最近看了Ongaro在2014年的博士论文《CONSENSUS: BRIDGING THEORY AND PRACTICE》的部分章节，对raft有了初步的理解。其中论文中提到用于教学的user study，个人感觉非常不错，言简意赅，特此分享出来。本文基本与原讲解一致，又加上了笔者的一点理解。
资源来源于Ongaro和Ousterhout在youtube上的分享（http://youtu.be/YbZ3zDzDnrw），共有31个slide，因篇幅字数限制分为上下：
slide 15：
这一节开始讲leader changes，即leader的变更过程中如何保证log的一致性：
1）需要明白的是，新leader上任后，各个server的log状态很可能是不一致的；因为旧leader可能只完成了部分server的log复制就挂掉了；（新君即位，一片狼藉）
2）需要特别注意的是，raft中新leader上任后，并不会立即对不一致的旧log进行clean up，而仍然是正常开始normal operation；clean up是在normal operation的过程中进行的；原因在于：新leader上任后，可能有些server仍然是宕机状态，新leader没有办法立即对其进行clean up（因为那些server宕机或网络不通，无法进行通讯），只能等到这些server恢复正常后再进行clean up；而新leader不知道这些server什么时候能恢复正常，如果傻傻地苦苦等待，很可能会导致整个系统无法运行；所以，我们设计的系统，必须要确保新leader上任后要立即开始normal operation，而在normal operation的过程中要确保最终所有log一致；
3）raft的做法是：总是认为leader的log是对的！（皇帝总是对的）
4）raft认为leader的log总是对的，总是包含所有重要的信息，因此leader的重任就是最终使得所有follower的日志与之完全相同。（皇帝总是对的，皇帝总是试图广播自己的想法，让其他所有人的想法与之最终一致）
5）但是新leader在clean up的过程中也有可能宕机，再有新的leader上任，它也可能还没完成重任就又宕机了；如此循环；长时间如此，最终会导致各个server的log混乱不堪，如图实例。
（备注：注意图中示例，只标注了某个entry的index和term，为什么不标注command了？因为前面已经说了，只要entry的index和term相同，则其command一定相同，所以没必要标注；图中展示的log混乱不堪，点评分析如下：term1时期的log都是一致的，谁是leader无从知晓；term2时期只有S4和S5两个server，但S5的entry更多，记住信息总是从leader流向follower，所以leader必定是S5；term3只有S5，无疑它就是leader，这种情况很可能是当选leader后与其他server网络隔离了；同理term4时期S4是leader，term5时期S3是leader，term6时期S1是leader，term7时期S2是leader；另外从图中场景来看，很可能在中间某段时间，S4、S5的网络，与S1、S2、S3的网络不通，即产生了网络隔离；）
需要特别注意的是，图中entry(1,1)、entry(2,1)、entry(3,5)都是已提交的（标记方法是entry(index,term)，这些entry所在server数都已过半），而其余所有的entry都是未提交的；我们一定要确保的是那些已提交的entry必须保存下来且不可再变更；而那些未提交的entry，因为还未传给任何state machine执行过，client更没有收到执行结果，所以是保存还是丢弃都无关紧要；
例如图中S2成为term7时期的leader后，如果能够与其他所有server通信，那它最终要保证其他所有server的log与它的log相同，这就意味着与之有冲突的log entry必须被清除；后续会详细讲解leader如何进行clean up使得followers的log与之相同；特别强调一下correctness和safety，我们怎样才能确保系统正常运行，确保不丢失重要信息呢？如我们刚才为了保证一致性，丢弃了一些log，我们怎样做才是安全的呢？下节讲。
slide 16：
任何实现了replicated logs的系统都必须遵守的最基本的safety requirement原则是：
Once a log entry has been applied to a state machine, no other state machine must apply a different value for that log entry;即一旦某条log entry已经被某一个state machine执行，则其他任何state machine也必须执行这同一条log entry；即所有state machine都必须按照相同的顺序，执行完全相同的entry；（执行entry指的就是执行entry中的command）
为了实现这个整体的safety要求，raft采取了更严苛的准则，即如下的safety property：
如果某个leader发现某条log entry已经被提交，则这条entry必须存在于所有后续的leader中。这意味着，一旦某个leader即位，则在它的整个term时期内，它一定含有所有的已提交的log entries；
