出日志條目的情況可能會涉及到多個任期。
圖 7：當一個 leader 成功當選時（最上面那條日志），follower 可能是（a-f）中的任何情況。每一個盒子表示一個日志條目；里面的數字表示任期號。Follower 可能會缺少一些日志條目（a-b），可能會有一些未被提交的日志條目（c-d），或者兩種情況都存在（e-f）。例如，場景 f 可能這樣發(fā)生，f 對應的服務器在任期 2 的時候是 leader ，追加了一些日志條目到自己的日志中，一條都還沒提交（commit）就崩潰了；該服務器很快重啟，在任期 3 重新被選為 leader，又追加了一些日志條目到自己的日志中；在這些任期 2 和任期 3 中的日志都還沒被提交之前，該服務器又宕機了，并且在接下來的幾個任期里一直處于宕機狀態(tài)。
在 Raft 算法中，leader 通過強制 follower 復制它的日志來解決不一致的問題。這意味著 follower 中跟 leader 沖突的日志條目會被 leader 的日志條目覆蓋。5.4 節(jié)會證明通過增加一個限制可以保證安全性。
要使得 follower 的日志跟自己一致，leader 必須找到兩者達成一致的最大的日志條目（索引最大），刪除 follower 日志中從那個點之后的所有日志條目，并且將自己從那個點之后的所有日志條目發(fā)送給 follower 。所有的這些操作都發(fā)生在對 AppendEntries RPCs 中一致性檢查的回復中。Leader 針對每一個 follower 都維護了一個 nextIndex ，表示 leader 要發(fā)送給 follower 的下一個日志條目的索引。當選出一個新 leader 時，該 leader 將所有 nextIndex 的值都初始化為自己最后一個日志條目的 index 加1（圖 7 中的 11）。如果 follower 的日志和 leader 的不一致，那么下一次 AppendEntries RPC 中的一致性檢查就會失敗。在被 follower 拒絕之后，leaer 就會減小 nextIndex 值并重試 AppendEntries RPC 。最終 nextIndex 會在某個位置使得 leader 和 follower 的日志達成一致。此時，AppendEntries RPC 就會成功，將 follower 中跟 leader 沖突的日志條目全部刪除然后追加 leader 中的日志條目（如果有需要追加的日志條目的話）。一旦 AppendEntries RPC 成功，follower 的日志就和 leader 一致，并且在該任期接下來的時間里保持一致。
如果想要的話，該協議可以被優(yōu)化來減少被拒絕的 AppendEntries RPC 的個數。例如，當拒絕一個 AppendEntries RPC 的請求的時候，follower 可以包含沖突條目的任期號和自己存儲的那個任期的第一個 index 。借助這些信息，leader 可以跳過那個任期內所有沖突的日志條目來減小 nextIndex；這樣就變成每個有沖突日志條目的任期需要一個 AppendEntries RPC 而不是每個條目一次。在實踐中，我們認為這種優(yōu)化是沒有必要的，因為失敗不經常發(fā)生并且也不可能有很多不一致的日志條目。
通過這種機制，leader 在當權之后就不需要任何特殊的操作來使日志恢復到一致狀態(tài)。Leader 只需要進行正常的操作，然后日志就能在回復 AppendEntries 一致性檢查失敗的時候自動趨于一致。Leader 從來不會覆蓋或者刪除自己的日志條目（圖 3 的 Leader Append-Only 屬性）。
這樣的日志復制機制展示了第 2 節(jié)中描述的一致性特性：只要過半的服務器能正常運行，Raft 就能夠接受，復制并應用新的日志條目；在正常情況下，新的日志條目可以在一個 RPC 來回中被復制給集群中的過半機器；并且單個運行慢的 follower 不會影響整體的性能。
5.4 安全性
前面的章節(jié)里描述了 Raft 算法是如何進行 leader 選舉和日志復制的。然而，到目前為止描述的機制并不能充分地保證每一個狀態(tài)機會按照相同的順序執(zhí)行相同的指令。例如，一個 follower 可能會進入不可用狀態(tài)，在此期間，leader 可能提交了若干的日志條目，然后這個 follower 可能會被選舉為 leader 并且用新的日志條目覆蓋這些日志條目；結果，不同的狀態(tài)機可能會執(zhí)行不同的指令序列。
