分布式存储的一些概念

一致性哈希

哈希是调度和负载均衡的常用策略，对于目标资源O，通过hash(O) = O mod n找到资源所在。一个问题是：当增加或删除一台cache server时（n发生了变化），所有资源对应的hash值发生改变，致使策略失效，cache servers需要全部更新。

一致性哈希是一种特殊的哈希算法，可以避免上述情况发生，当n发生变化时，一致性哈希保证平均K/n个关键字重新映射（k为资源总数，n为机器数），而不是所有映射都变化，减少系统动荡。
实现：
哈希算法确保节点数变化时将原先的key映射到新节点上，每个节点对应一个或多个hash值区间。转载几张图，来解释一致性哈希的实现。
1.一个节点对应1个区间（实现中，可以一台物理机上保存多个节点），key=>hash value=>district=>node



2.新增节点：新节点截断原有区间，cache3-cache5之间的对象映射到cache5。



3.删除节点：旧节点值映射到下一节点，cache2-cache3区间合并到cache4上。



算法要求：冗余少（分散性低），负载均衡，过渡平滑，key单调

CAP定理

分布式系统中，数据或者服务都面临着如下的问题：

一致性（Consistency）：所有节点在同一时间具有相同的数据

可用性（Availability）：保证每个请求不管成功或者失败都有响应

分隔容忍（Partition tolerance）：系统中任意信息的丢失或失败不会影响系统的继续运作，也就是可扩展性

根据定理，分布式系统只能满足三项中的两项而不可能满足全部三项。

一致性分为：

强一致性：任何时刻，所有节点上的数据都是最近一次更新后的版本。

最终一致性：一个数据更新成功后，各副本会逐步更新，最终达到完全一致。

会话一致性：用户在一次会话内读到数据的一个版本后，在这次会话过程中将不会读到更旧的值。

单调一致性：任何时刻，用户读到数据的一版本后，此后再也不会读到更旧的值。

弱一致性：一个数据更新后，不保证其他副本上能读到更新值。

Paxos 算法

Paxos用于让整个集群的节点对某个值的变更达成一致。Paxos算法基本上来说是个民主选举的算法——大多数的决定会成个整个集群的统一决定。任何一个点都可以提出要修改某个数据的提案，是否通过这个提案取决于这个集群中是否有超过半数的结点同意（所以Paxos算法需要集群中的节点是单数）。介绍如下：
第一阶段：Prepare阶段

A把申请修改的请求Prepare Request发给所有的结点A，B，C。注意，Paxos算法会有一个Sequence Number（你可以认为是一个提案号，这个数不断递增，而且是唯一的，也就是说A和B不可能有相同的提案号），这个提案号会和修改请求一同发出，任何结点在“Prepare阶段”时都会拒绝其值小于当前提案号的请求。所以，结点A在向所有节点申请修改请求的时候，需要带一个提案号，越新的提案，这个提案号就越是是最大的。

如果接收节点收到的提案号n大于其它节点发过来的提案号，这个节点会回应Yes（本结点上最新的被批准提案号），并保证不接收其它<n的提案。这样一来，结点上在Prepare阶段里总是会对最新的提案做承诺。

优化：在上述 prepare 过程中，如果任何一个结点发现存在一个更高编号的提案，则需要通知 提案人，提醒其中断这次提案。

第二阶段：Accept阶段

如果提案者A收到了超过半数的节点返回的Yes，然后他就会向所有的节点发布Accept Request（同样，需要带上提案号n），如果没有超过半数的话，那就返回失败。

当节点们收到了Accept Request后，如果对于接收的节点来说，n是最大的了，那么，它就会修改这个值，如果发现自己有一个更大的提案号，那么，节点就会拒绝修改。

NWR模型

Amazon Dynamo提出了NWR模型确保数据永远可写，数据冲突留给用户来解决（提供数据版本）。NWR主要保证系统的可用性和可扩展性(C和P)。
N代表N个备份，W代表要写入至少W份才认为成功，R表示至少读取R个备份，R+W>N确保用户至少读取到一个最新的版本。当需要高可写的环境，配置(W=1 ,R=N)， 这时只要写任何节点成功就认为成功，但读的时候必须从所有的节点都读出数据。如果要求读的高效率，配置 (W=N,R=1)，这个时候任何一个节点读成功就认为成功，但是写的时候必须写所有三个节点成功才认为成功。
Dynamo引进了数据版本和Vector Clock，每个节点各自记录自己的版本信息，对于同一个数据，需要记录下更新人和版本号。节点自己拒绝版本号小的更新，节点间数据的冲突留给用户处理。