# 分布式数据

LLMS 索引： [llms.txt](/llms.txt)

---

> 一个成功的技术，现实的优先级必须高于公关，你可以糊弄别人，但糊弄不了自然规律。
>
> —— 罗杰斯委员会报告（1986）
>

-------

在本书的 [第一部分](/part-i) 中，我们讨论了数据系统的各个方面，但仅限于数据存储在单台机器上的情况。
现在我们到了 [第二部分](/part-ii)，进入更高的层次，并提出一个问题：如果 *多台机器* 参与数据的存储和检索，会发生什么？

你可能会出于各种各样的原因，希望将数据库分布到多台机器上：

可伸缩性
: 如果你的数据量、读取负载、写入负载超出单台机器的处理能力，可以将负载分散到多台计算机上。

容错 / 高可用性
: 如果你的应用需要在单台机器（或多台机器，网络或整个数据中心）出现故障的情况下仍然能继续工作，则可使用多台机器，以提供冗余。一台故障时，另一台可以接管。

延迟
: 如果在世界各地都有用户，你也许会考虑在全球范围部署多个服务器，从而每个用户可以从地理上最近的数据中心获取服务，避免了等待网络数据包穿越半个世界。

## 伸缩至更高的负载

如果你需要的只是伸缩至更高的 *负载（load）*，最简单的方法就是购买更强大的机器（有时称为 *垂直伸缩*，即 vertical scaling，或 *向上伸缩*，即 scale up）。许多处理器，内存和磁盘可以在同一个操作系统下相互连接，快速的相互连接允许任意处理器访问内存或磁盘的任意部分。在这种 *共享内存架构（shared-memory architecture）* 中，所有的组件都可以看作一台单独的机器。

> [!NOTE]
> 在大型机中，尽管任意处理器都可以访问内存的任意部分，但总有一些内存区域与一些处理器更接近（称为 *非均匀内存访问（nonuniform memory access, NUMA）* [^1]）。为了有效利用这种架构特性，需要对处理进行细分，以便每个处理器主要访问临近的内存，这意味着即使表面上看起来只有一台机器在运行，*分区（partitioning）* 仍然是必要的。

共享内存方法的问题在于，成本增长速度快于线性增长：一台有着双倍处理器数量，双倍内存大小，双倍磁盘容量的机器，通常成本会远远超过原来的两倍。而且可能因为存在瓶颈，并不足以处理双倍的载荷。

共享内存架构可以提供有限的容错能力，高端机器可以使用热插拔的组件（不关机更换磁盘，内存模块，甚至处理器）—— 但它必然囿于单个地理位置的桎梏。

另一种方法是 *共享磁盘架构（shared-disk architecture）*，它使用多台具有独立处理器和内存的机器，但将数据存储在机器之间共享的磁盘阵列上，这些磁盘通过快速网络连接。这种架构用于某些数据仓库，但竞争和锁定的开销限制了共享磁盘方法的可伸缩性 [^2]。

> [!NOTE]
> 网络附属存储（Network Attached Storage, NAS），或 *存储区网络（Storage Area Network, SAN）*

### 无共享架构

相比之下，*无共享架构* [^3]（shared-nothing architecture，有时被称为 *水平伸缩*，即 horizontal scaling，或 *向外伸缩*，即 scaling out）已经相当普及。
在这种架构中，运行数据库软件的每台机器 / 虚拟机都称为 *节点（node）*。每个节点只使用各自的处理器，内存和磁盘。节点之间的任何协调，都是在软件层面使用传统网络实现的。

无共享系统不需要使用特殊的硬件，所以你可以用任意机器 —— 比如性价比最好的机器。你也许可以跨多个地理区域分布数据从而减少用户延迟，或者在损失一整个数据中心的情况下幸免于难。
随着云端虚拟机部署的出现，即使是小公司，现在无需 Google 级别的运维，也可以实现异地分布式架构。

在这一部分里，我们将重点放在无共享架构上。它不见得是所有场景的最佳选择，但它是最需要你谨慎从事的架构。
如果你的数据分布在多个节点上，你需要意识到这样一个分布式系统中约束和权衡 —— 数据库并不能魔术般地把这些东西隐藏起来。

