从0开始学架构_06_05_复杂度来源高可用
你好，我是华仔。
今天我和你分享的主题是复杂度的。
第二个来源，高可用参考维基百科。
先来看看高可用的定义，高可用是系统无中断的执行，其功能的能力。
代表系统的可用性程度是进行系统设计时的准则之一。
这个定义的关键在于无中断，但恰好难点也在无中断上面。
所以，系论是单个硬件还是单个软件，都不可能做到无中断，硬件会出故障，软件会有bug,硬件会逐渐老化，硬件会越来越复杂和庞大。
除了硬件和软件，本质上无法做到无中断外部环境导致的不可用，更加不可避免和不受控制。
例如断电、水灾、地震这些事故或者灾难也会导致系统不可用，而且影响程度更加严重，更加难以预测和规避。
所以，系统的高可用方案五花八门。
但万变不离其宗，本质上都是通过冗余来实现高可用。
通俗点来讲，就是一台机器不够，就两台，两台不够，就四台。
一个机房可能断电，那就部署两个机房，一条通道可能故障，那就用两条两两条不够，就用三条高可用的的冗解决方案。
单纯从形式上来看，和之前讲的高性能是一样的，都是通过增加更多机器来达到目的，但其实本质上是有根本区别的。
高性能增加机器的目的在于扩展处理性能高。
可用增加机器的目的在于冗余处理单元，通过冗余增强了可用性，但同时也带来了复杂性。
我会根据不同的应用场景逐一分析计算。
高可用。
这里的计算指的是业务的逻辑处理。
计算的有一个特点，就是无论在哪台机器上进行计算。
同样的，算法和收入数据产出的结果都是一样的。
所以将计算从一台机器迁移到另外一台机器，对业务并没有什么影响。
既然如此，计算高可用的复杂度体现在哪里呢？我以最简单的单机变双击为例进行分析。
你可以点击文稿，看一个单机变双机的简单架构示意图。
你可能会发现这个双机的架构图和上期高性能讲到的双机架构图是一样的，因此复杂度也是类似的。
具体表现为，第一，需要增加一个任务分配器，选择合适的任务分配器也是一件复杂的事情，需要综合考虑性能、成本、可维护性、可用性等各方面因素。
第二，任务分配器和真正的业务服务器之间有连接和交互。
需要选择合适的连接方式，并且对连接进行管理，例如连接建立连接检测，连接中断后如何处理等。
第三，任务分配器需要增加分配算法。
例如常见的双机算法，由主备主主，主备方案，又可细分为冷备温备热备。
上面这个示意图呢只是简单的双击架构。
我们再看一个复杂一点的高可用集群架构，请点击文稿查看图片。
这个高可用集群相比双机来说，分配算法更加复杂，可以是一主三倍，二主二倍，三主一倍，四主零倍。
具体应该采用哪种方式，需要结合实际业务需求来分析和判断，并不存在某种算法就一定优于另外的算法。
例如，zookeeper采用的就是一主多倍，而mam catch采用的就是全主零倍。
需于需要存储数据的系统来说，整个系统的高可用设计关键点和难点就在于存储高可用。
存储与计算相比有一个本质上的区别，就是将数据从一台机器搬到另一台机器，需要经过线路进行传输，线路传输的速度是毫秒级别，例如机房内部能够做到几毫秒，分布在不同地方的机房传输，耗时需要几十甚至上百毫秒。
例如，从广州机房到北京机房稳定情况，下聘延时大约是五十毫秒，不稳定情况下可能达到一秒甚至更多。
虽然毫秒对于人来说几乎没有什么感觉，但是对于高可用系统来说，就是本质上的不同。
这意味着整个系统在某个时间点上数据肯定是不一致的。
按照数据加逻辑，等于业务这个公式来套的话，数据不一致，即使逻辑一致，最后的业务表现就不一样了。
以最经典的银行储蓄业务为例，假设用户的数据存在，北京机房用户存入了一万块钱。
然后他查询的时候，被路由到了上海机房，用京机房的数据没有同步到上海机房，用户会发现他的余额并没有增加一万块钱。
想象一下，此时用户肯定会背后一凉，马上怀疑自己的前辈到了，然后赶紧打客服电话投诉，甚至打幺幺零报警。
即使最后发现，只是因为传输延迟导致的问题，站在用户的角度来说，这个过程的体验肯定很不好。
除了物理上的传输速度限制，传输线路本身也存在可用性问题，传输线路可能中断，可能拥塞可能异常，并且传输线路的故障时间一般都特别长短的，十几分钟长的几个小时都是可能的。
例如，二零一五年，支付宝因为光缆被挖断，业务影响超过四个小时。
二零一六年，中美海底光缆中断三小时等，在传输线路中断的情况下，就意味着存储无法进行同步。
在这段时间内，整个系统的数据是不一致的。
综合分析，无论是正常情况下的传输延迟，还是异常情况下的传输中断，都会导致系统的数据在某个时间点或者时间段是不一致的，而数据的不一致又会导致业务问题无。
如果完全不做冗余，系统的整体高可用又无法保证。
所以，存储高可用的难点不在于如何备份数据，而在于如何减少或者规避数据不一致对业务造成的影响。
分布式领域里面有一个著名的CAP定理，从理论上论证了存储高可用的复杂度，也就是说存储高可用不可能同时满足一致性、可用性、分区容错性最多满足其中两个。
