zookeeper入门学习

zookeeper应用场景

1. 分布式协调组件

客户端第一次请求发给服务器2，将flag值修改为false，第二次请求被负载均衡到服务器1，访问到的flag也会是false

一旦有节点发生改变，就会通知所有监听方改变自己的值，保持数据的一致性（watch机制） => 会不会改变的太频繁了

2. 分布式锁

后面讲述

3. 无状态化的实现

比如我的登录信息，单独放在哪一台主机都不合适，这时，就可以将登录信息放在zookeeper中

配置与命令

1. zoo.cfg配置文件说明（单节点）

dataDir: zookeeper的数据存储在内存中，为防止数据丢失，需持久化到磁盘

• 事务持久化：保存执行命令
• 快照持久化：保存内存快照

与Redis不同，这两种模式zk都默认开启了，在恢复时，先恢复快照文件中的数据到内存中，再用日志文件做增量恢复。

2. 操作命令

内部数据模型

zk结构

类似Linux的文件目录:

zk的数据存储基于节点，这种节点叫做Znode，但不同于树的节点，Znode节点的引用方式是路径引用，类似文件路径：/动物/猫

创建节点：create /test1,create /test1/sub1

存储数据（如上文说的存储session信息）：create /test2 session

获取数据: get /test2

Znode结构

包含4部分：

1. data：保存数据
2. acl:权限
   • c、d: create、delete权限，允许在该节点下创建、删除子节点
   • w、r：读写权限
   • a：允许对该节点进行acl权限设置
3. stat：描述当前znode的元数据(get -s /tets2可查看，创建时间、版本号等)
4. child：当前节点的子节点

Znode类型

zk节点创建（本文都是通过zkCli客户端创建，java有一个curator客户端，这里不做记录）

1. 持久节点：创建出的节点，在会话结束后依然存在
2. 持久序号节点：创建的节点会有一个数值，越晚创建数值越大，适用于分布式锁场景
   • create /test3会提示/test3已存在
   • create -s /test3会创建/test300000000001节点
3. 临时节点：会话结束后自动删除，通过这个特性，zk可以实现服务注册与发现(注册中心)的效果

临时节点不断发送会话续约心跳，当停止发送心跳后，zk服务器的定时任务会发现这些未续约的session并删除：

服务注册与发现：服务停供者P连接zk，创建临时的znode，这样客户端C就可以访问到这个服务了，但如果这个服务P下线了，临时znode节点被删除，客户端就不能访问服务P了

临时节点创建：create -e /test4

4. 临时序号节点: 用于分布式临时锁场景, create -e -s /tets4
5. 容器节点：容器节点中没有任何子节点，则该容器会被删除（60s后）
6. TTL节点：指定节点的到期时间，到期后zk被定时删除

znode删除

1. 普通删除
2. 乐观锁删除：delete -v 0 /test2,删除前不上锁，删除时如果发现版本号变化，则删除失败

zk分布式锁

分布式锁：一个请求发送服务器1，zk服务器对资源A上锁，后续当请求负载均衡到服务器2，服务器2
上的资源A也需要被锁

读锁：上读锁的前提是资源A没有上写锁
写锁：上写锁的前提是资源A没有上任何锁

1. zk上读锁：

如：

• 请求1访问服务器(不论是1还是2)上的资源A, 这个请求被线程池中的x号线程接管
• /lock_node(该节点专门用来上锁的)创建子节点 read0001（这个节点的数据应该就是资源A）,表示资源A已被上读锁了
• 然后第二个并发请求过来，被线程池中的y号线程接管，如果判断1号节点（最小节点）上的是写锁，则上读锁失败
• 如果1号节点是写锁，2号节点将向1号节点注册一个watch，监听1号节点被释放

