大数据篇：三大指标
大数据篇：三大指标
上一篇文章中文章讲了如何用服务等级协议（SLA）来评估我们的系统，并讲解了几个常用的SLA指标
今天我们来讲分布式系统中另外几个基本概念
可扩展性（Scalability）
先从我们为什么需要分布式系统说起。原因是我们系统的数据量越来越大，从原来的GB到TB到现在的PB级，单机已经无法胜任这样的工作了。
工作中也常有这样的场景，随着业务变得原来越复杂，之前设计的系统无法处理日渐增长的负载。这时，我们就需要增加系统的容量。
分布式系统的核心就是可扩展性。
最基本且最流行的增加系统容量的模型由两种：水平扩展（Horizontal Scaling）、垂直扩展（Vertical Scaling）。
所谓的水平扩展，就是指在现有的系统中增加新的机器节点。
垂直扩展是指不改变机器数量，通过增加现有机器的性能，比如增加机器的内存。
举个例子：假设你是一个包工头。你有5个人手，他们每人一小时平均可以搬500块砖，那么一个小时最多搬5人×500块×1小时=2500块/小时。
如果你要使这个系统的负荷量增加一倍，用水平扩展的方式，我们可以讲雇佣人数加倍到10个人，或者使现在的人搬砖速度加倍。
到此，你是不是发现水平扩展的适用范围更广，操作更加的简单，并且会提升系统的可用性（Availability）。
如果你的系统部署在AWS或者其他主流的云服务器上，你会发现只需要点几个按钮，就可以轻松的增加一个新的节点。
但是，无节制的增加机器数量会带来许多问题，例如加大的系统的运维、系统间的通讯更加复杂，出错的几率更大，更难保持数据一致性。
与之相反，垂直扩展并没有使系统变得更加复杂，控制系统的代码也不需要做调整，但是它受到的限制也比较多。多数情况，单个机器的性能提升是有限的。而且受制于摩尔定律（-当价格不变时，集成电路上可容纳的元器件的数目，约每隔18-24个月便会提升一倍。换言之，每一美元所能买到的电脑性能，将每隔18-24个月翻上一倍以上 来源：百度百科），提高机器的性能往往比购买新的机器更加的昂贵。
所以在工作中，我们要对这两种模式进行取舍，要具体情况具体分析。
在大数据时代，数据增长速度越来越快，数据规模越来越大，对数据存储系统的扩展性要求也会越来越高。
传统的关系型数据库因为表与表之间地数据关联，经常会进行Join操作，所有数据放在单机系统中，很难支持水平扩展。而NoSql（非关系数据库）型的数据库天生支持水平扩展，所有这类存储系统应用越来越广，如：Redis、MongoDB等。
一致性（Consistency）
一般来说分布式系统的节点可用性会比整个系统的可用性低。
假设我们需要构建一个系统达到了99.999%的可用性（每年约有5分钟不可用），而单个节点的可用性为99.9%（每年约有8小时的宕机时间）。那么这时我们能想到的便是多增加几个结点，即使其中几个节点宕机，也有部分节点可以使用，这样系统的可用性就会提高了。
这时当节点不断增加，我们怎样保证不同节点同一时间接收和输出的数据是一致的呢？下面我讲解下一致性。
要保证分布式系统的内的机器节点有相同的信息，就需要机器间，定期同步。
然而，发送的消息并不一定是成功的，比如节点宕机、脑裂等。因此，一致性也是一个非常重要的概念。
接下来我讲解几个常见的一致性模型：强一致性（Strong Consistency）、弱一致性（Weak Consistency）、最终一致性（Eventual Consistency）。
- 强一致性：系统中的某个数据被成功更新后，后续任何数据的读取操作都将得到更新后的值。所有在任意时刻。同一系统所有节点中的数据是一样的。
- 弱一致性：系统中的某个数据被更新后，后续对该数据的读取操作可能得到更新后的值，也可能是更改前的值。但经够“不一致的时间窗口”后，读取到的值都是更新后的值。
- 最终一致性：最终一致性可以说是弱一致性的特例。系统保证在没有新的更新条件下，最终的所有访问都是最新的值。
上面的表述可能有些过于官方了，下面我来详细讲解下。
在强一致性系统中，只要某个数据的值有更新，这个数据的副本都要进行同步，以保证这个更新被传播到所有备份的数据库中，直到这个过程结束，才允许服务器来读取这个数据（这里有点像锁一样）。
所以必定会牺牲掉一部分延迟性，而且对于全局时钟的要求很高。举个例子：Google Cloud的Cloud Spanner就是一款强一致性的全球分布式企业级数据库服务。
在最终一致性系统中，我们无需等待数据更新到所有节点就可以获取。尽管不同的进程读同一数据，可能读到不同的结果，但是最终还是可以读取到同一数据。
很多认为银行间转账应该是强一致性，但是其实并不然。
举个例子，张三给李四转500块钱，张三扣款了，但是李四并不一定会收到500块钱。这里便会产生一个不一致性的时间窗口：张三扣款，而李四没有收到钱的时候。
另一个例子：你在12306系统上买票，也不是强一致性。
如果你买票的时候你发现票剩余5张，你发起订票请求，系统提示你“正在排队，现在还有5张票，前方还有10人在购买”。
这时你可能就会去查询订单详情，因为系统没有立即返回你成功或者失败。如果有人退了一张票，那么这张票会立即回到票池。这里也存在一个时间窗口。
但是5张票，只会卖给5人，不会卖给第6个人，这就是最终一致性（“最终所有数据都会同步”）；
持久性（Durability）
数据持久性（Data Durability）意味着数据一旦被成功存储就可以一直使用，即使宕机、节点下线或数据损坏也是如此。
不同分布式数据拥有不同级别的持久性。有些系统支持机器（节点）级别的持久性，有些支持集群的持久性。有些压根没有持久性。
想要提高持久性，复制是一个非常好的做法，同一数据存储在不同节点上，即使节点无法连接，数据仍然可以从其他节点读取。
除了数据持久性还有另一个重要的持久性概念：消息持久性。在分布式系统中，节点之间需要经常相互发送消息去同步以保证一致性。对于重要的系统，常常不会允许任何消息丢失。
分布式系统间的消息通讯一般由分布式消息服务完成，如：Kafka，RabbitMq等。这些消息服务都支持不同级别的消息送达可靠性。消息持久性大致包含两个方面：1.当消息服务节点发生了错误，已经发生的消息仍然会在错误解决之后被处理。2.如果一个消息队列声明了持久性，那么即使队列在消息发送后掉线，仍然会在重新上线之后收到这条消息。
总结
上一篇我们讲了可用性、延迟性、准确性与这篇文章中的一致性、持久性、扩展性。我们不难发现一个系统想要在不牺牲某一指标的前提下，让每个指标都达到最好，是几乎不可能的。