這節(jié)通過對 leader 選舉增加一個限制來完善 Raft 算法。這一限制保證了對于給定的任意任期號， leader 都包含了之前各個任期所有被提交的日志條目（圖 3 中的 Leader Completeness 性質）。有了這一 leader 選舉的限制，我們也使得提交規(guī)則更加清晰。最后，我們展示了對于 Leader Completeness 性質的簡要證明并且說明該性質是如何領導復制狀態(tài)機執(zhí)行正確的行為的。
5.4.1 選舉限制
在任何基于 leader 的一致性算法中，leader 最終都必須存儲所有已經提交的日志條目。在某些一致性算法中，例如 Viewstamped Replication[22]，一開始并沒有包含所有已經提交的日志條目的服務器也可能被選為 leader 。這種算法包含一些額外的機制來識別丟失的日志條目并將它們傳送給新的 leader ，要么是在選舉階段要么在之后很快進行。不幸的是，這種方法會導致相當大的額外的機制和復雜性。Raft 使用了一種更加簡單的方法，它可以保證新 leader 在當選時就包含了之前所有任期號中已經提交的日志條目，不需要再傳送這些日志條目給新 leader 。這意味著日志條目的傳送是單向的，只從 leader 到 follower，并且 leader 從不會覆蓋本地日志中已經存在的條目。
Raft 使用投票的方式來阻止 candidate 贏得選舉除非該 candidate 包含了所有已經提交的日志條目。候選人為了贏得選舉必須與集群中的過半節(jié)點通信，這意味著至少其中一個服務器節(jié)點包含了所有已提交的日志條目。如果 candidate 的日志至少和過半的服務器節(jié)點一樣新（接下來會精確地定義“新”），那么他一定包含了所有已經提交的日志條目。RequestVote RPC 執(zhí)行了這樣的限制： RPC 中包含了 candidate 的日志信息，如果投票者自己的日志比 candidate 的還新，它會拒絕掉該投票請求。
Raft 通過比較兩份日志中最后一條日志條目的索引值和任期號來定義誰的日志比較新。如果兩份日志最后條目的任期號不同，那么任期號大的日志更新。如果兩份日志最后條目的任期號相同，那么日志較長的那個更新。
5.4.2 提交之前任期內的日志條目
如同 5.3 節(jié)描述的那樣，一旦當前任期內的某個日志條目已經存儲到過半的服務器節(jié)點上，leader 就知道該日志條目已經被提交了。如果某個 leader 在提交某個日志條目之前崩潰了，以后的 leader 會試圖完成該日志條目的復制。然而，如果是之前任期內的某個日志條目已經存儲到過半的服務器節(jié)點上，leader 也無法立即斷定該日志條目已經被提交了。圖 8 展示了一種情況，一個已經被存儲到過半節(jié)點上的老日志條目，仍然有可能會被未來的 leader 覆蓋掉。
圖 8：如圖的時間序列展示了為什么 leader 無法判斷老的任期號內的日志是否已經被提交。在 (a) 中，S1 是 leader ，部分地復制了索引位置 2 的日志條目。在 (b) 中，S1 崩潰了，然后 S5 在任期 3 中通過 S3、S4 和自己的選票贏得選舉，然后從客戶端接收了一條不一樣的日志條目放在了索引 2 處。然后到 (c)，S5 又崩潰了；S1 重新啟動，選舉成功，繼續(xù)復制日志。此時，來自任期 2 的那條日志已經被復制到了集群中的大多數機器上，但是還沒有被提交。如果 S1 在 (d) 中又崩潰了，S5 可以重新被選舉成功（通過來自 S2，S3 和 S4 的選票），然后覆蓋了他們在索引 2 處的日志。但是，在崩潰之前，如果 S1 在自己的任期里復制了日志條目到大多數機器上，如 (e) 中，然后這個條目就會被提交（S5 就不可能選舉成功）。 在這種情況下，之前的所有日志也被提交了。
為了消除圖 8 中描述的問題，Raft 永遠不會通過計算副本數目的方式來提交之前任期內的日志條目。只有 leader 當前任期內的日志條目才通過計算副本數目的方式來提交；一旦當前任期的某個日志條目以這種方式被提交，那么由于日志匹配特性，之前的所有日志條目也都會被間接地提交。在某些情況下，領導人可以安全地斷定一個老的日志條目已經被提交（例如，如果該條目已經存儲到所有服務器上），但是 Raft 為了簡化問題使用了一種更加保守的方法。