2. zk上写锁：

3. 羊群（惊群）效应

如果有100个并发，都在上写锁，那么后面的99个节点都要监听第一个节点，等1号节点释放了，另外的98个节点又要监听2号节点

解决：链式监听，当前节点监听上一个节点是否释放

watch机制

watch机制：可以理解成注册再特定znode上的触发器，当这个znode改变时，也就是调用了create、delete、setDate
等命令时，会触发znode上注册的对应事件，请求watch的客户端会接受到异步通知。

具体交互：

zk集群

主要讲述集群的选举和数据同步

集群角色

1. leader：处理集群的所有事务请求，一个集群只能有一个leader
2. follower：只能处理读请求，参与leader选举
3. observer：只能处理读请求，提升集群读的性能，不参与leader选举

搭建集群

搭建4个节点，其中一个observer

1. 创建节点的myid

2. 编写4个zoo.cfg

注意配置三类端口：

• clientPort：开放给客户端的端口
• server.2001:集群通信端口，主要用于同步
• server.3001:集群选举端口

3. 启动4台zk

4. 客户端链接zk集群

如果只填一个zk服务器，那就和单机集群没区别了，zk服务器挂了后，就不会连其他zk服务器了

ZAB协议

原子广播协议：zk为了保证数据的一致性，使用了ZAB（Zookeeper Atomic Broadcast）协议,这个协议解决了zk崩溃恢复和主从数据同步的问题

zk集群的主节点一般不给客户端直接连，而是用于服务器数据同步

ZAB协议定义的四种节点状态

• looking（巡视）：选举状态，zk集群的节点在上线时，会进入到looking状态
• following：follower节点所处的状态
• leading：leader节点所处的状态
• observing：observer节点所处的状态

集群上线时的Leader选举过程

节点成为leader的条件，投票箱中有超半数的投票，所以zk集群中的结点数量一般是奇数个。

如三台zk服务器，主要票数达到2就能完成leader选举，而如果是4台，则需要票数达到3。

对于上文的集群配置，第二台服务器会成为leader，选举过程如下：

1. 选票格式：

• myid：
  • 选举时，如果事务id一样，就投myid比较大的
• zXid：
  • 节点每进行一次增删改，这个事务id就会加1，因此这个事务id就描述了这个节点发生了多少次的变化
  • 每次选举先比较zXid，因为如果zXid大，就表示这个节点的数据更新

2. 开始选举

• 第一台服务器上线，不会进行选举
• 第二台服务器上线，开始选举

  • 第一轮：

    

  • 第二轮：第一轮还没选出票数过半的节点，继续选举

    
    • 此时，节点3可能也启动了，那么节点1和节点2也会收到节点3的投票，第二轮结束后，如果没选出leader则还会进行第三轮选举（这种情况暂不考虑）
    • 第二轮投票结束后，leader选举成功，选举过程结束
• 第三台服务器上线，发现leader已经存在了，自动成为follower

崩溃时的leader选举

leader建立完成后，leader周期性地向follower发送心跳（ping命令），当leader崩溃后，follower发现通道已关闭，
于是进入到looking状态，重新进行选举，此时集群不能对外提供服务

主从数据同步

客户端连接一个zk服务器（follower），向该服务器写了一个数据DA，那么这个数据需要同步到所有服务器

按步骤解释：

• 第2步：leader先将该数据DA存储到自己的磁盘，而不能直接写内存，要写就所有服务器一起写
  • 这里的所有是指集群一切正常的情况下
• 第4步：follower收到数据后，不能直接写内存，会造成有的follower中有数据DA，有的却没有，造成数据不同步
• 第5，6，7步：只有leader收到的ack消息达到服务器数量的半数以上，才能将数据写到内存
  • 为什么leader收到ack消息数量达到半数以上即可：
    • 假设leader需要收到全部follower的ack消息，如果有少数几台服务器网络卡了，甚至掉线了，那么zk集群的写效率将会很低

