当机房 A 修改了一条数据的同时，机房 B 也对该数据进行了更新，Otter 会通过合并逻辑来处理冲突的数据行或字段，以达到合并效果。为了避免这种冲突，我们在上节课对客户端提出了要求：用户客户端在一定时间内只能连接一个机房。然而，如果业务对“事务和强一致性”有极高的需求，例如库存不允许超卖的场景，通常只有两种选择：一种是将服务部署为本地服务，但这并不适用于所有业务；另一种是使用多机房架构，但必须采用分布式强一致性算法以确保多个副本之间的一致性。

在业界，最知名的分布式强一致性算法是 Paxos。尽管它的原理非常抽象，经过多次修改后往往会与最初设计产生很大偏离，使得很多人难以判断这些修改是否合理。通常需要一到两年的实践经验才能完全掌握该算法。随着对分布式多副本同步需求的增加，Paxos 的抽象性已无法完全满足市场需求，因此 Raft 算法应运而生。相比于 Paxos，Raft 更易于理解，同时能够保证操作的顺序一致性，因此被广泛应用于分布式数据服务中，像 etcd 和 Kafka 等知名基础组件都使用了 Raft 算法。

如何选举 Leader？

如图所示，我们启动了五个 Raft 分布式数据服务节点：S1、S2、S3、S4 和 S5。每个节点可以处于以下三种状态之一：

• Leader：负责处理数据修改，并主动将变更同步到其他 Follower 节点。
• Follower：接收并应用 Leader 推送的变更数据。
• Candidate：当集群中没有 Leader 时，Follower 节点会进入选举模式。

如果某个 Follower 节点在规定时间内未收到 Leader 的心跳信号，则意味着当前 Leader 可能已失效，集群无法继续更新数据。在这种情况下，Follower 节点会进入选举模式，并在多个 Follower 节点之间选出一个新的 Leader，确保服务集群中始终有一个 Leader，确保数据变更的唯一决策进程。

那么 Leader 是如何选举出来的呢？在进入选举模式后，这五个节点会各自随机等待一段时间。等待时间一到，当前节点会先为自己投一票，并将其任期（term）加 1（如图中的 term:4 表示第四任 Leader），然后通过发送 RequestVote RPC（即请求投票的远程过程调用）向其他节点拉票。

S1失去联系，S5最先超时发起选举

当服务节点收到投票请求时，如果该请求节点的任期和日志同步进度都领先或相同，则会向其投票，并将自己的当前任期更新为新的任期。在此期间，收到投票请求的节点将不会再发起投票，而是等待其他节点的投票邀请。需要注意的是，每个节点在同一任期内只能投出一票。

如果所有节点在选举过程中都未获得多数票（即超过半数的票数），则在选举超时后，节点会将任期加 1 并重新发起选举。最终，获得多数票且最早结束选举倒计时的节点将当选为新的 Leader。该 Leader 随即广播通知其他节点，并同步新的任期和日志进度。

在成为 Leader 后，新的 Leader 会定期发送心跳信号，确保各个 Follower 节点保持连接状态，不因超时而进入选举模式。在选举过程中，如果有节点收到了前一任 Leader 的心跳信号，便会停止当前的选举并拒绝新的选举请求。选举结束后，所有节点进入数据同步状态，确保日志一致性。

如何保证多副本写一致？

当服务节点收到投票请求时，如果该请求节点的任期和日志同步进度都领先或相同，则会向其投票，并将自己的当前任期更新为新的任期。在此期间，收到投票请求的节点将不会再发起投票，而是等待其他节点的投票邀请。需要注意的是，每个节点在同一任期内只能投出一票。

如果所有节点在选举过程中都未获得多数票（即超过半数的票数），则在选举超时后，节点会将任期加 1 并重新发起选举。最终，获得多数票且最早结束选举倒计时的节点将当选为新的 Leader。该 Leader 随即广播通知其他节点，并同步新的任期和日志进度。

在成为 Leader 后，新的 Leader 会定期发送心跳信号，确保各个 Follower 节点保持连接状态，不因超时而进入选举模式。在选举过程中，如果有节点收到了前一任 Leader 的心跳信号，便会停止当前的选举并拒绝新的选举请求。选举结束后，所有节点进入数据同步状态，确保日志一致性。

具体来说，当 Leader 成功修改数据后，它会生成一条对应的日志，并将该日志发送给所有 Follower 节点进行同步。只要超过半数的 Follower 返回同步成功的反馈，Leader 就会将该预提交的日志正式提交（commit），并向客户端确认数据修改成功。

在下一个心跳中，Leader 会通过消息中的 leader commit 字段，将当前最新提交的日志索引（Log index）告知各 Follower 节点。Follower 节点依据该提交的索引更新数据，仅对外提供被 Leader 最终提交的数据，未被提交的数据不会被持久化或展示。

如果在数据同步期间，客户端继续向 Leader 发送其他修改请求，这些请求会进入队列等待处理，因为此时 Leader 正在等待其他节点的同步响应，导致暂时的阻塞。