Raft 會在提交規(guī)則上增加額外的復雜性是因為當 leader 復制之前任期內的日志條目時，這些日志條目都保留原來的任期號。在其他的一致性算法中，如果一個新的 leader 要重新復制之前的任期里的日志時，它必須使用當前新的任期號。Raft 的做法使得更加容易推導出（reason about）日志條目，因為他們自始至終都使用同一個任期號。另外，和其他的算法相比，Raft 中的新 leader 只需要發(fā)送更少的日志條目（其他算法中必須在它們被提交之前發(fā)送更多的冗余日志條目來給它們重新編號）。
5.4.3 安全性論證
在給出了完整的 Raft 算法之后，我們現在可以更加精確的討論 leader 完整性特性（Leader Completeness Prop-erty）（這一討論基于 9.2 節(jié)的安全性證明）。我們假設 leader 完整性特性是不滿足的，然后我們推出矛盾來。假設任期 T 的 leader（leader T）在任期內提交了一個日志條目，但是該日志條目沒有被存儲到未來某些任期的 leader 中。假設 U 是大于 T 的沒有存儲該日志條目的最小任期號。
圖 9：如果 S1 （任期 T 的 leader）在它的任期里提交了一個新的日志條目，然后 S5 在之后的任期 U 里被選舉為 leader ，那么肯定至少會有一個節(jié)點，如 S3，既接收了來自 S1 的日志條目，也給 S5 投票了。
U 一定在剛成為 leader 的時候就沒有那條被提交的日志條目了（leader 從不會刪除或者覆蓋任何條目）。
Leader T 復制該日志條目給集群中的過半節(jié)點，同時，leader U 從集群中的過半節(jié)點贏得了選票。因此，至少有一個節(jié)點（投票者）同時接受了來自 leader T 的日志條目和給 leader U 投票了，如圖 9。該投票者是產生矛盾的關鍵。
該投票者必須在給 leader U 投票之前先接受了從 leader T 發(fā)來的已經被提交的日志條目；否則它就會拒絕來自 leader T 的 AppendEntries 請求（因為此時它的任期號會比 T 大）。
該投票者在給 leader U 投票時依然保有這該日志條目，因為任何 U 、T 之間的 leader 都包含該日志條目（根據上述的假設），leader 從不會刪除條目，并且 follower 只有跟 leader 沖突的時候才會刪除條目。
該投票者把自己選票投給 leader U 時，leader U 的日志必須至少和投票者的一樣新。這就導致了以下兩個矛盾之一。
首先，如果該投票者和 leader U 的最后一個日志條目的任期號相同，那么 leader U 的日志至少和該投票者的一樣長，所以 leader U 的日志一定包含該投票者日志中的所有日志條目。這是一個矛盾，因為該投票者包含了該已被提交的日志條目，但是在上述的假設里，leader U 是不包含的。
否則，leader U 的最后一個日志條目的任期號就必須比該投票者的大了。此外，該任期號也比 T 大，因為該投票者的最后一個日志條目的任期號至少和 T 一樣大（它包含了來自任期 T 的已提交的日志）。創(chuàng)建了 leader U 最后一個日志條目的之前的 leader 一定已經包含了該已被提交的日志條目（根據上述假設，leader U 是第一個不包含該日志條目的 leader）。所以，根據日志匹配特性，leader U 一定也包含該已被提交的日志條目，這里產生了矛盾。
因此，所有比 T 大的任期的 leader 一定都包含了任期 T 中提交的所有日志條目。
日志匹配特性保證了未來的 leader 也會包含被間接提交的日志條目，例如圖 8 (d) 中的索引 2。
通過 Leader 完整性特性，我們就能證明圖 3 中的狀態(tài)機安全特性，即如果某個服務器已經將某個給定的索引處的日志條目應用到自己的狀態(tài)機里了，那么其他的服務器就不會在相同的索引處應用一個不同的日志條目。在一個服務器應用一個日志條目到自己的狀態(tài)機中時，它的日志和 leader 的日志從開始到該日志條目都相同，并且該日志條目必須被提交。現在考慮如下最小任期號：某服務器在該任期號中某個特定的索引處應用了一個日志條目；日志完整性特性保證擁有更高任期號的 leader 會存儲相同的日志條目，所以之后任期里服務器應用該索引處的日志條目也會是相同的值。因此，狀態(tài)機安全特性是成立的。
最后，Raft 要求服務器按照日志索引順序應用日志條目。再加上狀態(tài)機安全特性，這就意味著所有的服務器都會按照相同的順序應用相同的日志條目到自己的狀態(tài)機中。
5.5 Follower 和 candidate 崩潰