显而易见，只要leader满足了这条safety property，则一定能满足上面的safety requirement。（因为这是一个更窄的要求，简单推理：一个leader发现某条entry已被提交，则后续所有leader中都一定要有这条entry；这意味着leader中总是有所有的已提交entry；而raft能保证follower中的log最终一定与leader中的一致；所以所有server最终都会有这些已提交entry；而entry只有被提交后才能被state machine执行；所以最终所有的state machine必将按照相同的顺序执行相同的命令）
为了实现这一点，raft能够保证的safety requirement有：
1）leaders永远不会修改自己log中的entries，只能添加；（备注：这意思就是leader中的entry是不可变的；但注意，leader只是一种角色，是动态的不是永久的；只是说某个server当leader期间，它的entry是不可变的；而一旦下台，其entry是有可能被修改的；这类似于绕口令啊；）这条性质叫AppendOnlyProperty,即leader只能添加entry，但不能修改entry；这意味着leaders中log entries永远不会被修改；
2）只有leaders中的log才能被提交；言外之意是，某条entry即使过半server都存在了，但在leader中不存在，也是不能被提交的；（有人会想，会有这种情况吗？entry不都是从leader发给follower的吗，怎么会过半followers中有而leader中没有呢？再次强调，leader和follower只是角色，是动态的；正常情况下当然不会有这种情况，但是leader变更的时候就可能会出现，后续会有这种case）
3）entries在被提交给state machine执行之前，必须已被提交；即只有已被提交的entry才能被执行；
汇总1）、2）、3），我们可以保证上面的安全性。真的如此吗？有这三个条件就够了吗？
事实上，到现在的讲述为止，raft有这三个约束，并不能保证上面的安全性；我们必须增加额外的约束条件才能保证上面所述的安全性，后面会详细讲述我们是怎么解决的。先再回头想想我们需要达到的目标：
某个entry已被提交 -> 这条entry必定在后续leader中存在
为了实现这个安全性目标，我们必须从两方面修正raft算法：
a. 对leader election增加约束条件：如果某个server的log中缺少某个已提交entry，则不允许这个server当leader；
b. 必须改变对committed的定义：前面说的已过半即是committed，这是不够的；有时候我们必须延迟committed，直到我们认为安全了才能committed；所谓的安全，就是说我们认为能够保证后续leader有这条entry；
（点评：这两个约束条件非常绕口，大家认真领悟下：约束a是排除了某些server当leader，即不含有已提交entry的server不允许当leader；显而易见，只有约束a是不够的，因为a说的只是最低安全性条件，照此条件，有可能一个leader都选不出来；而b是对committed条件的加强，意味着对committed施加更严苛的条件，也意味着给更多server成为leader的机会，即能够保证最终能选出leader；后续会有相应case）
slide 17：
接着上个slide，先讲leader election过程的修正：
我们怎样挑选leader，才能保证这个leader有所有的已提交entries呢？
这个问题非常难，因为我们有时候根本无法判断某条entry是否已提交了！
看上图：图中有3个server，但是突然server3挂掉了，必须从server1和server2中挑选一个leader；而对于entry5而言，根本无法判断entry5是否是已提交的！因为这取决于server3，如果server3中有entry5，则是已提交的，如果server3中无entry5，则不是已提交的；而server3已宕机或网络不通，根本无法与server3通讯，所以根本不可能知道server3上到底有没有entry5，所以根本无法判断entry5是否是已提交！
既然我们根本无法判断某条entry是否是已提交，我们怎么挑选leader来确保leader中一定有所有已提交entry呢？我们只能尽我们所能，挑选最有可能含有所有已提交entry的server做leader，即挑选the best leader! 我们此处先从直觉上这样理解，下面会更精确详细地证明。
我们挑选best leader的方式就是通过对log进行比较，即comparing logs：
1）candidate发起的RequestVote RPC投票请求包含其log中最后一条entry的index和term：回忆我们前面所说，最后一条entry的index和term能唯一标记整条log，即如果last entry的index和term相同，则这两条log必定相同；（需从前面两个结论推知: a. index和term唯一标记一条entry; b. 某个entry相同，则其之前的entries也必定相同）
2）当其他server收到投票请求时，需要将收到的（index,term)与自己的相比较，如果认为自己的log更完整，则拒绝投票；更准确的定义如下：voting server V 收到candidate C的RequestVote请求，如果出现下面两种情况之一：