虽然分布式无共享架构有许多优点，但它通常也会给应用带来额外的复杂度，有时也会限制你可用数据模型的表达力。
在某些情况下，一个简单的单线程程序可以比一个拥有超过 100 个 CPU 核的集群表现得更好 [^4]。另一方面，无共享系统可以非常强大。接下来的几章，将详细讨论分布式数据会带来的问题。


### 复制 vs 分区

数据分布在多个节点上有两种常见的方式：

复制（Replication）
: 在几个不同的节点上保存数据的相同副本，可能放在不同的位置。复制提供了冗余：如果一些节点不可用，剩余的节点仍然可以提供数据服务。复制也有助于改善性能。[第六章](/ch6) 将讨论复制。

分区 (Partitioning)
: 将一个大型数据库拆分成较小的子集（称为 *分区*，即 partitions），从而不同的分区可以指派给不同的 *节点*（nodes，亦称 *分片*，即 sharding）。[第七章](/ch7) 将讨论分区。

复制和分区是不同的机制，但它们经常同时使用。如 [图 II-1](#fig_replication_partitioning) 所示。

**图 II-1.** 一个数据库切分为两个分区，每个分区都有两个副本

![一个数据库切分为两个分区，每个分区都有两个副本](/v1/ddia_part-ii_01.png)


理解了这些概念，就可以开始讨论在分布式系统中需要做出的困难抉择。[第八章](/ch8) 将讨论 *事务（Transaction）*，这对于了解数据系统中可能出现的各种问题，以及我们可以做些什么很有帮助。
[第九章](/ch9) 和 [第十章](/ch10) 将讨论分布式系统的根本局限性。

在本书的 [第三部分](/part-iii) 中，将讨论如何将多个（可能是分布式的）数据存储集成为一个更大的系统，以满足复杂的应用需求。但首先，我们来聊聊分布式的数据。


## [6. 复制](/ch6)
- [单主复制](/ch6#sec_replication_leader)
- [复制延迟的问题](/ch6#sec_replication_lag)
- [多主复制](/ch6#sec_replication_multi_leader)
- [无主复制](/ch6#sec_replication_leaderless)
- [总结](/ch6#summary)

## [7. 分片](/ch7)
- [分片的利与弊](/ch7#sec_sharding_reasons)
- [键值数据的分片](/ch7#sec_sharding_key_value)
- [请求路由](/ch7#sec_sharding_routing)
- [分片与二级索引](/ch7#sec_sharding_secondary_indexes)
- [总结](/ch7#summary)

## [8. 事务](/ch8)
- [事务到底是什么？](/ch8#sec_transactions_overview)
- [弱隔离级别](/ch8#sec_transactions_isolation_levels)
- [可串行化](/ch8#sec_transactions_serializability)
- [分布式事务](/ch8#sec_transactions_distributed)
- [总结](/ch8#summary)
- [参考文献](/ch8#references)

## [9. 分布式系统的麻烦](/ch9)
- [故障与部分失效](/ch9#sec_distributed_partial_failure)
- [不可靠的网络](/ch9#sec_distributed_networks)
- [不可靠的时钟](/ch9#sec_distributed_clocks)
- [知识、真相和谎言](/ch9#sec_distributed_truth)
- [总结](/ch9#summary)

## [10. 一致性与共识](/ch10)
- [线性一致性](/ch10#sec_consistency_linearizability)
- [ID 生成器和逻辑时钟](/ch10#sec_consistency_logical)
- [共识](/ch10#sec_consistency_consensus)
- [总结](/ch10#summary)


### 参考

[^1]: Ulrich Drepper: “[What Every Programmer Should Know About Memory](https://people.freebsd.org/~lstewart/articles/cpumemory.pdf),” akka‐dia.org, November 21, 2007.
[^2]: Ben Stopford: “[Shared Nothing vs. Shared Disk Architectures: An Independent View](http://www.benstopford.com/2009/11/24/understanding-the-shared-nothing-architecture/),” benstopford.com, November 24, 2009.
[^3]: Michael Stonebraker: “[The Case for Shared Nothing](http://db.cs.berkeley.edu/papers/hpts85-nothing.pdf),” IEEE Database EngineeringBulletin, volume 9, number 1, pages 4–9, March 1986.
[^4]: Frank McSherry, Michael Isard, and Derek G. Murray: “[Scalability! But at What COST?](http://www.frankmcsherry.org/assets/COST.pdf),” at 15th USENIX Workshop on Hot Topics in Operating Systems (HotOS),May 2015.