五一抢票，靠的可不仅是运气哦！点击查看，为你揭开背后的关键技术~~
摘要：每逢节假日，当全国几百万小伙伴同时查票、订票时，12306是如何保证余票显示准、车票不超卖的？为你揭开背后的关键技术：数据强一致性。
眼瞅着五一小长假就要来了，小云还在为没有抢到高铁票心急如焚。
她再次打开APP，一遍遍刷新，发现还有余票2张，赶紧下单，一顿操作猛如虎，结果还是没抢到。
但仔细想想也能理解：从勾选乘车人到正式下单，整个流程至少需要10秒，如果“见者有份”，恐怕这两个座位大家要挤挤共用了。
那么，每逢节假日，当全国几百万小伙伴同时查票、订票时，12306是如何保证余票显示准、车票不超卖的？
于是，按捺不住好奇心的我们，进行了一番深入研究。原来问题背后隐藏着一个分布式数据库领域极其关键的技术——数据强一致性保障。
1. 什么是强一致？
在介绍概念之前，我们不妨先来模拟一场球赛直播。
假设笔者做了一款APP，后台使用上图的主从数据库。比分写入主节点，从节点分担用户查询。比赛中，Alice惊呼比赛结束，Bob闻声刷新APP，却显示比赛仍在继续！Bob体验到了明显的数据不一致，于是默默给APP打了个差评……
那么，产生不一致的原因究竟是什么？
异步复制时，主节点不等待从节点写入就直接返回了。由于网络延迟等原因，从节点无法保证更新时间。Alice和Bob明明在同时同地查询同一系统，得到正确结果却有先有后。其实这就是典型的弱一致性。
实际上，为解决单点故障、增强吞吐性能，分布式数据库内部都会对同一份数据进行复制，把冗余副本分散保存到不同节点上。简单的异步复制只能构建出弱一致系统，很难满足业务要求。
那么，究竟什么样的一致性才靠谱？有哪些类别？下面我们就来认识这个神秘家族！
1.1 强一致性/线性一致性（Linearizability）
强一致性/线性一致性是一致性的最高标准，实现难度最高。核心要求是：一旦写操作完成，随后任意客户端的查询都必须返回这一新值。以下图为例，一旦“写入b”完成，必须保证读到b。而写入过程中，认为值的跳变可能发生在某一瞬间，因此读到a或b都是可能的。
从业务角度来说，强一致性带来的体验简直可以用丝滑来形容！因为它内部的数据“仿佛”只有一份，即使并发访问不同节点，每个操作也都能原子有序。正因如此，强一致数据库在业务架构中往往被用在关键位置。
etcd是强一致俱乐部里的元老。它基于Raft共识算法，真正实现了强一致，也因此在Leader选举、服务发现等场景起到重要作用。GaussDB(for Redis)作为一款分布式云数据库，凭借多年潜心打磨，也是强一致的代言人。
1.2 顺序一致性（Sequential Consistency）
顺序一致性弱于线性一致，不保证操作的全局时序，但保证每个客户端操作能按顺序被执行。下图中，A先写x=10，后写x=20；B先写x=99，后写x=999。当C读取时，顺序一致性保证了10先于20被读到、99先于999被读到。
Zookeeper基于ZAB协议，所有写操作都经由主节点协调，实现了顺序一致性。
1.3 因果一致性（Causal Consistency）
进一步放宽要求，因果一致性只对并发访问中具有因果关系的操作保序。例如：
A写入3，B读到后乘以100再更新它。在这个场景下，由于“A写入3”与“B写入300”有着明确因果关系，因果一致性保证300晚于3被读到。
因果一致性多用于各种博客的评论系统、社交软件等。毕竟，我们回复某条评论的内容，不应早于评论本身被显示出来。
1.4 最终一致性（Eventual Consistency）
它指的是停止写入并等待一段时间，最终所有客户端都能读到相同的新数据，但具体时限不作保证。许多分布式数据库都满足最终一致性，如MySQL主从集群等。
然而，这其实是一个非常弱的保证。由于不确定系统内部过多久才能收敛一致，在此之前，用户随时可能体验到数据不一致。因此最终一致性有天然的局限性，经常会给业务逻辑带来混乱。
1.5 弱一致性（Weak Consistency）
说弱一致性最为“厚脸皮”也不为过，因为它连数据写入后将来被读到都不能保证。弱一致性实现技术门槛低，应用场景也不多。严格来说，单纯的开源Redis主从集群就属于这一类别。
OK，一致性家族的各位成员已经跟大家打过照面。显然，一致性越强的数据库系统，能够支撑的业务场景越多。有的业务同学小声说，强一致技术再牛，可我业务简单，不用也没关系吧。实际上恰恰相反：
强一致不仅仅是技术问题，它更是一个不可忽视的业务需求、运维需求！
接下来我们就先来聊一聊：业务上那些只有强一致才能搞定的事儿！
2 强一致是业务刚需
2.1 计数器/限流器
计数服务是典型的强一致应用场景。电商在秒杀活动中，往往会搭建Redis主从集群给下层MySQL做缓存。因为要抗住超大流量，需要Redis的计数器功能做限流。简单讲，我们初始化counter=5000。随后每次业务访问都执行DECR命令，当counter归零就阻塞后续请求。此外，每隔一个时间段重置counter=5000，通过这样的手段来实现“细水长流”。
然而，完美的假设还不够！