a. lastTerm_v > lastTerm_c 即server v的last entry所在term，即lastTerm比candidate的大；
b. (lastTerm_v == lastTerm_c) && (lastIndex_v > lastIndex_c) 即server v的lastTerm与candidate相同，但是lastIndex值比candidate大；
一旦出现a或b，则server V认为自己的log更complete，直接否决candidate的投票请求；
（点评：此处非常关键，务必理解；回想我们的目的是pick the best leader,即要求candidate的日志尽可能最complete！最显然直观的理解当然就是谁的log最长谁的最完整了；然而，不尽如此；还有一个更重要的要求是more informative！只最多是没用的，首先要确保的是你的信息是最权威的、最informative的；在raft中我们引入了term的概念，且总是认为更晚term的信息比更早term的信息权威，所以挑选leader的首要条件就是看，谁的term更晚更大，即a；第二才是比较谁的log更长，即b）
3）结合1）、2）最终确保选举出来的leader将会是大多数server中log“最完整”的（most complete）；
听懂没？不要担心，下面上实例。
slide 18：
考虑最有趣的一种场景：leader刚刚确定某条entry被committed了（即刚收到来自大多数server的AppendEntries响应），就挂了。这种场景可以再分成两种独立case：1）这条entry属于current term；2）这条entry属于prior term；
先说case1，如图：
S1是term2时期的leader，刚把entry4复制到S2、S3成功，立马宣布entry4已安全（即在大多数server中都有，已被committed），立即在state machine上执行entry4；这意味着entry4是已提交的，后续的leader中必须包含这条entry，我们怎么确保呢？就是通过上一个slide中的leader election中的pick the best leader;设想，此时S1突然网络不通，需要重新选举leader，我们逐个分析：
a. S5绝不可能成为leader，因为其他server都处于term2，它还在term1，即其他server的lastTerm更大，会直接拒绝给它投票；
b. S4处于term2，但它若想成为leader，还需要至少2台server给它投票，而它最多只能得到S5的投票；因为其他server也都处于term2，但是log更长，即lastIndex更大，所以都会拒绝投票；因此S4加上自身最多得2票，也不可能成为leader；
c. S2和S3都可能成为leader，例如收到来自S4、S5的投票；显然，S1也可能成为leader；
综合abc发现，可能成为leader的server都含有entry4，即新的term3时期的leader必定含有entry4；换言之，最终新leader必定含有已committed的entry；
slide 19：
现在考虑case 2：leader尽力使得一条entry被提交，而这条entry来自上一个term时期。
如图：
1）S1是term2时期的leader，S1刚将entry3复制到S2，就挂掉了，即此时entry3只在S1、S2两个server上有；
2）接着S5发起leader竞选，收到来自S3、S4的投票（此时S3、S4、S5都只有term1时期的entry1、entry2，所以不会拒绝投票），成功当选成为term3时期的leader；接着S5收到client请求，在本地log中产生了3条entry，但由于种种原因（如与其他server网络忽然不通），并未复制到其他server上就挂掉了；
3）接着S1再次竞选，成功当选为term4时期的leader；S1成为leader后，会尽力使得其他server的log与之相同，所以会将entry3、entry4复制到其他server上；一旦将entry3复制到server3上，则此时entry3已经形成大多数，即是已被committed了；entry3上的command就会被state machines执行，client就会收到entry3的执行结果。
最危险的情况出现了！注意，这种场景下entry3并不能认为是safely committed！因为它仍可能被覆盖，仍可能丢失！
考虑接下来可能发生的情况，就会明白为什么了：
4）S1成为term4时期的leader后，刚在本地产生entry4就挂掉了；而此时，S5可以再次当选，成为term5时期的leader（考虑下可能性，是完全有可能的，虽然entry3是committed了，但是S5很可能并不知道；因为可能网络分割，S1无法与其他server通信，只有S2、S3、S4、S5可以互相通信，此时S5不可能知道entry3是否已committed，S5完全可以当选leader）
5）S5当选leader之后，就会尽力使得其他server的log与之相同，就会term3时期的entry3、entry4、entry5复制到其他server；