两阶段提交：写数据文件，再写内存的方式,防止有的服务器有数据，有的却没有

强一致性： 如果集群中的一台服务器与leader的通信出现故障了，那么这台服务器将暂时无法同步数据DA，但是等通信恢复了，数据DA还是会同步到这台服务器，现实各个服务器数据的顺序一致性

zk数据一致性

CAP理论

1. 一致性（Consistency）: 更新操作成功并返回客户端完成后，所有节点在同一时间的数据完全一直
2. 可用性(Availability): 即服务一直可用，且是正常响应时间
3. 分区容错性(Partition tolerance): 分布式系统在遇到某节点或网络分区故障时，仍能对外提供满足一致性或可用性的服务。 => 避免单点故障，就要进行冗余部署，冗余部署就相当于服务的分区，这样分区就具备了容错性。

这三项最多只能满足两项：

• CA: 比如银行、金融行业，发生网络故障时，宁愿停止服务（但其实不满足P，而不叫分布式系统了，因为不存在分区了）
• CP: 发生故障时，只读不写
• AP: 分布式系统一般都是尽量满足AP，舍弃C(退而求其次保证最终一致性)

如我向银行服务A存储了5k元，在服务器B同步服务器A的过程中（如网络阻塞），我查询资金的请求可能经过分布式网关被转发到了服务B：

• 若允许访问，则是追求AP,但此时两台服务器的数据是不一致
• 若不允许访问，则是追求CP，则此时银行系统是不可用的

BASE理论

CAP的一致性是强一致性，而Base理论的核心思想是即使无法做到强一致性，但可以采用适合的方式达到最终一致性

• 基本可用性：分布式系统出现故障时，允许损失部分可用性，保证核心可用。
  • 双十一为了应对激增的流量，只提供浏览、下单功能，注册、评论等功能关闭
• 软状态：系统允许存在中间状态，而该中间状态不影响系统整体可用性。分布式存储中，一般一份数据会有至少三个副本，允许不同节点间副本同步的演示就是软状态的体现。
  • 如双十一处于可用又不可用的中间状态
  • 又比如客户端向zk的leader写了数据，但立马查询follower时数据查询不到，这个同步的过程系统就处于软状态，同步完后，就能查询到数据了
• 最终一致性：系统中所有副本经过一定时间后，最终能达到一致的状态。最终一致性是弱一致性的一种特殊情况
  • 双十一过去后，电商系统会恢复如初

zk追求的一致性

zk追求的是CP，在进行选举时，集群不对外开放，选举完成后要进行数据同步，这一不可用的过程通常在30s~120s之间。

zk在收到半数以上的ack后（如果要收到全部follower的ack，会降低集群的同步效率），就会写内存，因此会造成部分follower没有同步数据：

zk在数据同步时，追求的并不是强一致性，而是顺序一致性（事务id的单调递增），如集群启动后，写如第一个数据后，写成功的服务器事务id为1，而写失败的服务器事务id为0，等再写第二个数据时，
网络阻塞的服务器一定会同步第一个数据，再同步第二个数据。也就是如果一个事务A在事务B之前执行，那么任何情况下，事务A都必须在事务B之前执行。

如果不保证顺序执行，同步失败过的服务器SA可能会产生旧值，比如第一个同步a=1失败，后续同步a=2，此时各个服务的a都应该是2，但SA由于错序执行，a又变成1了。

个人猜想：在分布式锁中，当服务在同步/znode时，各个服务器都加了锁/znode/write001，然后又释放了，如果SA同步失败后，又乱序执行，会导致这台服务器永远也访问不了这个数据了。

zk的NIO与BIO

早期zk用NIO，后面的版本用netty

NIO：同步非阻塞的网络模型（类似多路复用）

• zk服务器连接多个客户端：所有客户端的请求发送给zk服务后，就继续执行其他动作
• 客户端监听多个zk节点：zk服务的多个事件发送客户端后，客户端处理这些事件的同时，继续监听

BIO:

• 在选举投票时，各个服务器需要建立socket连接
• leader向follower发送心跳，也需要建立socket连接