这就要求我们在做架构设计时，结合业务进行取舍，无论是计算、高可用还是存储高可用，其基础都是状态决策，即系统需要能够判断当前的状态是正常还是异常。
如果出现了异常，就要采取行动来保证高可用。
如果状态决策本身都是有错误或者有偏差的，那么后续的任何行动和处理无论多么完美，也都没有意义和价值。
但在具体实践的过程中，恰好存在一个本质的矛盾，就是通过冗余来实现的。
高可用系统呢状态决策本质上就不可能做到完全正确。
下面我基于几种常见的决策方式进行详细分析。
第一种方式，独裁式独裁式决策，指的是存在一个独立的决策主体。
我们姑且称他为决策者负责收集信息，然后进行决策。
所有冗余的个体呢，我们姑且称他为上报者，都将状态信息发送给决策者。
独裁式的决策方式，不会出现决策混乱的问题。
因为只有一个决策者，但问题也正是在于只有一个决策者，当决策者本身故障时，整个系统就无法实现准确的状态决策。
如果决策者本身又做一套状态决策，那就陷入了一个递归的死循环了。
第二种方式，协商式协商式决策指的是两个独立的个体，通过交流信息，然后根据规则进行决策。
最常用的协商式决策就是主备决策。
这个架构的基本协商规则可以设计成第一种两台，服务器启动时都是备机。
第二种，两台服务器建立连接第三种两台服务器交换状态信息。
第四种，某一台服务器做出决策，成为主机另一台服务器继续保持备机身份。
协商式决策的架构不复杂，规则也不复杂，其难点在于，如果两者的信息交换出现问题，此时状态决策应该怎么做？如果备机在连接中断的情况下，认为主机故障，那么备机需要升级为主机。
但实际上，此时主机并没有故障，那么系统就出现了两个主机，这与设计初衷是不符合的。
如果备机在连接中断的情况下，不认为主机故障，则此时如果主机真的发生故障，那么系统就没有主机了。
这同样与设计初衷是不符合的。
如果为了规避连接中断，对状态决策带来的影响，可以增加更多的连接，例如双连接、三连接。
这样虽然能够降低连接中断对状态带来的影响，但同时又引入了这几条连接之间信息取舍的问题，即如果不同连接传递的信息不同，应该以哪个连接为准呢？实际上啊，这也是一个无解的答案。
无论以哪个连接为准，在特定场景下都可能存在问题。
综合分析协商式状态决策在某些场景总是存在一些问题的第三种方式。
民主式民主式决策指的是多个独立的个体，通过投票的方式来进行状态决策。
例如zookeeper集群在选择leader时就是采用这种方式。
民主式决策和协商式决策比较类似，其基础都是独立的个体之间交换信息。
每个个体做出自己的决策，然后按照多数取胜的规则来确定最终的状态。
不同点在于民主式决策，比协商式决策要复杂得多。
Zookeeper的选取算法paxes,绝大部分人都看得云里雾里，更不用说用代码来实现。
这套算法了除了算法复杂、民主式决策，还有一个固有的缺陷。
脑裂这个子呢来源于医学，指人体左右大脑半球的连接被切断后，左右脑因为无法交换信息，导致各自做出决策。
然后身体受到两个大脑分别控制，会做出各种奇怪的动作。
例如，当一个脑裂患者更衣时，他有时会一只手将裤子拉起，另一只手却将裤子往下脱。
脑裂的根本原因是原来统一的集群，因为连接中断造成了两个独立分隔的子集群。
每个子集群单独进行选举，于是选出了两个主机，相当于人体有两个大脑了。
从文稿里的图中可以看到，正常状态下的时候，节点五作为主节点，其他节点作为被节点当连接发生故障时，节点一节点二、节点三，形成了一个子集群。
节点四节点五，形成了另外一个子集群。
这两个子集群的连接已经中断，无法进行信息交换。
按照民主决策的规则和算法，两个子集群分别选出了节点二和节点五作为主节点。
此时整个系统就出现了两个主节点这个状态，违背了系统设计的初衷。
两个主节点会各自做出自己的决策，整个系统的状态就混乱了。
为了解决脑裂问题，民主式决策的系统一般都采用投票节点数，必须超过系统节点数一半规则来处理。
如温告例图中那种情况节点四和节点五形成了子集群，总节点数只有两个，没有达到总节点数五个的一半，因此这个子集群不会进行选举。
这种系统虽然解决了脑类问题，但同时降低了系统整体的可用性，即如果系统不是因为脑裂问题导致投票节点数过少，而真的是因为节点故障，此时系统也不会选出主节点，整个系统就相当于宕机了。
尽管此时还有节点四和节点五是正常的。
综合分析，无论采取什么样的方案、状态、决策，都不可能做到任何场景下都没有问题。
但完全不做高可用方案，又会产生更大的问题。
如何选取适合系统的高可用方案，也是一个复杂的分析判断和选择的过程。
今天我给你讲了复杂度来源之一的高可用，分析了计算高可用和存储高可用两个场景给出了几种高可用状态决策方式，希望对你有所帮助，这就是今天的全部内容，留一道思考题给你吧。
高性能和高可用是很多系统的核心复杂度，你认为哪个会更复杂一些呢？理由是什么？欢迎你把答案写到留言区，和我一起讨论。
相信经过深度思考的回答，也会让你对知识的理解更加深刻。