很显然，之前的term2时期的entry3虽然已被认为是committed了，但仍会被覆盖导致丢失！显然，这与我们要求的safety原则相悖，无法容忍！必须加上新的限制条件，避免这种情况发生。
slide 20：
接前文；目前为止，new leader election rules并不足以保证安全性，我们必须还要修改已有的commitment rules！
回想一下，到目前为止，我们的commitment rules是：
1）只要leader看到某条entry存在majority of servers上(过半即可)，则认为这条entry是committed；
为了保证安全性，我们必须添加一个额外的rule：
2）leader必须看到至少一条来自leader term（即leader的current term）的entry也存在于大多数的server上；
同时，rule 1）之前是充要条件，现在变成了必要非充分条件，新的commitment ruels是：
1）leader必须看到某条entry存在于大多数server上；
2）另外，leader必须看到至少一条来自其current term的entry也存在于大多数server上；
只有同时满足1）2）才能认为某条entry是committed的。
很明显，新加的rule 2）主要是针对上面说的case2场景的，即当新leader看到某条来自之前term的entry已经存在于大多数server上时，它不能再认为这条entry是committed了，必须等到来自其自身term的第一条entry也存在于大多数server上，才能认为之前term的那条entry是committed的；这其实相当于一种leader change场景下的延迟commitment吧，或者换种思路，相当于将上一个term时期的entry的commitment与当前term时期的commitment绑定在了一起。
回到前面的case2，接着看新commitment rules是如何保证安全性的：
1）当S5成为term4时期的leader后，它将entry3复制到S3，此时entry3已经存在于过半server上，但是并不能认为entry3是committed的，即并不会将entry3传给state machines执行；
2）必须等到entry4也复制到过半机器上，此时才能认为entry3、entry4是committed了（相当于延迟与绑定）。
那这样就是安全的了吗？是的。设想一下：
1）如果S1复制完成entry3、entry4到大多数server上，即entry3、entry4都已被committed了，此时S1挂掉了；那么显然，S4、S5不可能成为新的leader（因为term太低会被拒绝投票），只有S1、S2、S3有可能成为新leader，而这些server上都有entry3、entry4，所以entry3、entry4是安全的；
2）那么如果S1还没将entry3、entry4复制到大多数server上就挂了呢？那S5有可能成为新leader，即意味着entry3、entry4可能会被覆盖。这有什么关系呢？这种情况下entry3、entry4并没被认为是committed的，其命令被没有被state machine执行，client更没有收到其执行结果；这种情况下，entry3、entry4被覆盖而丢失是无关紧要的；
我们只保证已committed的entries的safety，并不对未committed的entries的安全性做任何保证。
因此，据上分析可知，new commitment rules是能够保证committed entries的safety的。
综上可知，new election rules和new commitment rules结合起来，能够保证raft的safety特性总是成立；即，一旦leader认为某条entry已被committed，则这条entry必然存在于后续所有leader的log中（就是说已committe的entries永不丢失）；虽然我们这里只证明了已committed的entry必然存在于紧接着它的后续一个leader中，但很显然容易证明，这条entry在后续所有leader中都会有；
而一旦raft的safety特性成立，根据我们之前所说，所有的replicated logs都是安全的。
（点评：raft的safety property是整个raft系统的基石，是整个系统运行可靠性的最基本要求；需要认真理解领悟，结合实例认真体会raft是如何面对这些问题的，如何一步步修正完善rules来保证安全性的）
slide 21：
现在，我们保证了raft的safety，并且知道leader的log永远是对的，那么我们怎么使得followers的log与leader的log相同呢？
首先让我们看下，followers的log有哪些与leader可能不同的情况呢：
1）missing entries：即follower的log与leader相比缺少某些entries，如图中的a/b/e follower；
2）extraneous entries：即follower的log与leader相比多出某些entries，如图中的c/d/f follower;
我们需要做的是：删除所有follower log中的多余entries，并用leader log中的entries填充follower中缺失的entries。
slide 22：
接上文继续讲述，leader到底如何修复follower的logs使其与之相同呢？
