华为云PB级数据库GaussDB(for Redis)揭秘第七期：高斯Redis与强一致

关注

原创 2021-04-14 10:11:25 1.7k 阅读 AI 写同款· GEO 优化 ›

本文分享自华为云社区《华为云PB级数据库GaussDB(for Redis)揭秘第七期：高斯Redis与强一致》，原文作者：高斯Redis官方博客。

清明刚过，五一假期就要来了。大好春光，不如去婺源看油菜花吧！小云迅速打开APP刷出余票2张，赶紧下单！唉，怎么又没抢到！转念一想倒也能理解：从勾选乘车人到正式下单，起码要10秒，真若是“见者有份”，恐怕这两个座位大家要挤挤共用了！每逢节假日，全国几百万小伙伴同时查票订票，12306是如何保证余票显示准、车票不超卖的？

于是，按捺不住好奇心，笔者进行了一番深入研究。原来，问题背后隐藏着一个分布式数据库领域极其关键的技术——数据强一致性保障。

1. 什么是强一致？

在介绍概念之前，我们不妨先来模拟一场球赛直播。

假设笔者做了一款APP，后台使用上图的主从数据库。比分写入主节点，从节点分担用户查询。比赛中，Alice惊呼比赛结束，Bob闻声刷新APP，却显示比赛仍在继续！Bob体验到了明显的数据不一致，于是默默给APP打了个差评……

那么，产生不一致的原因究竟是什么？

异步复制时，主节点不等待从节点写入就直接返回了。由于网络延迟等原因，从节点无法保证更新时间。Alice和Bob明明在同时同地查询同一系统，得到正确结果却有先有后。其实这就是典型的弱一致性。

实际上，为解决单点故障、增强吞吐性能，分布式数据库内部都会对同一份数据进行复制，把冗余副本分散保存到不同节点上。简单的异步复制只能构建出弱一致系统，很难满足业务要求。

那么，究竟什么样的一致性才靠谱？有哪些类别？下面我们就来认识这个神秘家族！

1.1 强一致性/线性一致性（Linearizability）

一致性的最高标准，实现难度最高。核心要求是：一旦写操作完成，随后任意客户端的查询都必须返回这一新值。以下图为例，一旦“写入b”完成，必须保证读到b。而写入过程中，认为值的跳变可能发生在某一瞬间，因此读到a或b都是可能的。

从业务角度来说，强一致性带来的体验简直可以用丝滑来形容！因为它内部的数据“仿佛”只有一份，即使并发访问不同节点，每个操作也都能原子有序。正因如此，强一致数据库在业务架构中往往被用在关键位置。

etcd是强一致俱乐部里的元老。它基于Raft共识算法，真正实现了强一致，也因此在Leader选举、服务发现等场景起到重要作用。GaussDB(for Redis)作为一款分布式云数据库，凭借多年潜心打磨，也是强一致的代言人。

1.2 顺序一致性（Sequential Consistency）

弱于线性一致，不保证操作的全局时序，但保证每个客户端操作能按顺序被执行。下图中，A先写x=10，后写x=20；B先写x=99，后写x=999。当C读取时，顺序一致性保证了10先于20被读到、99先于999被读到。

Zookeeper基于ZAB协议，所有写操作都经由主节点协调，实现了顺序一致性。

1.3 因果一致性（Causal Consistency）

进一步放宽要求，只对并发访问中具有因果关系的操作保序。例如：

A写入3，B读到后乘以100再更新它。在这个场景下，由于“A写入3”与“B写入300”有着明确因果关系，因果一致性保证300晚于3被读到。

因果一致性多用于各种博客的评论系统、社交软件等。自然，我们回复某条评论的内容，不应早于评论本身被显示出来。

1.4 最终一致性（Eventual Consistency）

停止写入并等待一段时间，最终所有客户端都能读到相同的新数据，但具体时限不作保证。许多分布式数据库满足最终一致性，如MySQL主从集群等。

然而，这其实是一个非常弱的保证。由于不确定系统内部过多久才能收敛一致，在此之前，用户随时可能体验到数据不一致。因此最终一致性有天然的局限性，经常会给业务逻辑带来混乱。

1.5 弱一致性（Weak Consistency）

说它最为“厚脸皮”也不为过，因为它连数据写入后将来被读到都不能保证！弱一致性实现技术门槛低，应用场景也不多。严格来说，单纯的开源Redis主从集群就属于这一类别。