开源Redis采用异步复制，如遇网络不畅，经常发生主节点复制buffer堆积。这将导致从节点counter偏大很多。此时，一旦主节点宕机，切换到从节点继续执行DECR命令，压力很容易超出阈值，全部落到下层脆弱的MySQL，随时可能引起系统雪崩！
因此，在限流场景下，只有真正的强一致才能提供可靠的计数器。
2.2 Leader选举
当业务部署的节点较多、可用性要求高时，往往要用到Leader选举。etcd作为强一致KV存储，能完美cover这一场景。etcd依赖两大功能实现Leader选举：
（1）TTL：给key设置有效期，到期后key自动删除。
（2）CAS：对key的原子操作 （这一功能只有强一致数据库才能实现） ，使用etcd搭建Leader选举服务的设计如下：
1）约定key，用于选举时抢占。其value用于保存Leader节点名称。
2）约定TTL，用于给key设定有效期。
3）启动时：每个参与节点尝试cas create key&设置TTL。在etcd集群强一致CAS机制保障下，只有一个节点能执行成功。该节点成为Leader并将名称写入value；其余节点成为Follower。
4）运行中：每个节点定期TTL/2尝试get key，将value与自身名称对比：
如相同，说明已是Leader，此后只需每隔TTL/2刷新key的TTL即可。
如不同，说明是Follower，接下来要每隔TTL/2执行cas create key&设置TTL。
5）当Leader节点异常退出，无法刷新TTL，key会很快过期。此时，其余Follow之中便会有新的Leader产生。
从原理上能看出，强一致能力是Leader选举的根基。类似的“刚需”业务场景还有很多，强一致不可或缺。
好了，业务上的事儿就聊到这里，接下来让我们听听运维怎么说。
3. 强一致为运维减负
3.1 辅助组件架构复杂、问题难定位
后台架构中，MySQL主从热备也是常见的部署方式。由于数据保存在本地磁盘中，当主库发生严重故障，仅仅依靠MySQL自身同步机制，主从切换后无法保证所提供数据与之前状态完全一致。于是出现了“重量级”的辅助组件——MHA（Master High Availability）。我们来看一下它的部署方式：
MHA负责在故障转移过程中，帮助从库尽量追平主库最新状态，提供近似一致的数据。但这一能力需要额外的Manager节点，同时还要在每一个MySQL节点上部署Node服务。故障切换时，Manager先为从库补充落后的数据，再通过切换VIP恢复用户访问，过程可能长达数十秒。
这样的HA系统部署和后期维护都很复杂。如未能顺利执行故障切换或发生数据丢失，运维面临的场面都将很棘手。其实运维同学何尝不希望手中的系统稳定运行呢？要是数据库自身能提供强一致保障，何苦再依赖复杂的辅助组件！
读到这里，对强一致的看法，相信各位读者心里已经有了自己的一杆秤。让我们再一次划重点：
强一致不仅仅是技术问题，它更是一个不可忽视的业务需求、运维需求！
从产品选型角度出发，开源Redis提供的一致性保证很弱。而etcd虽有强一致能力，但它单点写入性能不足，也未能提供hash、sorted set、stream等诱人的数据结构……
此时，有人会陷入纠结，到底选择哪一种，GaussDB(for Redis)应声而起——我，都可以。
4. GaussDB(for Redis)与强一致
自设计之初，GaussDB(for Redis)（后文简称高斯Redis）给自己的定位就是“强一致KV数据库”，因此彻底摒弃了开源Redis的异步复制机制。借助华为云GaussDB系列先进的“存算分离”架构，将全量数据下沉到强一致存储层（DFV Pool），从核心技术上超越了传统开源产品的极限。
让我们来一起认识一下高斯Redis的强悍：
用户购买的实例作为一个整体，提供强一致KV存储。
用户业务统一通过Proxy集群接入高斯Redis，不用考虑内部复杂逻辑。多点并发访问实例，读写操作满足强一致性，再也不必担心开源Redis异步复制的不一致隐患。
计算层智能处理数据分片、动态故障转移，将数据全量下沉到共享存储池。
cfgsvr集群统一管理ShardServer节点，自动对海量数据进行分片。并能够在故障场景实现秒级接管，严格防止任何中间态下的数据不一致。
存储层通过RDMA高速网络实现高性能分布式数据持久化，三副本冗余保证强一致、零丢失。
DFV Pool是强一致、高性能的分布式存储系统。这是华为内部自研的公司级Data Lake，它能够稳定支撑各类全栈数据服务。高斯Redis突破了开源Redis“小格局”的内存架构，将数据全量下沉，基于DFV Pool强大的一致性保障能力，给用户业务带来更广阔的拓展空间。
5. 结语
试想，当处在关键位置的数据库“不给力”，业务层就要忙于为系统添加复杂、易出错的一致性保障逻辑。与此同时，运维还要时刻担心故障引发的数据落后问题…这样的系统真的“香”吗？
试想如果12306显示你抢到票了，上车的时候却发现有四五个人和你是同一个座位，太诡异了。
所以，专业的事情交给专业的团队来做。GaussDB(for Redis)自研发初期就持续关注数据强一致性设计，借助强一致存储池DFV Pool，它可以提供真正强一致的海量KV存储解决方案。