上个slide已说了，leader为了保证follower的log与之相同，必须：
1）删除follower中的多余entries；
2）用自己的entries填充follower中的缺失entries；
那leader具体是如何做的呢？
为了恢复log一致性，leader为集群中所有follower都保存一个状态变量，即nextIndex：
1）nextIndex是leader准备向某个follower发送的下一个log entry的index；
2）当leader刚刚即位后，nextIndex的初始值是（1+leader's last index）；
如图举例：
某个server成为term7时期的新leader，其log中的最后一条是entry10，所以这个leader会将所有follower的nextIndex都设为11；
leader可以通过AppendEntries RPC请求发现log之间的一致性问题；回想前面说过的，follower收到AppendEntries RPC请求的时候，会进行log一致性检查，所以一旦有不一致情况就会被检查出来；
因此，当leader试图与集群中的follower通讯时候，会带上nextIndex前面的一个entry的index和term（回想下，这是之前说过的，AppendEntries RPC请求会带上前一个entry的index和term用于进行一致性检查，这里的前一个entry就是entry10，对应的index和term分别是10和6）；
顺便说下，新leader即位后，立即发出的请求很可能是heartbeat（心跳请求）！回忆之前说的，心跳请求跟普通的AppendEntries RPC是一样的，只是不带新values而已，但心跳请求仍然可以进行一致性检查；
因此，当这个请求（可能是心跳也可能是普通的AppendEntries ）到达follower a时，follower会拿这个index和term（这里就是(10,6）)与自己的log相比较；很显然，follower a中没有与之相匹配的；所以follower a会直接拒绝这个请求！
当leader看到请求被拒绝时，其动作非常简单：只需将nextIndex-1，再次尝试。
如此往复，再失败，nextIndex再减1，再重试；直到nextIndex=5，此时leader会带上（4,4）这个entry，follower a发现能与之匹配，所以接收；一旦follower a接受，则最终后续所有的missing entry都会被添加上；
follower b的情况也类似，当nextIndex=11时，一致性检查会失败；每次失败leader都会将nextIndex-1，然后重试；直到nextIndex=4，才会成功；最终follower b中的log也会被重新填充上；
slide 23：
接上文，修复log的过程中，需要注意的一点是：
一旦follower收到某个log entry，且这条entry会覆盖掉follower 自身的与之不一致的entry，则follower会删掉自己所有后续的entries；
如图举例：当leader将entry4发送给follower，则follower的对应位置的entry与之冲突（仍处于term2而不是term4），因此entry4会覆盖follower的entry，且会将follower中entry4后面的所有entries都删除掉（即图中的before变成after）；因为我们知道，某条多余的entry后面的所有entry也都是多余的。
这里简要总结下leader change这部分的关键点：
有两个overall problems我们需要处理：一是确保系统的safety，即怎么挑选leader、何时认为某条entry是committed的；二是当新leader上任后，会尽力使所有followers的log与之相匹配，而AppendEntries一致性检查提供了所有我们需要的信息。
slide 24：
raft协议的第4部分也是关于leader change的，即old leader可能并没有真的死掉。如：
1）可能存在网络隔离或不稳定，导致leader暂时性地断网，即无法与其他servers通信；
2）其余servers等待到election timeout，然后选举出新的leader；
3）这时，如果旧leader的网络恢复了，它并不知道已经进行了选举，并不知道已有新的leader了；所以它仍认为自己是leader，并像leader一样行动，如尝试复制log entries；
事实上，确实还可能有client请求旧leader：旧leader接收到请求，记录到自己的log里，并尝试复制到集群中的其他servers中；我们必须阻止这种情况发生，方法就是使用term。
terms被用来识别过期的leader和candidate：
1）所有RPC请求都会带上sender（发送者）的term信息；当receiver收到RPC请求时，会将sender的term与其自身的term相比较，一旦不匹配，过期的一方必须更新term；
2）如果sender的term更低（更老），意味着sender是过期的；此时receiver会立即拒绝该请求，即不会执行该请求；并再给sender的response中带上receiver的term信息；当sender收到response之后，会意识到它的term已经过时，因此会主动下台，再次回到follower状态，同时更新自己的term；此时其term状态与其他servers是一致的；
