技术选型分析

需要处理一致性的业务场景：

  • 多地修改 (双A机房)
  • 同一记录，同时变更
    同一记录定义：具体到某一张表，某一条pk，某一字段

同时变更定义：A地写入的数据在B地还未可见的一段时间范围

基本思路

  • 事前控制：比如paoxs协议，在多地数据写入各自数据存储之前，就已经决定好最后保留哪条记录
  • 事后处理：指A/B两地修改的数据，已经保存到数据库之后，通过数据同步后保证两数据的一致性

事前控制

paxos协议，相信大家研究的人也比较多，但是它有一些局限性，就拿zookeeper来说，它使用了paxos的一个变种，但基本原理还是相似的。

我们拿zookeeper的几种部署模式来看：

  1. 先看： A地部署leader/follower集群，B地部署observer.

此时A地收到数据后，需要的网络操作基本为同机房的leader/follower的paxos协议，耗时基本可控

此时B地收到数据后，需要的网络操作为：

  • B地接收到请求，转发给A地，一次机房网络
  • A地接收到请求，由leader转发给follower进行投票决策，同机房网络
  • A地leader将投票的结构，反馈给B地，一次机房网络.
    这样一来，也就是说，事务时间 = 一次异地机房RTT + 同机房paxos算法耗时. 比如中美网络延迟200ms，那事务时间基本就是200ms+ 。 但此时，B地机房基本是一个只读镜像，读数据也有延迟，其系统写扩展性全在A机房，某一天当A机房不够用时，A机房进行拆分，就会遇到下一个问题。
  1. 再看：A地和B地组成leader/follower

此时A地收到数据后，需要的网络操作为：(假如A不是leader，B是leader)

  • 首先需要发送数据到B，一次机房网络
  • B收到A的提议数据后，发起一个投票到A，一次机房网络
  • A收到提议后，返回一个投票结果到B，一次机房网络
  • B收到大部分投票结果，做出决定之后，将结果反馈给A，一次网络交互.
    这种理想无冲突的情况，总共会有2次RTT，如果优化A发起的提议自己默认投票，不返回给A进行投票，可以优化为1次RTT. 针对中美网络延迟200ms，那事务时间基本是200ms+. 如果A地和B地同时写入，那事务时间可能会翻倍。

总结：如果你能接受事务时间的影响(比如你A地和B地的网络延迟只有10ms)，那是可以考虑选择paxos协议. 但目前otter所要解决的需求为中美200ms的RTT，暂时无法接收paxos协议来解决一致性问题.

事后处理

针对事后处理，不管哪种方案，一定会是一个最终一致性，因为在你做处理前，A地和B地的数据内容已经不一致了，你不论选择任何一个版本，对另一边来说都是一个数据版本丢失，最终一致性。

针对数据最终一致性处理，goldengate文档中提到了几种case :

  • trusted source. 信任站点，数据出现冲突时，永远以某一边为准覆盖另一边
  • timestamp，基于数据的修改时间戳，修改时间新的覆盖旧的数据
  • 数据类型merge， 比如针对库存信息，A地库存减一，B地库存减二，两边同步之后A地和B地的数据应该是减三，合并两者减一和减二的操作
    针对trusted source/timestamp模型，一定需要建立一个冲突数据kv表，(比如trusted source场景，如果B地修改了记录，而A地没修改此记录，那B地可以覆盖A地，即使A地是trusted source) ，对应冲突数据KV表的插入和删除，如果插入和删除不及时，就会有各种各样的误判，导致数据不一致。

举个插入不及时的case: 比如A地和B地进行双向同步，同时修改了同一记录，但A地的binlog解析器因为异常挂起了，导致构建冲突数据KV表数据延迟了，而此时B地的数据就会认为无冲突，直接覆盖了A，即使A地是trusted source，然后A地数据解析恢复后，同步到B地时，因为A是trusted source，就会覆盖B地的数据，最后就是A和B两地各为两边之前的版本，导致数据不一致。**

因为goldengate外部文档针对双A机房同步，数据一致性处理描述的比较少，我只能推测到这，基本结论是风险太大，所以otter需要有一种完全可靠的数据一致性方案，这也是本文讨论的重点。

单向回环补救 (基于trusted source的改进版)

Otter数据一致性 - 图1

思路：最终一致性

适用场景： A地和B地数据不对等，比如A地为主，写入量比较高，B地有少量的数据写入

单向回环流程：(比如图中以HZ为trusted source站点)

  • us->hz同步的数据，会再次进入hz->us队列，形成一次单向回环

  • hz->us同步的数据，不会进入us->hz队列(回环终止，保证不进入死循环)
    存在的问题：存在同步延迟时，会出现版本丢失高/数据交替性变化

  • 比如US同一条记录变更了10个版本，而且很快同步到了HZ，而HZ因为同步数据大，同步延迟，后续单向回环中将10个版本又在US进行了一次重放，导致出现数据交替

  • 比如HZ同一条记录变更了10个版本，而且很快同步到了US，而US因为同步延迟，将一个比较早的版本同步到了HZ，后续通过单向回环，将此记录重放到了US，导致之前HZ到US的10个版本丢失.
    解决方案：

  • 反查数据库同步 (以数据库最新版本同步，解决交替性，比如设置一致性反查数据库延迟阀值为60秒，即当同步过程中发现数据延迟超过了60秒，就会基于PK反查一次数据库，拿到当前最新值进行同步，减少交替性的问题)

  • 字段同步 (降低冲突概率)
  • 同步效率 (同步越快越好，降低双写导致版本丢失概率，不需要构建冲突数据KV表)
  • 同步全局控制 (比如HZ->US和US->HZ一定要一起启动，一起关闭，保证不会出现一边数据一直覆盖另一边，造成比较多的版本丢失)
    同步全局控制方案：(分布式Permit)

Otter数据一致性 - 图2

注意：A,B,C三点状态都正常才允许进行同步(解决数据单向覆盖)。 任何一边的canal不正常工作，都应该停掉整个双向同步，及时性越高越好。

时间交集补救

Otter数据一致性 - 图3算法描述：

  1. 首先定义两个时间概念
  • 数据变更时间A ：代表业务数据在A地数据库中产生的时间，即图中的时间A
  • 数据同步时间B：代表数据变更载入到B地数据库的时间，即图中的时间B

  1. 针对每条或者一批数据都记录变更时间A和同步时间B，同时保留历史同步过的数据记录

  2. 图中纵轴为时间轴，Aa代表从数据库A同步到数据库B的一个同步过程，Ba代表从数据库B到同步到的数据库A的一个同步过程,每个同步过程在纵轴上会有两个点，分别代表变更时间A和同步时间B.

  3. 根据同一时间的定义，在两边数据库的各自同步过程中，以数据库A为例，在数据库B的同步过程找到与Aa有时间交集的批次，比如这里就是Aa 与 (Ba , Bb , Bc)有时间交集

  4. 针对步骤４中的批次，根据同一数据的定义，在交集的每个批次中，比如首先拿Aa和Ba的历史同步数据记录，根据同一数据定义进行查找，然后再是Aa和Bb，依次类推。

  5. 针对步骤５中找到的同一数据，最后确定为需要进行单向回环的一致性算法的数据。

此方案相比于单向回环方案：减少单向回环同步的数据量，解决A和B地数据对等的case，不过目前开源版本暂未实现。

原文: https://github.com/alibaba/otter/wiki/Otter%E6%95%B0%E6%8D%AE%E4%B8%80%E8%87%B4%E6%80%A7