Cassandra失效检测原理
一、传统失效检测及其不足
传统失效检测方法
在分布式系统中经常使用心跳(Heartbeat)来检测Server的健康状况,但从理论上来说,心跳无法真正检测对方是否crash,主要困难在于无法真正区别对方是宕机还是“慢”。传统的检测方法是设定一个超时时间T,只要在T之内没有接收到对方的心跳包便认为对方宕机,方法简单粗暴,但使用广泛。
传统错误检测存在的缺陷
如上所述,在传统方式下,目标主机会每间隔t秒发起心跳,而接收方采用超时时间T(t<T)来判断目标是否宕机,接收方首先要非常清楚目标的心跳规律(周期为t的间隔)才能正确设定一个超时时间T,而T的选择依赖当前网络状况、目标主机的处理能力等很多不确定因素,因此在实际中往往会通过测试或估计的方式为T赋一个上限值。上限值设置过大,会导致判断“迟缓”,但会增大判断的正确性;过小,会提高判断效率,但会增加误判的可能性。但下面几种场景不能使用传统检测方法:
1.Gossip通信
但在实际应用中,比如基于Gossip通信应用中,因为随机通信,两个Server之间并不存在有规律的心跳,因此很难找到一个适合的超时时间T,除非把T设置的非常大,但这样检测过程就会“迟缓”的无法忍受。
2.网络负载动态变化
还有一种情况是,随着网路负载的加大,Server心跳的接收时间可能会大于上限值T;但当网络压力减少时,心跳接收时间又会小于T,如果用一成不变的T来反映心跳状况,则会造成判断”迟缓“或误判。
3.心跳检测与结果的分离
并不是每个应用都只需要知道一个目标主机宕机与否的结果(true/false),即有很多应用需要自己解释心跳结果从而采取不同的处理动作。比如,如果目标主机3s内没有心跳,应用A解读为宕机并重试;而应用B则解读为目标”不活跃“,需要把任务委派到其他Server。也就是说,目标主机是否“宕机”应该由业务逻辑决定的,而不是简单的通过一个超时时间T决定,这就需要把心跳检测过程与对结果的解释相分离,从而为应用提供更好的灵活性。
二Gossiper中采用的Φ失效检测方法
由失效检测的经典论文ThePhi accrual failure detector(http://vsedach.googlepages.com/HDY04.pdf)中的证明,分布式环境中,对主机的心跳统计,根据以往心跳间隔的经验值,可以由下面的方法判断主机是否宕机。
1.给定一个阀值 Φ
2.在一定时间内,记录各个心跳间隔时间
3.对心跳的间隔值求指数分布(Exponentialdistribution)概率:
P= E ^ (-1 * (now - lastTimeStamp) / mean)(E是对数2.71828...,mean为此前的间隔时间平均值)
其表示,自上次统计以来,心跳到达时间将超过now- lastTimeStamp 的概率
4.计算φ= - log10 P
5.当φ> Φ 时,就可以认为主机已经宕机了。
当然这可能会存在误判,误判的可能性如下:
Φ= 1, 1%
Φ= 2, 0.1%
Φ= 3, 0.01%
......