3）相反，如果receiver的term更旧，则：如果此时receiver不是follower的状态，它也会主动下台，再次回到follower状态，同时更新自己的term（如果本来就是follower只需更新term即可）；接着正常处理该RPC请求；这种情况下receiver不会拒绝RPC请求，因为它没有必要这样做；它只需主动下台且更新term即可；
有趣的是，leader election过程会使得集群中大多数server都更新term，因为当candidate请求投票时，它必须与集群中大多数server通信；而RequestVote RPC会带上candidate的term信息；而所有的接收者都会更新自身的term信息使之与candidate的相同；因此，当新leader上任后，集群中的大多数server都会反映出新的term信息；这意味着，一旦新的leader election完成，旧leader就不可能再接受请求并复制log entries到其他server了。因为为了复制log entries，旧leader必须与具有新term的server中的至少一台通讯，而一旦这样做，就会被发现term不匹配，而导致旧leader下台。（此处较为拗口，道理很显然，新的leader当选必然意味着过半server的term都是最新的；而旧leader复制log也必须与过半server通讯；而过半与过半之间，必然有至少一个公共server；而这个server的term检查就会使得旧leader暴露，从而下台）
因此，综上所述，可以用term检查识别过期信息。
（点评：分布式系统中的时期、任期的概念非常关键，如raft中的term、zab中的epoch等，道理都是类似的；其核心用意只有一个，即识别过期信息）
slide 25：
现在讲raft的第5部分，即client如何与raft系统交互。
大部分情况下，这都很简单，即：client将command请求发送给leader，然后接收leader的response。
但是，如果client不知道谁是leader呢？没关系，client可以请求集群中的任意server；如果那个server不是leader，它会告诉client谁是leader；然后client可以重新请求leader。
之前说过，leader并不会立即响应client，直到：command被记录到log中，并复制到大多数server上，即被committed，接着leader的state machine执行该command。此时，leader才会向client返回请求结果。
唯一需要注意的地方是，如果此时请求超时了（如leader突然挂掉导致），会怎么样？答案是：
1）client会请求集群中任意一个server，不断重试；
2）最终，client会发现集群中的新leader；
3）client会向新leader重试请求；
新leader会执行client的command，并发送请求结果。因此这能保证，command总是能够被执行。
slide 26：
然而，上一个slide中说的，总能保证command最终被执行，会带来command被重复执行的风险。
问题的关键是：leader可能在执行完某个command，但是还未向client发送结果时挂掉。而一旦出现这种情况，client不可能知道这个command到底是否被执行了，所以它会不断重试，并最终请求到新leader上，而这会导致该command被执行两次。
显然，这是无法接受的！我们要求command必须最终被执行，且只能执行一次（once and exactly once）。
raft的解决思路是：client为每个command生成一个唯一id，并在发送command时候带上该id。
1）当leader记录command时，会将command的id也记录到log entry中；
2）在leader接受command之前，会先检查log中是否有带该id的entry；
3）leader一旦发现log中已有该id的entry，则会忽略这个new command，并将old command的结果返回给client（如果此时old command还没执行完，会等待其完成再返回）；
因此，只要client不crash，我们就能实现exactly-once语义，即每个command只会被执行一次。这也是我们希望系统具有的，被叫做linearize ability。
（点评：类似于幂等性，即client重试不会导致重复执行。系统本身要支持这种重入、重试，保证有且仅有一次执行。）
slide 27：
这是raft协议的第6部分：系统配置的变更机制。
系统配置指的是组成集群的各个server的信息。如每个server的id、用于通讯的网络地址等。这些信息非常重要，因为这些决定了集群中“大多数”（majority）的组成，而选举leader、commit log entry等都取决于majority vote。
我们必须要支持系统配置变更，因为机器可能宕机，我们需要用新机器替代老机器；或集群管理员想更改集群的degree of replication（复制因子、副本系数）。我们想让系统自动而安全（automatic and safe）地完成这些，而不至于变更配置导致系统崩溃。
slide 28：
重要的是，我们必须意识到：我们不能直接地将旧配置切换成新配置。为什么呢？看图中例子：