OK，一致性家族的各位成员已经跟大家打过照面。显然，一致性越强的数据库系统，能够支撑的业务场景越多。有的业务同学小声说，强一致技术再牛，可我业务简单，不用也没关系吧。实际上恰恰相反：

强一致不仅仅是技术问题，它更是一个不可忽视的业务需求、运维需求！

接下来我们就先来聊一聊：业务上那些只有强一致才能搞定的事儿！

2 强一致是业务刚需

2.1 计数器/限流器

计数服务是典型的强一致应用场景。电商在秒杀活动中，往往会搭建Redis主从集群给下层MySQL做缓存。因为要抗住超大流量，需要Redis的计数器功能做限流。简单讲，我们初始化counter=5000。随后每次业务访问都执行DECR命令，当counter归零就阻塞后续请求。此外，每隔一个时间段重置counter=5000，通过这样的手段来实现“细水长流”。

然而，完美的假设还不够！

开源Redis采用异步复制，如遇网络不畅，经常发生主节点复制buffer堆积。这将导致从节点counter偏大很多。此时，一旦主节点宕机，切换到从节点继续执行DECR命令，压力很容易超出阈值，全部落到下层脆弱的MySQL，随时可能引起系统雪崩！

因此，在限流场景下，只有真正的强一致才能提供可靠的计数器。

2.2 Leader选举

当业务部署的节点较多、可用性要求高时，往往要用到Leader选举。etcd作为强一致KV存储，能完美cover这一场景。etcd依赖两大功能实现Leader选举：

1）TTL：给key设置有效期，到期后key自动删除。

2）CAS：对key的原子操作。（这一功能只有强一致数据库才能实现）

使用etcd搭建Leader选举服务的设计如下：

1）约定key，用于选举时抢占。其value用于保存Leader节点名称。

2）约定TTL，用于给key设定有效期。

3）启动时：每个参与节点尝试cas create key&设置TTL。在etcd集群强一致CAS机制保障下，只有一个节点能执行成功。该节点成为Leader并将名称写入value；其余节点成为Follower。

4）运行中：每个节点定期TTL/2尝试get key，将value与自身名称对比：

如相同，说明已是Leader，此后只需每隔TTL/2刷新key的TTL即可。
如不同，说明是Follower，接下来要每隔TTL/2执行cas create key&设置TTL。

5）当Leader节点异常退出，无法刷新TTL，key会很快过期。此时，其余Follow之中便会有新的Leader产生。

从原理上能看出，强一致能力是Leader选举的根基。类似的“刚需”业务场景还有很多，强一致不可或缺。

好了，业务上的事儿就聊到这里，接下来让我们听听运维怎么说。

3. 强一致为运维减负

3.1 辅助组件架构复杂、问题难定位

后台架构中，MySQL主从热备也是常见的部署方式。由于数据保存在本地磁盘中，当主库发生严重故障，仅仅依靠MySQL自身同步机制，主从切换后无法保证所提供数据与之前状态完全一致。于是出现了“重量级”的辅助组件——MHA（Master High Availability）。我们来看一下它的部署方式：

MHA负责在故障转移过程中，帮助从库尽量追平主库最新状态，提供近似一致的数据。但这一能力需要额外的Manager节点，同时还要在每一个MySQL节点上部署Node服务。故障切换时，Manager先为从库补充落后的数据，再通过切换VIP恢复用户访问，过程可能长达数十秒。

这样的HA系统部署和后期维护都很复杂。如未能顺利执行故障切换或发生数据丢失，运维面临的场面都将很棘手。其实运维同学何尝不希望手中的系统稳定运行呢？要是数据库自身能提供强一致保障，何苦再依赖复杂的辅助组件！

读到这里，对强一致的看法，相信各位读者心里已经有了自己的一杆秤。让我们再一次划重点：强一致不仅仅是技术问题，它更是一个不可忽视的业务需求、运维需求！

从产品选型角度出发，开源Redis提供的一致性保证很弱。而etcd虽有强一致能力，但它单点写入性能不足，也未能提供hash、sorted set、stream等诱人的数据结构……纠结！

此时，有追求的读者会说——我全都要！

GaussDB(for Redis)应声而起——我，可以。

4. GaussDB(for Redis)与强一致

自设计之初，GaussDB(for Redis)（后文简称高斯Redis）给自己的定位就是“强一致KV数据库”，因此彻底摒弃了开源Redis的异步复制机制。借助华为云GaussDB系列先进的“存算分离”架构，将全量数据下沉到强一致存储层（DFV Pool），从核心技术上超越了传统开源产品的极限。

让我们来一起认识一下高斯Redis的强悍：