基本概念
写在前面的几个问题
了解一个分布式系统好坏，可以从下面几个问题入手
- scale out水平扩展如何实现？
- 数据一致性如果保证？
- 高可用性如何实现？
- 异地多活，异地容灾如何实现？
- 分布式事物，分布式锁？
什么是集中式？什么是分布式？
集中式系统用一句话概括就是：一个主机带多个终端。终端没有数据处理能力，仅负责数据的录入和输出。目前银行等企业应用的多是集中式系统。
分布式系统是一个硬件或软件组件分布在不同的网络计算机上，每个节点都有一定的处理能力，彼此之间仅仅通过消息传递进行通信和协调的系统。
分布式工程实践难点
分布式系统降低了成本，提高了系统的带宽和容错性，但是带来了新的问题：就是工程实践的复杂性，它面临的较多问题：
- 消息传递异步无序(asynchronous):现实网络不是一个可靠的信道，存在消息延时、丢失，节点间消息传递做不到同步有序(synchronous)
- 节点宕机(fail-stop): 节点持续宕机，不会恢复
- 节点宕机恢复(fail-recover): 节点宕机一段时间后恢复，在分布式系统中最常见
- 网络分化(network partition): 网络链路出现问题，将N个节点隔离成多个部分
- 拜占庭将军问题(byzantine failure)：节点或宕机或逻辑失败，甚至不按套路出牌抛出干扰决议的信息
我: 老王，今晚7点老地方，搓够48圈不见不散！ ……
（第二天凌晨3点） 隔壁老王: 没问题！ // 消息延迟
我: ......我: 小张，今晚7点老地方，搓够48圈不见不散！
小张: No ……
（两小时后……）
小张: No problem！ // 宕机节点恢复
我: ......我: 老李，今晚7点老地方，搓够48圈不见不散！
老李: 必须的，大保健走起！ // 拜占庭将军
（这是要打麻将呢？还是要大保健？还是一边打麻将一边大保健……）
CAP理论
CAP是Consistency、Availablity和Partition-tolerance的缩写。分别是指：
- 一致性（Consistency）：每次都能保证数据的同步，是最新数据；
- 可用性（Availablity）：每个请求都能接受到一个响应，无论响应成功或失败；
- 分区容忍性（Partition-torlerance）：当节点间出现网络分区，照样可以提供服务。
CAP理论指出：CAP三者只能取其二，不可兼得。
可用性是必须要
一致性问题算法
- 两段式提交（2PC）
满足强一致性，实际举列
经典列子：
1、牧师分别问新郎和新娘：你是否愿意……不管生老病死……
2、当新郎和新娘都回答愿意后（锁定一生的资源），牧师就会说：我宣布你们……（事务提交）
- 三段式提交（3PC）
- Paxos协议
简单说来，Paxos的目的是让整个集群的结点对某个值的变更达成一致。Paxos算法基本上来说是个民主选举的算法——大多数的决定会成个整个集群的统一决定。任何一个点都可以提出要修改某个数据的提案，是否通过这个提案取决于这个集群中是否有超过半数的结点同意（所以Paxos算法需要集群中的结点是单数）。
数据分布算法
分布式系统如何拆解输入数据，把数据分布到各个节点，下面列出几种常见算法
- 哈希算法：这个很好理解，不做过多解释，扩展性不好；
- 按数据范围分布： 按照数据的特征值来划分不同的服务器
- 按数据量分布： 把数据划分为若干block，平均分配，但是需要管理较多元数据
- 一致性哈希：扩展性好但是节点较少时候容易造成数据倾斜
工程实践中常用算法是按数据量和一致性哈希结合
Google三架马车
1、分布式存储GFS ，google 有非常庞大的数据，几台甚至几百台大型服务器都无法存下，所以干脆采用廉价PC，保存在成千上万台上，这样节省了资源，但是由此也带来了很多问题，细想一下，把数据存储在很多机器上会带来什么问题？
首先我要知道我的文件存到了哪个PC上，一个PC坏了是不是我的数据就丢了？所以要进行备份，具体怎么备份，这个应该可以配置，比如某个数据要有几个备份，从而请求备份的时候要做负载均衡；修改某台PC的数据其它上面的数据也要跟着修改，否则数据就不一致了啊？
.......带着这些问题，想想google会怎么解决这些问题？对，他们就是GFS，GFS对开发者是完全透明的，我们对数据的删除，修改，等操作，是透明的，我们创建一个文件完全不必去考虑我们创建的文件放在哪儿了，对GFS帮忙做了，架构如下：
2、BigTable说白了就是一个key/value 用惯了key/value的数据结构，比如一个hashMap （key,value） ,bigTable只不过是用（行，列，时间t）作为key，t一般用来保存数据的版本号；
BigTable 提供针对行数据的事务操作，底层存储为GFS，直白点BigTable就是在GFS上的一个应用而已，类比windows的文件系统，sqlServer数据库系统就是建立在windows文件系统之上的，不同之处BigTable是个分布式的海量存储系统；关键点：子表，介绍到此为止，省略了太多的细节，深入点的话去看论文；
判断某个主键是否在某个子表时：用到算法Bloom Filter http://blog.csdn.net/jiaomeng/article/details/1495500
这种算法的特点：有可能把不属于这个集合的元素误认为属于这个集合（False Positive），但不会把属于这个集合的元素误认为不属于这个集合（False Negative）。在增加了错误率这个因素之后，Bloom Filter通过允许少量的错误来节省大量的存储空间。
备注：GFS、BigTable 实时性应该不会很好
Paxos协议：http://zh.wikipedia.org/wiki/Paxos%E7%AE%97%E6%B3%95
3、数据都存储好了，接下来要进行计算了，map/reduce模型，负责将一个大任务，分配成许多小任务，然后分配到众多机器上去执行；底层怎么实现对开发者应该是透明的；我们需要注意的是如何将大任务进行map，如何进行reduce （即：如何将一个任务分配到许多机器上去执行，遵循什么原则）
工程实践
Hadoop
分布式系统起源于Google的分布式论文，但是其没有开源，由Apache公司工程实现了Google的论文。并且开源，迅速壮大。主要由下面子系统组成：
HBase -> Google Big Table
MapReduce
HDFS -> GFS
Zookeeper -> Chubby
系统架构
