计算过程中的故障和容灾处理

使用Fourinone可以完成大部分分布式并行计算需求, 但是计算过程中的故障和容灾处理是怎么进行的呢, 这里详细分析一下：

[color=red]总的来说，Fourinone框架不会在设计中抛弃错误不处理或者容忍错误导致框架崩溃，框架通常会捕获所有的错误反馈给开发者去处理，但是框架本身不自作主张，替开发者考虑处理方案，只有这样框架才能从特定场景中抽象出来，给开发者更灵活的发挥和去满足各种更复杂业务容错情况。[/color]

那么框架究竟关注和不关注哪个层面的故障呢？
并行计算过程中，通常有两种类型的故障：一种是系统故障引起的计算中断（宕机和网络故障）, 一种是业务逻辑意义上的错误数据。前者是框架关注的，后者是业务逻辑开发者关注的。
系统故障导致网络断掉或者宕机，框架会捕获故障信息并通告，工头在检验工人执行状态时会获知，并进行相应的业务上的故障处理，比如重发或者单独记录日志。业务逻辑意义上的错误数据，通常在工人的业务实现逻辑里去判断，比如计算结果的金额为负数是一个不符合业务要求的错误数据，这个是由开发者去控制，框架不做业务逻辑上的错误处理。

针对故障，框架又是怎样容灾的呢？
通常一个典型的分布式计算结构，由工头、工人、职介所组成，我们详细分析一下这几个角色在故障时各自如何容灾：

[color=red]工头是嵌入式的，他不是一个服务程序，由嵌入他的系统new工头类并管理他的生命周期，工头不存在恢复或者容灾的概念[/color]，就好比我们写一个helloworld的main函数，很少考虑程序运行到hello， world没有输出时就宕机了。但是如果嵌入工头的系统是一个定时执行的计算任务时，也许要考虑容灾，因为涉及单点问题，可以让两个工头竞争一个分布式锁实现（[url=http://fourinone.iteye.com/blog/1295279]详细参考分布式锁demo[/url]）。

[color=red]工人和职介所是服务程序，如果工人节点故障，职介所会实时感知，工头分配计算时会获取到最新活跃工人数量，如果是职介所节点故障，Fourinone实现了领导者选举机制[/color]，会实时切换到备份职介所上（[url=http://fourinone.iteye.com/blog/1177036]详细参考统一配置管理主备领导者切换[/url]）。

换句话说，如果一个工人节点在计算开始前发生故障不可用，工头通过getWaitingWorkers获取可用工人时不会包括该工人节点，因为职介所会感知每个工人的可用状态。

[color=red]如果工人在计算过程中发生故障，框架会进行截获，然后提前返回计算结果，并设置结果的状态为异常。[/color]也就是正常完成计算时：result.getStatus()==WareHouse.READY
计算过程发生故障中断时：result.getStatus()==WareHouse.EXCEPTION
这样工头就可以根据检查结果的状态，来做故障时的容灾处理。
实际上也可以在工人的doTask实现方法内部捕捉业务异常，由开发者根据程序实现自由决定。

以下demo演示了Fourinone计算过程中的故障容灾处理：
FaultCtor：是一个工头实现，它调用集群中一个工人doTask执行任务，然后轮询该结果，判断结果是否完成或者是否异常，如果结果状态为异常，则打印消息。实际上这里只是简单演示机制，现实场景中，可以将任务先记录，工人执行成功后再删除并跳转下一个任务，如果异常则继续重发其他工人执行该任务，或者采用其他故障策略，统一记录到错误日志，在其他时间再另行排查处理。

FaultWorker：是一个工人实现，它模拟了一个任务执行，睡眠了8秒钟，然后再制造一个空指针异常。该工人模拟了两种系统异常状况，计算过程中可以关闭它，或者等待它运行到空指针异常查看效果，注意这里doTask本身是不抛出和捕捉异常的，由框架去处理。
运行步骤：
编译demo的java类：Javac –classpath fourinone.jar; *.java
1、 启动ParkServerDemo（它的IP端口已经在配置文件的PARK部分的SERVERS指定）
Java –classpath fourinone.jar; ParkServerDemo
2、 运行FaultWorker（传入端口号参数）
Java –classpath fourinone.jar; FaultWorker 2008
3、 运行FaultCtor
Java –classpath fourinone.jar; FaultCtor

运行后工人进入8秒中“任务执行”，这时可以将该工人进程关闭，然后会查看到工头界面输出something wrong about wks[0] result，说明框架已经屏蔽系统故障并反馈到任务结果的异常状态中，如果8秒中内不关闭，会引发另外一个空指针异常，产生同样的异常状态。

完整demo源码如下：
// ParkServerDemo

import com.fourinone.BeanContext;
public class ParkServerDemo
{
	public static void main(String[] args)
	{
		BeanContext.startPark();
	}
}

// FaultWorker

import com.fourinone.MigrantWorker;
import com.fourinone.WareHouse;
import com.fourinone.Workman;

public class FaultWorker extends MigrantWorker
{
	public WareHouse doTask(WareHouse inhouse)
	{	
		System.out.println(inhouse.getString("word"));
		try{Thread.sleep(8000L);}catch(Exception ex){}
		String[] strs = null;
		System.out.println(strs.length);
		WareHouse wh = new WareHouse("word", "hello ");
		return wh;
	}

	public static void main(String[] args)
	{
		FaultWorker mw = new FaultWorker();
		mw.waitWorking("localhost",Integer.parseInt(args[0]),"faultworker");
	}
}

// FaultCtor

import com.fourinone.Contractor;
import com.fourinone.WareHouse;
import com.fourinone.WorkerLocal;
import java.util.ArrayList;

public class FaultCtor extends Contractor
{
	public WareHouse giveTask(WareHouse inhouse)
	{
		WorkerLocal[] wks = getWaitingWorkers("faultworker");
		System.out.println("wks.length:"+wks.length);

		WareHouse wh = new WareHouse("word", "hello");
		WareHouse result = wks[0].doTask(wh);
		System.out.println("result:"+result);

		while(true){
			if(result.getStatus()==WareHouse.READY){
				System.out.println("result:"+result);
				break;
			}
			else if(result.getStatus()==WareHouse.EXCEPTION){
				System.out.println("something wrong about wks[0] result");
				//doTask(wh) again or put wh into log
				break;
			}
		}

		return null;
	}

	public static void main(String[] args)
	{
		FaultCtor a = new FaultCtor();
		a.giveTask(null);
		a.exit();
	}
}