想写的Cassandra系列文章的第一篇。
本文的中心思想是：不谈需求场景只谈利弊是耍流氓；只谈利不谈弊是臭流氓。
分布式数据库，自然是相对于传统的单机数据库。从传统的单机数据库到多机分布式数据库无非是有两大类需求：单机在性能或数据容量上扛不住；单机有单点问题，一旦挂了系统就挂了甚至数据都丢了。这两个核心需求决定了分布式数据库的根本目标有两个：多个节点承接读写请求，从而加大整体性能；多个节点存储数据，每个数据存不止一份从而防止丢数据并且提高整体的数据上限。
最简单直接的办法是，把单机数据搭很多个。每个节点处理一部分数据，从而加大整体读写吞吐和数据上限；同时提出“主从”概念，多个节点处理同一批数据，这样其中一个节点挂了另一个节点马上顶上。无论Mysql、redis、mongodb都有类似的方式可以将单机数据库扩展成集群。
另一种新思路绕开了单机数据库，从设计上便实现分布式，是天生的分布式数据库。Google基于GFS设计了BigTable，因为GFS是分布式文件系统因此只要把数据持久化在GFS上便实现了第二个目标既数据存多份；因为GFS可以通过rpc调用读写整个文件系统上的任何数据所以每个BitTable的节点理论上都可以处理整个数据库的请求，从而实现了第一个目标既多个节点可以承接读写请求。开源的HBase在总体思路上山寨了BigTable，后文用HBase代指这种设计。
还有一种思路，不基于分布式文件系统，把数据写在节点本地，但是client一次读写请求可能要去读写多个节点，从而同时实现两个目标。这就是Amazon提出的Dynamo。而开源的Cassandra在分布式模型上山寨了Dynamo，并且有所区别，本文不看重Dynamo的设计，只介绍Cassandra的设计。
三种模式的利弊先不说，但无论哪种模式针对第一个目标时都需要处理一个问题——客户端想读写某个数据时应该请求集群中的哪个节点？一般来说数据库都是以行为基本单元，通过对行的partition key来定位一行数据应该放在哪。而key->node的映射，每个key单独存储映射关系显然存不下，因此一般将key分组，满足同一个条件的key作为一组，每组key都在一个节点上，也就是key->group->node。具体key->group的映射分为两大类——pre-sharding和resharding。
Pre-sharding的意思是key->group的映射关系不会动态修改，在启动的时候就确立了，一般这种情况的group也叫“slot”，通过哈希取模的方式来确定一个key落在哪个slot上。通常单机数据库扩展出来的分布式数据库都是pre-sharding的。
而resharding（一般也称为auto-sharding）是可以动态修改的，比如发现某个group的key太多，就修改下分配方式从而让每个group均匀些。当然即使是动态修改，也一样要确保每个group的key满足同一种规律，否则还是要每个key存一个路由信息。而sharding的修改就是修改key->group的规律，而具体规律的不同决定了sharding算法的不同。比如把字节序相邻的key分在一个group，resharding负责记录每个group的起止key；也可以先哈希成一个数字，把相邻数字的key分在一个group，resharding 负责记录每个group的起止hash。字节序的好处是可以按key顺序读取，hash的好处是防止冷热不均。一般天生的分布式数据库都是sharding的，HBase和Cassandra都同时支持两种sharding算法，但大多数情况下，HBase使用第一种，Cassandra使用第二种。但HBase用第二种也还不错无非是不能顺序扫行，而Cassandra用第一种就容易悲剧了，原因后面再说。
知道一个key在哪个group后，group->node又分为三种思路：在数据库上层提供一层proxy，client可以全部请求proxy而proxy知道每个数据该读写哪个节点；在一个外部系统存储这个信息（如zookeeper），拿到这个信息后直接请求数据库节点；数据库节点自己维护这个路由信息，任何一个节点都知道某个数据应该放在哪个节点。Codis、各种MySQL的proxy都是第一种方案；HBase是第二种方案；Cassandra和redis cluster是第三个方案。
因为group->node的路由信息是可能随时改变的（如增减节点、有节点挂了等等），所以需要有一个逻辑来分配key->node的映射关系来保证每个key都有节点能服务并可以根据集群信息动态调整。这又分两种：一个master节点来进行分配，这个master只有一个从而确保不会分乱；数据库节点自己掌控全局，一起判断，一起调整到收敛状态。HBase、Codis属于第一种；Cassandra属于第二种；Redis Cluster介于两者之间，主从切换的逻辑是自动的通过第二种来实现，而一个slot该存哪个group是外部脚本人工控制所以是第一种。