设想系统正在运行，系统配置中有3台机器，即server1/server2/server3；而我们现在想添加2台机器，即添加后应该有5台机器组成新的集群。
如果我们要求每个server直接更改配置，从旧配置改为新配置，就会产生问题。问题就是我们没办法做到所有server同时更改配置，变更过程总要花点时间，而这会导致conflicting majoritys（大多数冲突）。
例如图中某个时刻，server1、server2仍是旧配置；而server3、server4、server5已经是新配置。这样server1、server2能够形成旧集群中的大多数，它们可以基于此进行leader election、commit log entry等；而与此同时，另外3台机器，即server3、server4、server5已经是新配置了，它们也可以形成新配置集群中的大多数，也可能commit与前2台server相同位置的log entry，而这很可能会产生冲突。
这意味着，我们必须用two-phase protocol（两阶段协议），我们没办法在one-phase中完成。当然，所有的分布式系统中的decision-making都会采取这种典型办法；如果有人告诉你，他能在one-phase中完成分布式系统的decision-making，你需要提出严重质疑！要么是他错了，要么是他发现了这个世界上从来没人知道的新东西！
（点评：two-phase protocol即两阶段协议，是所有分布式系统中做decision-making的套路。问题的核心与关键就在于“分布式”，意味着系统中不是一个单一的个体，而是众多个体组成的整体；而遗憾的是这个整体不可能像单一个体那样行为，例如众多个体不可能同时完成某项动作，也即不可能完全地把一个整体等价于一个个体；而client又需要整体像一个体一样地运行。）
slide 29：
raft采用2-phase的方式进行配置变更：
raft先立即进入一个中间状态，叫joint-consensus；这个状态包含旧配置和新配置的所有机器；但是decision-making，如leader election和log commitment，需要同时满足旧配置的大多数和新配置的大多数（need majority of both old and new configurations for election and commitment）;
如图中举例说明：
集群最初的已有配置是Cold，而在某个时刻，由client发起集群配置变更，即client向leader发送配置变更请求（类似普通的operation请求）；当leader接收到配置变更请求时，就向自己的log中插入一条entry（跟普通的log entry是一样的），用于描述配置变更，如Cold+new；然后leader通过AppendEntries RPC请求将该配置变更log entry复制到其他server上（跟普通的AppendEntries RPC复制log entry一样）；需要特别注意的是，配置变更立即生效！即一旦server将新配置的log entry写入自己的log，它就立即生存在新的配置之下；它不需要等待大多数server都有这条entry，即不需要等待这条entry提交，一旦写入自己的log中就立即生效（这点与普通entry不同，普通的entry必须等到已提交才能被执行而生效）；
回到图中的时间线，leader将新配置的log entry写入自己的log，并立即生效；之后leader所做的所有decisions，都必须基于old+new的配置，如后续某条普通的entry要想被提交，必须同时存在于大多数的旧配置的server上，和大多数的新配置的server上；
过一小段时间，Cold+new这条log entry总会复制到大多数的server上而变成被提交状态；而在此之前，decision-making有可能是基于Cold，也有可能是基于Cold+new；如leader刚收到Cold+new的配置变更，还没来得及复制到更多server上就宕机了，此时处于Cold配置的server有可能当选并掌控集群；
但是，总有一个时间点，最终Cold+new这条entry能够复制到大多数server上而成为committed状态；一旦Cold+new被提交，则意味着任何server都不能再仅仅基于Cold来make decision了。简单解释：如果一个server想成为leader，它必须具有所有的已committed的log entries，而Cold+new一旦被committed，就保证了后续任何leader都一定有Cold+new这条entry，这意味着那个leader必定在Cold+new的配置下生存（living by it），即leader选举过程必须获得old配置中的大多数和new配置中的大多数同时投票，某条entry提交也必须要求这条entry存在于old配置中的大多数servers和new配置中的大多数servers上；因此，集群中不可能再有任何server仅仅基于old配置中的大多数来做决定。
所以在Cold+new已被committed的之后，集群就会在joint-consensus（联合一致性）下运行；而一旦joint-consensus被committed，leader就会传播Cnew这条log entry，即将配置变更为Cnew这条entry写入自己的log，并复制到其他servers上；