到目前為止，我們只關注了 leader 崩潰的情況。Follower 和 candidate 崩潰后的處理方式比 leader 崩潰要簡單的多，并且兩者的處理方式是相同的。如果 follower 或者 candidate 崩潰了，那么后續(xù)發(fā)送給他們的 RequestVote 和 AppendEntries RPCs 都會失敗。Raft 通過無限的重試來處理這種失敗；如果崩潰的機器重啟了，那么這些 RPC 就會成功地完成。如果一個服務器在完成了一個 RPC，但是還沒有響應的時候崩潰了，那么在它重啟之后就會再次收到同樣的請求。Raft 的 RPCs 都是冪等的，所以這樣的重試不會造成任何傷害。例如，一個 follower 如果收到 AppendEntries 請求但是它的日志中已經包含了這些日志條目，它就會直接忽略這個新的請求中的這些日志條目。
5.6 定時（timing）和可用性
Raft 的要求之一就是安全性不能依賴定時：整個系統不能因為某些事件運行得比預期快一點或者慢一點就產生錯誤的結果。但是，可用性（系統能夠及時響應客戶端）不可避免的要依賴于定時。例如，當有服務器崩潰時，消息交換的時間就會比正常情況下長，candidate 將不會等待太長的時間來贏得選舉；沒有一個穩(wěn)定的 leader ，Raft 將無法工作。
Leader 選舉是 Raft 中定時最為關鍵的方面。 只要整個系統滿足下面的時間要求，Raft 就可以選舉出并維持一個穩(wěn)定的 leader：
廣播時間（broadcastTime） << 選舉超時時間（electionTimeout） << 平均故障間隔時間（MTBF）
在這個不等式中，廣播時間指的是一個服務器并行地發(fā)送 RPCs 給集群中所有的其他服務器并接收到響應的平均時間；選舉超時時間就是在 5.2 節(jié)中介紹的選舉超時時間；平均故障間隔時間就是對于一臺服務器而言，兩次故障間隔時間的平均值。廣播時間必須比選舉超時時間小一個量級，這樣 leader 才能夠可靠地發(fā)送心跳消息來阻止 follower 開始進入選舉狀態(tài)；再加上隨機化選舉超時時間的方法，這個不等式也使得選票瓜分的情況變得不可能。選舉超時時間需要比平均故障間隔時間小上幾個數量級，這樣整個系統才能穩(wěn)定地運行。當 leader 崩潰后，整個系統會有大約選舉超時時間不可用；我們希望該情況在整個時間里只占一小部分。
廣播時間和平均故障間隔時間是由系統決定的，但是選舉超時時間是我們自己選擇的。Raft 的 RPCs 需要接收方將信息持久化地保存到穩(wěn)定存儲中去，所以廣播時間大約是 0.5 毫秒到 20 毫秒之間，取決于存儲的技術。因此，選舉超時時間可能需要在 10 毫秒到 500 毫秒之間。大多數的服務器的平均故障間隔時間都在幾個月甚至更長，很容易滿足時間的要求。
6 集群成員變更
到目前為止，我們都假設集群的配置（參與一致性算法的服務器集合）是固定不變的。但是在實踐中，偶爾會改變集群的配置的，例如替換那些宕機的機器或者改變復制程度。盡管可以通過使整個集群下線，更新所有配置，然后重啟整個集群的方式來實現，但是在更改期間集群會不可用。另外，如果存在手工操作步驟，那么就會有操作失誤的風險。為了避免這樣的問題，我們決定將配置變更自動化并將其納入到 Raft 一致性算法中來。
為了使配置變更機制能夠安全，在轉換的過程中不能夠存在任何時間點使得同一個任期里可能選出兩個 leader 。不幸的是，任何服務器直接從舊的配置轉換到新的配置的方案都是不安全的。一次性自動地轉換所有服務器是不可能的，所以在轉換期間整個集群可能劃分成兩個獨立的大多數（見圖 10）。
圖 10：直接從一種配置轉到另一種配置是不安全的，因為各個機器會在不同的時候進行轉換。在這個例子中，集群從 3 臺機器變成了 5 臺。不幸的是，存在這樣的一個時間點，同一個任期里兩個不同的 leader 會被選出。一個獲得舊配置里過半機器的投票，一個獲得新配置里過半機器的投票。
為了保證安全性，配置變更必須采用一種兩階段方法。目前有很多種兩階段的實現。例如，有些系統（比如，[22]）在第一階段停掉舊的配置所以不能處理客戶端請求；然后在第二階段在啟用新的配置。在 Raft 中，集群先切換到一個過渡的配置，我們稱之為聯合一致（joint consensus）；一旦聯合一致已經被提交了，那么系統就切換到新的配置上。聯合一致結合了老配置和新配置：
日志條目被復制給集群中新、老配置的所有服務器。
新、舊配置的服務器都可以成為 leader 。
達成一致（針對選舉和提交）需要分別在兩種配置上獲得過半的支持。
