通过划分法优化共识算法-“Scaling Replicated State Machines ...

acecase

Scaling Replicated State Machines with Compartmentalization
一、背景

目前，为了解决状态机复制算法在各种场景或者机制中的瓶颈，相关从业人员设计了大量状态机复制算法的变体。然而，这些变体在解决一个问题的同时往往会引出新的问题（如ChainPaxos为解决无额外通信的线性读，牺牲了读操作的响应时间），或引入更强的约束（Mencius为打破leader的瓶颈，要求更严格的网络环境，不允许消息的乱序）。论文针对这个问题，提出划分技术，打破了从业人员对MultiPaxos不能scale的观点。划分技术通过较为全面的方式，对SMR算法进行优化，而不明显对其它性能产生额外的牺牲。
论文主要对MultiPaxos划分后进行scaling优化，但需要注意的是，划分是一种思路，并不局限于MultiPaxos，可以推广到其它SMR算法，甚至可以应用到其它领域的算法中。
二、前提

首先，我们需要知道为什么从业者认为MultiPaxos不能scale。这里我们假设系统能容忍f个节点的崩溃故障。

• 为什么增加proposer的数量无法提高系统的性能：在MultiPaxos中，只有leader处理来自客户端的请求，和proposer的数量无直接关联，proposer数量的增加甚至可能会降低leader选举的效率；
  
• 为什么增加acceptor的数量无法提高系统的性能：增加acceptor会给leader处理消息产生更大的压力（leader需处理更多来自acceptor的消息），而且根据majority，每个acceptor始终都需要处理至少一半的命令，增加acceptor并不能分担其它acceptor的压力；
  
• 为什么增加replica的数量无法提高系统的性能：增加replica会给leader广播消息产生更大的压力（leader需发送给更多副本learn消息），且每个replica都需要提交且应用所有的命令，所以增加replica并不能分担其它replica的压力。
  

三、实现

论文主要提供了六种划分MultiPaxos的方式，如下图：


1. Proxy Leaders

众所周知，leader是MultiPaxos的瓶颈之一。在正常流程中，对于客户端提交的一个命令，leader至少需要发送f+1个accept消息给acceptor，接收f+1个来自acceptor 的accepted消息，并发送f+1个learn消息给replica，算上来自客户端的消息，一共需要处理3f+4个消息。而acceptor只需要处理2个消息，replica需要处理1或者2个消息（其中一个replica需要对客户端做出响应）。而且leader需要处理来自客户端的所有请求，这样的计算倾斜使leader很容易成为系统的瓶颈。
MultiPaxos采用唯一的leader的一个好处是，leader拥有global view，可以独断地将客户端发来的命令分配到日志的某一槽上，从而高效地对命令进行排序。如果增加leader的数量，MultiPaxos就会退化为最基础的Paxos流程，副本间需要对命令的排序也达成共识（即Prepare阶段，为某一个日志槽预定所有权），退化为两阶段提交，还可能产生冲突。论文认为leader的主要职责可以被分为排序以及广播，既然排序不能scale，那就scale广播，因此引出了proxy leader的概念。



需要有至少f+1个节点承担proxy leader的角色，该角色分担了leader的广播职责，当接收到客户端的请求时，leader只需将该命令分配到一个日志槽上，之后通过轮询等方式将广播的任务分摊到proxy leader上。这样一来，对于一个命令，leader只需要处理两个消息，proxy leader则会均匀地承担3f+4个消息的处理。
很明显，关键路径上leader节点的任务量大大降低，通过增加proxy leader的方式可以将之前leader的广播负载均匀地分摊到多个节点上，因此proxy leader是可以scale的。
2. Acceptor Grids