同样，在其后一段时间内，集群有可能在joint-consensus下运行（即Cold+new下），有可能在Cnew下运行；但最终，Cnew这条entry总能被committed；而一旦Cnew被committed，后续的所有decision-making都必须基于Cnew了；
因此，这里的关键点在于：决不允许Cold和Cnew都能make decision，而不互相consult（参考、询问）！最初的一段时间，仅仅依靠Cold就可以make decison；最终的一段时间，仅仅依靠Cnew就可以make decison；但是我们能确保这两个时间段没有重叠。而在这两段时间之间，两个配置必须互相consult，这就确保了集群在任何时候都不可能同时形成两个独立的consensus。
另外说明下，这种2-phase特性是非常基本的，任何一致性算法都会采用某种形式的2-phase来变更配置。事实上，任何形式的distributed agreement都要求two phases；如果有人发明了新的distributed agreement algorithm，并声称可以在single phase内完成，你需要严重质疑他：要么他们错了，要么他们发现了我们都不知道的新东西。
（点评：joint-consensus的核心关键点在于：如何避免新旧配置同时存在而产生majority conflict，进而导致decision conflict，从而产生不一致。这里采用了过渡方法，认真思考，其实单独地只有2种形式的decison-making依据：a.获取Cold中的majority的支持 b.获得Cnew中的majority的支持；但是如果简单粗暴地从a切换到b，其实是做不到的，因为不可能是一个原子操作，中间必然有一段时间，会存在a和b都生效，那么就可能会产生冲突。这里采用了一种渐进的思路：
a -> a || (a&b) -> a&b -> (a&b) || b -> b
实质上，将整个集群可能的decison-making依赖的majority状态空间分成了5个阶段，分别是：
old中大多数做决定 -> （old中的大多数做决定） 或者 （old和new中的大多数同时做决定） ->
（old和new中的大多数同时做决定）-> （old和new中的大多数同时做决定） 或者 （new中的大多数做决定） -> new中的大多数做决定
这种状态变迁的核心与关键在于：这种变迁是渐进的，每一个阶段都不会产生decison-conflict，从而保证变更过程的平稳。如果不这样做，直接变更 a ->b，显然这种粗暴的做法会导致decison-conflict。）
slide 30：
Joint-consensus这部分还有一些细节：
1）在变更的过程中，来自新旧配置的server都有可能成为leader；
2）如果当前leader不在Cnew配置里面，则一旦Cnew提交，它必须step down（下台）；
这意味着，旧leader不再是新配置的成员之后，还有可能继续服务一小段时间；即旧leader可能在Cnew配置下继续当leader（虽然实质上并不是leader，但仍发挥leader的作用），直到Cnew的entry能够复制到足够多的server上而被committed；
slide 31：
Congratulations！终于介绍完了raft。这里简要回顾下raft的6个部分：
1）leader election：我们确保任何时间，一个term内至多只有一个leader；
2）normal operation：leader接收client的请求，写log并复制到集群中其他机器；注意AppendEntries时非常重要的consistency check，用于确保log的一致性，并在log不一致时用来恢复一致性；
3）safety and consistency：主要讲leader changeovers，涉及两个重大问题。一是保证系统safety，我们展示了如何保证某条entry一旦被committed就永久存在；二是确保一致性，即leader如何确保最终所有followers的log都与其完全相同；
4）neutralize old leaders：一旦有新leader，旧leader就不能再发号施令。
5）client protocol：简要介绍了client与raft的交互，特别是raft中server crash之后，client需要怎么做；
6）configuration changes：讲了raft如何自动并安全地进行配置变更。
最后，对整个raft算法进行整体评论：这个算法的核心是系统必须完美运行，即使只有majority的servers在线。这意味着，永远不能依赖全部server的信息，因为总可能会有server宕机，这完全是未知的，算法必须考虑到这点并完美处理。
（点评：raft的核心思想跟其他一致性算法是相同的，即你不能要求系统中所有个体都运行良好，你必须要做出让步，即不要求系统中所有个体良好，只要系统中大部分个体良好，系统就要能良好地运行下去。而如何保证系统中大多数行为一致，就能达到最终系统所有个体作为一个整体行为一致呢？这其实就是分布式一致性算法需要解决的问题，其实是提出了更高的要求。其中最核心的要求就是两点：一是safety，即无论如何都要保证系统不出问题；二是liveness，即系统要前进、要运行、要为client服务，不能只是不出问题，还要保证能及时地干活、能良好地运转下去。）
网友评论