聯合一致允許獨立的服務器在不妥協安全性的前提下，在不同的時刻進行配置轉換過程。此外，聯合一致允許集群在配置變更期間依然響應客戶端請求。
集群配置在復制日志中以特殊的日志條目來存儲和通信；圖 11 展示了配置變更過程。當一個 leader 接收到一個改變配置從 C-old 到 C-new 的請求，它就為聯合一致將該配置（圖中的 C-old,new）存儲為一個日志條目，并以前面描述的方式復制該條目。一旦某個服務器將該新配置日志條目增加到自己的日志中，它就會用該配置來做出未來所有的決策（服務器總是使用它日志中最新的配置，無論該配置日志是否已經被提交）。這就意味著 leader 會使用 C-old,new 的規(guī)則來決定 C-old,new 的日志條目是什么時候被提交的。如果 leader 崩潰了，新 leader 可能是在 C-old 配置也可能是在 C-old,new 配置下選出來的，這取決于贏得選舉的 candidate 是否已經接收到了 C-old,new 配置。在任何情況下， C-new 在這一時期都不能做出單方面決定。
一旦 C-old,new 被提交，那么 C-old 和 C-new 都不能在沒有得到對方認可的情況下做出決定，并且 leader 完整性特性保證了只有擁有 C-old,new 日志條目的服務器才能被選舉為 leader ?，F在 leader 創(chuàng)建一個描述 C-new 配置的日志條目并復制到集群其他節(jié)點就是安全的了。此外，新的配置被服務器收到后就會立即生效。當新的配置在 C-new 的規(guī)則下被提交，舊的配置就變得無關緊要，同時不使用新配置的服務器就可以被關閉了。如圖 11 所示，任何時刻 C-old 和 C-new 都不能單方面做出決定；這保證了安全性。
在關于配置變更還有三個問題需要解決。第一個問題是，新的服務器開始時可能沒有存儲任何的日志條目。當這些服務器以這種狀態(tài)加入到集群中，它們需要一段時間來更新來趕上其他服務器，這段它們無法提交新的日志條目。為了避免因此而造成的系統短時間的不可用，Raft 在配置變更前引入了一個額外的階段，在該階段，新的服務器以沒有投票權身份加入到集群中來（leader 也復制日志給它們，但是考慮過半的時候不用考慮它們）。一旦該新的服務器追趕上了集群中的其他機器，配置變更就可以按上面描述的方式進行。
第二個問題是，集群的 leader 可能不是新配置中的一員。在這種情況下，leader 一旦提交了 C-new 日志條目就會退位（回到 follower 狀態(tài)）。這意味著有這樣的一段時間（leader 提交 C-new 期間），leader 管理著一個不包括自己的集群；它復制著日志但不把自己算在過半里面。Leader 轉換發(fā)生在 C-new 被提交的時候，因為這是新配置可以獨立運轉的最早時刻（將總是能夠在 C-new 配置下選出新的領導人）。在此之前，可能只能從 C-old 中選出領導人。
第三個問題是，那些被移除的服務器（不在 C-new 中）可能會擾亂集群。這些服務器將不會再接收到心跳，所以當選舉超時，它們就會進行新的選舉過程。它們會發(fā)送帶有新任期號的 RequestVote RPCs ，這樣會導致當前的 leader 回到 follower 狀態(tài)。新的 leader 最終會被選出來，但是被移除的服務器將會再次超時，然后這個過程會再次重復，導致系統可用性很差。
為了防止這種問題，當服務器認為當前 leader 存在時，服務器會忽略RequestVote RPCs 。特別的，當服務器在最小選舉超時時間內收到一個 RequestVote RPC，它不會更新任期號或者投票。這不會影響正常的選舉，每個服務器在開始一次選舉之前，至少等待最小選舉超時時間。相反，這有利于避免被移除的服務器的擾亂：如果 leader 能夠發(fā)送心跳給集群，那它就不會被更大的任期號廢黜。
Raft 網站
由于微信字數的限制，此處未完結，請點擊下方閱讀原文查看完整版。
歡迎掃一掃進入博客：linbingdong.com 獲取最新文章哦~
歡迎關注公眾號: FullStackPlan 獲取更多干貨哦~
內容轉載自公眾號
大數據架構之路 了解更多贊賞
總結
以上是生活随笔為你收集整理的分布式一致性算法：Raft 算法的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Visual Studio 2017 A
- 下一篇： .NET Core项目部署到linux(