分布式存储系统学习笔记(一)—什么是分布式系统(4)—容错机制

a)   故障检测

首先明确心跳是不是和用来进行故障检测的。在系统运行中可能出现各种错误，机器A收不到机器B的心跳包并不能认为B发生了故障并停止了服务，比如A和B之间的网络发生了故障，或者B过于繁忙无法响应A的心跳包。这就可能导致不一致问题的发生。

故障检测的关键在于两台机器对“机器B是否被认为发生故障且停止服务达成一致”，然而异步网络中的多台机器无法达成一致，但是实践中机器之间会进行时钟同步，我们假设两台机器之间本地时钟相差不大（比如小于0.5s），我们可以通过租约（Lease）机制进行故障检测。

租约机制是带有超时时间的授权，B从A处获得租约，只有在租约有效期内B对外提供服务，正常情况下，B不断向A请求租约以保证提供服务，但是当发生故障时，B无法获得新的租约，也就不能对外提供服务了。B上的数据可以进行迁移。但是考虑到本地时钟不一致的问题，A可以在租约超时时间+1s(提前量)时再认为B已经发生故障，

b)  故障恢复

对于单层结构，总控节点选择其他最新的副本代替故障节点上的副本对外提供服务，在等待一定时间后(比如1h)，总控节点认为该节点永久下线，进行副本复制以保证每一个数据分片的副本数保持在一定数目。

对于双层结构，存储和服务分开，每个数据分片同一时间只有一个节点对外提供服务。当一个节点出现故障时，总控节点选择另外一个节点，加载A的服务并从底层分布式文件系统中加载A的数据到内存中。

总控节点也可能发生故障，为此，总控节点的状态会实时同步到备机，故障发生时，通过某个外部的高可用服务选举一个备机为总控节点。

欢迎扫描二维码关注微信公众号 深度学习与数学   [每天获取免费的大数据、AI等相关的学习资源、经典和最新的深度学习相关的论文研读，算法和其他互联网技能的学习，概率论、线性代数等高等数学知识的回顾]