通过实现方式的不同把分布式数据库按各种维度进行分类之后，总结一下Cassandra在分布式架构上的设计思路：数据存本地，多个节点都可以读写同一个数据；对key做sharding而非pre-sharding来判断一行数据该放在哪（几）个节点；每个节点都存储这个路由信息；这个路由表是整个集群共同维护、修改的而非某个master修改。
知道了Cassandra是如何在设计上做选择的，就知道了其利弊了，当然一些特性的利弊不明显，而一些特性的利弊可以说是不得不做的抉择。
每个节点都存路由信息、共同维护无中心节点——client变得很好写，随便请求一个节点都能转发请求，没有中心节点更容易夸机房；整个集群保存、调整集群信息，用gossip协议协调一致，实现逻辑比有中心节点的复杂。
数据存本地，不依赖分布式文件系统——可以少维护一个系统，维护成本低一些；但是不同节点存的数据的一致性不能保证，因此需要额外的逻辑保证一致性。
其中前者gossip等部分后文再单独来写，但是后者还是需要着重强调一下，并且也会单独一篇来写。
HBase的设计依赖HDFS，让HBase实现起来比较简单，只需要master确保一个group（region）在同一个时间内只有一个节点来读写，那么实际上就把HBase的读写变成了单机数据库的读写，只是把内存+磁盘变成了内存+HDFS的rpc，而单机读写的一致性很容易保证。而Cassandra每个group的数据是要写在多个节点的。就会有一些额外的问题。
稍微知道分布式系统的都知道传说中的CAP，这是一种“不可能三角”，三个因素注定最多做到同时两个。经济学上还有个“蒙代尔三角”也是类似，不知道其他领域还有没有不可能三角。CAP简单来说就是要可用性就没一致性，或者反过来，因为P肯定不能放弃的。HBase是严格保证强一致性，放弃了A，一旦一个节点挂了那么短时间内这个节点所服务的那些region是不可读写的，各种优化只是尽可能的保证这个不可用的时间更短。而Cassandra因为有多个节点可以读写一行数据，理论上只要有一个节点还能用，可用性就有保证。
因为rpc调用实际上是两次网络传输（传过去一个request再传回来一个response），如果成功当然没问题，但是发了request没收到response，也就是“无响应”，属于一种很麻烦的中间状态，因为你不确定server是否处理了这条请求，甚至server也不确定它是否成功返回了response所以不确定client是否知道自己是否成功。所以普遍的做法是让client认为这次请求“超时”从而让client去重试或者放弃（但放弃不代表这条记录没写成）。HBase因为只有一个节点读写这行，所以行就是行，不行就是不行。而Cassandra因为有多个节点（配置上来说是N个节点，可自行设置），那么同时写N个节点的话，如果一部分成功一部分不成功算是成功还是不成功呢？Cassandra选择的做法是让client自己指定。写的时候，W个节点成功了算作成功，不到W个节点在timeout时间内成功算做这次请求整体失败。“整体失败”就是这次请求client收到一个timeout的错误，但其实不代表每个节点都没处理这个写请求。也就是说，N个节点中有0到W-1个节点是有数据的，另外那些节点是可能有数据的（因为可能只是response没发回来）。读的时候，R个节点返回数据或者返回没有数据算作成功。如果R或者W等于N，那么意味着只要有一个节点不响应，就会导致client请求失败，失去了可用性。所以一般R和W都小于N。此外如果W和R相对于N设置的太小，那么有可能写的时候和读的时候请求的节点恰好错开，发现没数据，相当于读不到数据了。因此需要保证W和R是一定能有重叠部分的，也就是W+R>N。这样就保证了每次读数据都能读到每次写的数据。那这是强一致性吗？并不是。（当然不是了，不然不就破了CAP了……）
具体原因要看读数据时是如何处理的。如果R个节点返回的数据是不一致的，比如一个节点说a=3，一个节点说a=2，分布式系统的时间戳是无法一致的，所以不能靠时间戳来判定先后，而Cassandra的做法是，照样看谁时间戳大，谁大听谁的。而时间戳以接受client请求的节点的系统时间戳或client自行提供为准。也就是说这里是存在误差的，也因此Cassandra必须要配套NTP来降低时间戳的误差。但毕竟时间戳是不可能完全没有误差的，所以理论上是可能出现后写入的数据被先写入的覆盖，连最终一致性都不是，而我自己把这种一致性命名为“NTP一致性”。但是因为Cassandra不仅是NoSQL而且是和BigTable一样的Wide Column，并且支持用CQL定义column，因此实际上只有不同client在NTP误差范围的时间（同机房内小于1ms）内同时写同一个row key+column key+column才会出现这种冲突。所以这就是个看需求的事情了，短时间内同时写一个字段的话读到哪个都行、或者完全不会短时间重复写一个字段的话就能忍，能忍就可以用，忍不了千万不要用。此外Cassandra从2.0开始支持轻量级事务——一个用paxos实现的CAS写操作，能在一定程度上解决这个问题，但是因为paxos的逻辑比单纯一次写大很多，所以性能差了很多。
发表回复