wowowoc的专栏

全局唯一性• 唯一 ID：结合时间戳、数据中心 ID、机器 ID 和序列号，确保在分布式系统中生成的 ID 全局唯一。高并发和高性能• 本地生成：ID 在本地生成，无需网络通信，延迟极低。• 高并发：每毫秒可生成 4096 个 ID，支持高并发需求。趋势递增性• 按时间排序：ID 包含时间戳，整体上是趋势递增的，有利于数据库索引和日志排序。可扩展性• 分布式部署：支持多数据中心和多机器部署，方便系统水平扩展。简单易用，开源常见实现。

首先介绍下AWS一些组件。

不同时代的硬件发展，会导致系统的架构巨大变化，比如早期的机械盘，数据库领域较多采用B+树的设计，SSD更适合LSM tree的设计，而目前硬件迭代很多，在很多新型硬件下，原来系统的设计或者假设就不存在了，比如超大内存。企业客户的一个最大需求在于，如何节约成本同时功能完善、性能齐全，传说的既要也要。一些情况不合理，但是有一些情况是可以通过新的设计来满足的，技术服务于业务需求云盘/对象存储各有优缺点，合适的搭配可以达到更好的效果，有点类似于将军指挥，士兵前线，各司其职的思想。

从微软Cosmos DB浅谈一致性模型

云计算正在蓬勃发展，这促使新一代数据库系统需要适应云环境。云原生数据库的发展揭示了三个趋势。第一个趋势是采用多数据中心部署，以便在任何单个站点宕机时仍能正常运行。（可用性和服务连续性要求）第二个趋势是将计算和存储资源分离，即存算分离，以实现更高的弹性和可伸缩性。最后一个趋势，是支持 HTAP，以消除异构数据库中的数据冗余和系统复杂性。为满足这些趋势，该论文设计了名为 PolarDB-X 的分布式关系型数据库，该数据库建立在云原生数据库 PolarDB 之上。

0、分布式文件系统分布式文件系统很常见，主要功能：存储文档、视频、图像等作为分布式表格系统的存储层这类系统很多，比如：国外系统：GFS-(Google File System)、haystack（Fackbook图片存储系统）国内：淘宝TFS、这些系统架构和设计很多都相似，同时也有细微之处有许多区别，最近因为需要给一个朋友讲解haystack，重读了haystack，记录做下总结一、背景Facebook在2012年发布了《Finding a needle in Haystack: Fa.

简介Paxos算法是Leslie Lamport在1990提出一个基于消息通信/传递的一致性算法，用于解决在分布式环境中(存在机器宕机、网络异常等问题)，如何快速且正确的在集群内部对某个数据的值达成一致。算法特点：高度容错性、且不会破坏系统的一致性等Paxos算法历史Paxos的历史很有意思：最早在1982年，Lamport在论文The byzantine generals problem，就提出了一种计算机容错理论，1990年，Lamport提出了一个解决一致性问题的方案，同时给出了数学证明。

1. 背景在大数据存储系统或者各类分布式系统，为了增加系统高可用性，往往会将同一数据存储多份副本。常规做法是三副本，数据复制成多份，带来了很多好处：高可用性：即使因为机器故障、宕机等原因损失一副本，仍然有其他二个副本提供服务增加读操作的并发性：比如对于三副本，常用选举算法选出leader-支持读写, 其他两个副本作为Follower可以支持读操作带来上述好处的同时，也引入了很多问题，比如：同一数据存在多个副本，在并发的众多客户端读/写请求下，如何维护数据一致性三副本如何复制数据？在网络分区异常