不过，这种阻塞等待的设计使得 Raft 算法对网络性能的依赖性较强，因为每次数据修改都需要向多个节点发出并发请求，等待大多数节点成功同步。最糟糕的情况是，返回的往返时延（RTT）会受到最慢节点的网络响应时间影响，例如“两地三中心”的一次同步时间可能达到约 100ms。此外，由于主节点只有一个，这限制了 Raft 服务的整体性能。

为了解决这个问题，我们可以通过减少数据量和对数据进行切片来提升集群的修改性能。需要注意的是，当大多数 Follower 与 Leader 的日志进度差异过大时，数据变更请求将会处于等待状态，直到超过一半的 Follower 与 Leader 的进度一致后，才会返回修改成功的结果。当然，这种情况并不常见。

服务之间如何同步日志进度？

讲到这我们不难看出，在 Raft 的数据同步机制中，日志发挥着重要的作用。在同步数据时，Raft 采用的日志是一个有顺序的指令日志 WAL（Write Ahead Log），类似 MySQL 的 binlog。该日志中记录着每次修改数据的指令和修改任期，并通过 Log Index 标注了当前是第几条日志，以此作为同步进度的依据。

在 Raft 中，Leader 节点的日志是永久保留的，所有 Follower 节点会与 Leader 保持完全一致。如果出现差异，Follower 的日志将被强制覆盖以与 Leader 同步。此外，每条日志记录都经过“写入”和“提交”（commit）两个阶段。在选举过程中，每个节点会基于自身未提交的日志索引（Log Index）进度优先选择进度最靠前的节点，从而确保当选的 Leader 拥有最新、最完整的数据。

在 Leader 任期内，它会按顺序向各 Follower 节点推送日志以实现同步。若 Leader 的同步进度领先于某个 Follower，该 Follower 将拒绝同步请求。收到拒绝反馈后，Leader 会从日志末尾向前回溯，找出 Follower 未同步或存在差异的日志部分，然后逐条推送覆盖，直到 Follower 与 Leader 保持一致。

Leader 和 Follower 的日志同步进度是通过日志索引（index）来确认的。Leader 对日志的内容和顺序拥有绝对的决策权，当发现自己的日志与某个 Follower 的日志存在差异时，为了确保多个副本的数据完全一致，Leader 会强制覆盖该 Follower 的日志。

那么，Leader 是如何识别 Follower 的日志与自己的日志之间的差异呢？在向 Follower 同步日志时，Leader 会同时提供自己上一条日志的任期和索引号，与 Follower 当前的同步进度进行比较。对比主要涉及两个方面：

1. 当前日志对比：Leader 会对比自己和 Follower 的当前日志中的索引、多条操作日志和任期。
2. 上一条日志对比：Leader 会对比自己和 Follower 的上一条日志的索引和任期。

如果以上任意一个方面存在差异，Leader 就会认为 Follower 的日志与自己的日志不一致。在这种情况下，Leader 会逐条倒序对比日志，直到找到日志内容和任期完全一致的索引，然后从这个索引开始按顺序向下覆盖。

在日志同步期间，Leader 只会提交其当前任期内的数据，之前任期的数据则依赖日志同步来逐步恢复。可以看到，这种逐条推送的同步方式效率较低，特别是对新启动的服务并不友好。因此，Leader 会定期生成快照，将之前的修改日志记录合并，以降低日志的大小。同时，进度差距过大的 Follower 会从 Leader 的最新快照中恢复数据，并按快照最后的索引追赶进度。

如何保证读取数据的强一致性？

通过前面的讲解，我们了解了 Leader 和 Follower 之间的同步机制，那么从 Follower 的角度来看，它又是如何确保自己对外提供的数据始终是最新的呢？这里有一个小技巧：当 Follower 收到查询请求时，会同时向 Leader 请求当前最新提交的日志索引（commit log index）。如果这个日志索引大于 Follower 当前的同步进度，就意味着 Follower 的本地数据不是最新的。此时，Follower 会从 Leader 获取最新的数据并返回给客户端。

由此可见，保持数据的强一致性需要付出较大的代价。

你可能会好奇：如何在业务使用时保证读取数据的强一致性呢？其实我们之前说的 Raft 同步等待 Leader commit log index 的机制，已经确保了这一点。我们只需要向 Leader 正常提交数据修改的操作，Follower 读取时拿到的就一定是最新的数据。

总结

很多人都说 Raft 是一个分布式一致性算法，但实际上 Raft 算法是一个共识算法（多个节点达成共识），它通过任期机制、随机时间和投票选举机制，实现了服务动态扩容及服务的高可用。通过 Raft 采用强制顺序的日志同步实现多副本的数据强一致同步，如果我们用 Raft 算法实现用户的数据存储层，那么数据的存储和增删改查，都会具有跨机房的数据强一致性。这样一来，业务层就无需关心一致性问题，对数据直接操作，即可轻松实现多机房的强一致同步。