20、多检查点的异步分布式恢复

多检查点的异步分布式恢复

1. 引言

如今，信息系统逐渐走向分布式，规模也不断扩大，它们融合了各类组件系统，并通过互联网等方式与其他系统相互连接。这些分布式系统通常采用广泛可得的产品来设计和开发，而非专门定制的产品，这就导致这些产品未必能为应用程序提供足够的可靠性和可用性。因此，探讨如何使系统具备高可靠性和可用性，以实现容错应用程序的运行，显得尤为重要。

分布式应用程序依靠多个处理器中的多个进程协作来实现。检查点和恢复是广为人知的时间冗余容错技术。在执行应用程序时，每个进程会将状态信息记录在日志中，以此创建检查点。若某个进程出现故障，系统会通过恢复保存的状态信息，将进程回滚到检查点，然后从该检查点重新启动应用程序。这样，系统就能容忍一些临时性故障，如硬件错误、进程崩溃、事务中止和通信死锁等，而且这些故障在恢复后不太可能再次出现。

系统在恢复后必须保持一致性。全局检查点是系统中所有进程所创建检查点的集合。许多文献已经提出了获取一致全局检查点和重启进程的协议。传统的检查点协议要求系统中的所有进程同步创建检查点，但在大规模分布式系统中，每个进程仅与部分进程进行通信，所以需要一种允许部分进程创建检查点的协议。此外，传统协议要求进程同步重启，这可能会因同步操作而导致恢复过程变慢。如果部分进程创建检查点以实现一致检查点，并且进程异步重启，恢复过程可能会陷入无限循环，即出现活锁。

接下来，我们将回顾传统的检查点和恢复协议，分析系统从一致区域检查点异步重启时活锁是如何产生的，然后提出一种无活锁的异步恢复协议，并对该协议进行评估。

2. 检查点与恢复

2.1 一致状态

分布式系统由通过通道相互连接的多个进程组成