由此可见,当Φ= 8时,误判率已经很小了。cassandra中默认采用Φ= 8。
下面有一个关于Phi失效检测算法的java实现。Cassandra中实现与此类似。
/**
java demo for phi failure detector
*/
import java.util.ArrayDeque;
import java.util.Iterator;
import java.util.concurrent.locks.Lock;
import java.util.concurrent.locks.ReentrantLock;
public class PhiAccrualFailureDetector {
private static final int sampleWindowSize = 1000;
private static int phiSuspectThreshold = 8;
private SamplingWindow simpleingWindow = new SamplingWindow(sampleWindowSize);
public PhiAccrualFailureDetector() {
}
public void addSample() {
simpleingWindow.add(System.currentTimeMillis());
}
public void addSample(double sample) {
simpleingWindow.add(sample);
}
public void interpret() {
double phi = simpleingWindow.phi(System.currentTimeMillis());
System.out.println("PHI = " + phi);
if (phi > phiSuspectThreshold) {
System.out.println("We are assuming the moniored machine is down!");
} else {
System.out.println("We are assuming the moniored machine is still running!");
}
}
/**
* @param args
* the command line arguments
*/
public static void main(String[] args) {
PhiAccrualFailureDetector pafd = new PhiAccrualFailureDetector();
// first try with phi < phiSuspectThreshold
for (int i = 0; i < 10; i++) {
pafd.addSample();
try {
Thread.sleep(10L);
} catch (InterruptedException ex) {
// no op
}
}
try {
Thread.sleep(500L);
} catch (InterruptedException ex) {
// no op
}
System.out.println(pafd.simpleingWindow.toString());
pafd.interpret();
// second try result phi > phiSuspectThreshold
for (int i = 0; i < 10; i++) {
pafd.addSample();
try {
Thread.sleep(10L);
} catch (InterruptedException ex) {
// no op
}
}
try {
Thread.sleep(1500L);
} catch (InterruptedException ex) {
// no op
}
System.out.println(pafd.simpleingWindow.toString());
pafd.interpret();
}
static class SamplingWindow {
private final Lock lock = new ReentrantLock();
private double lastTimeStamp = 0L;
private StatisticDeque arrivalIntervals;
SamplingWindow(int size) {
arrivalIntervals = new StatisticDeque(size);
}
void add(double value) {
lock.lock();
try {
double interval;
if (lastTimeStamp > 0L) {
interval = (value - lastTimeStamp);
} else {
interval = 1000 / 2;
}
lastTimeStamp = value;
arrivalIntervals.add(interval);
} finally {
lock.unlock();
}
}
double sum() {
lock.lock();
try {
return arrivalIntervals.sum();
} finally {
lock.unlock();
}
}
double sumOfDeviations() {
lock.lock();
try {
return arrivalIntervals.sumOfDeviations();
} finally {
lock.unlock();
}
}
double mean() {
lock.lock();
try {
return arrivalIntervals.mean();
} finally {
lock.unlock();
}
}
double variance() {
lock.lock();
try {
return arrivalIntervals.variance();
} finally {
lock.unlock();
}
}
double stdev() {
lock.lock();
try {
return arrivalIntervals.stdev();
} finally {
lock.unlock();
}
}
void clear() {
lock.lock();
try {
arrivalIntervals.clear();
} finally {
lock.unlock();
}
}
/**
*
* p = E ^ (-1 * (tnow - lastTimeStamp) / mean)
*/
double p(double t) {
double mean = mean();
double exponent = (-1) * (t) / mean;
return Math.pow(Math.E, exponent);
}
double phi(long tnow) {
int size = arrivalIntervals.size();
double log = 0d;
if (size > 0) {
double t = tnow - lastTimeStamp;
double probability = p(t);
log = (-1) * Math.log10(probability);
}
return log;
}
@Override
public String toString() {
StringBuilder s = new StringBuilder();
for (Iterator<Double> it = arrivalIntervals.iterator(); it.hasNext();) {
s.append(it.next()).append(" ");
}
return s.toString();
}
}
static class StatisticDeque implements Iterable<Double> {
private final int size;
protected final ArrayDeque<Double> queue;
public StatisticDeque(int size) {
this.size = size;
queue = new ArrayDeque<Double>(size);
}
public Iterator<Double> iterator() {
return queue.iterator();
}
public int size() {
return queue.size();
}
public void clear() {
queue.clear();
}
public void add(double o) {
if (size == queue.size()) {
queue.remove();
}
queue.add(o);
}
public double sum() {
double sum = 0D;
for (Double interval : this) {
sum += interval;
}
return sum;
}
public double sumOfDeviations() {
double sumOfDeviations = 0D;
double mean = mean();
for (Double interval : this) {
double d = interval - mean;
sumOfDeviations += d * d;
}
return sumOfDeviations;
}
public double mean() {
return sum() / size();
}
public double variance() {
return sumOfDeviations() / size();
}
public double stdev() {
return Math.sqrt(variance());
}
}
}