一般来说，MultiPaxos的Prepare阶段和Accept阶段都需要收到majority（f+1）的acceptor的响应后才能继续进行，即read quorum以及write quorum都为f+1。一般认为，在容忍f个副本故障的系统中增加acceptor的数量并不能提升系统的性能。一是acceptor数量的增加会加剧leader处理消息的压力；二是acceptor数量的增加并不能降低acceptor的压力（在副本数为n的系统中，假设quorum为m（一般m会随着n的增加而等比增加），无论怎么增加acceptor的数量，每个acceptor都至少需要处理m/n的命令）。
假设一个系统的read quorum为r，write quorum为w，我们认为只要满足r + w > n，任意的read quorum和write quorum便有交集，即可保证每一次的读都能读到达成共识的值。当然，我们需要保证w > f以保证数据的一致性。majority为该情况下的一种特例。 然而，这种仅仅以数量或者比例约束quorum的方式，并不能通过增加acceptor的方式提高系统性能。
因此，论文采用flexible quorum的方式，将quorum构建成一个r × w的的网格（其中r和w都要大于f），任意列为write quorum，行为read quorum。通过网格中任意行和列都一定相交的特点，保证即使在r + w < n的情况下，任意的read quorum以及write quorum间都有交集。结构如下图所示：

这里感觉有点问题，r × w中r和w应该是quorum的数量，而不是quorum中节点的数量，为什么还需要大于f？

实际上，r + w > n通过数理逻辑的方式保证任意的read quorum以及write quorum间都有交集，此时quorum并不一定需要指定副本，只要满足数量即可；而Grid的方式则是通过网格结构的特点保证read quorum以及write quorum间有交集，但是每个quorum都是确定的。

基于网格的结构下，我们可以将新增加的acceptor组成write quorum加入网格中，这样，我们在增加acceptor数量的同时只需要增加read quorum，而不需要增加write quorum。由于每个acceptor至少处理w / n的命令，因此在Acceptor Grids的情况下增加acceptor的数量可以降低acceptor的压力，提高系统性能。
3. More Replicas

这个优化比较好理解，当replica应用完命令后，会有一个副本负责对客户端做出响应，因此每个replica响应给客户端的次数平均下来为1 / n。虽然增加replica的数量不能降低每个replica应用命令的数量，但是可以减少每个replica响应客户端的次数。



4. Leaderless Reads

MultiPaxos通过一个有序的日志序列保证操作的有序性，为了实现线性写，每个写操作都会被分配到一个日志槽中。实现线性读的关键是读操作能反映一个状态，最简单的实现方式是也将读操作分配到日志槽中并达成共识。然而，读操作并不会改变状态机的状态，通过对读操作分配日志槽并达成共识的方式开销太大，因此论文提出将write path和read path进行划分。
划分后，写操作的执行与之前一样，但读操作采用Paxos Quorum Reads（PQR）的方式进行。在进行读操作时，客户端首先向一个read quorum发送PreRead消息，acceptor接收到该消息后会将自己已经投过票的最大的日志槽的索引wi响应给客户端，客户端选取最大的wi作为i。然后向任意replica发送Read(x, i)消息，当replica日志槽中第i个命令应用后，对x进行读取并响应给客户端。如下图：

这里的逻辑比较清晰，最开始发送PreRead消息给read quorum是为了获取整个系统中最新的日志槽i，然后便可以将该读操作挂载到该日志槽上，此时该读操作可以反映日志槽i对应的状态而不需要自己占一个槽。因此实现线性读。

此时，增加read quorum的数量（注意不是read quorum中节点的数量），可以在读密集的系统（如：Chubby（写操作小于1%）、Spanner（写操作小于0.3%））中将PreRead消息负载到更多的read quorum中从而分摊压力。
5. Batchers

将命令分批处理是提高系统吞吐量的一个有效手段，客户端发送请求给leader时，leader会对请求进行积攒，当达到一定数量或超时后统一发送给acceptor进行处理，如果batch的大小为10，那么系统整体可以减少十倍的消息数量。如下图：

需要注意，replica需要响应给参与该batch的所有客户端

主链路中leader后的角色都可以享受到这种优化带来的好处（降低每个命令需要处理的消息数），但leader却被赋予了分批的职责，此时加重了leader的负担。
此时leader的职责主要有batching以及给batch排序。如同proxy leader时的思路，论文将这两个职责进行切分，引入Batcher角色，由Batcher对请求进行batching，达到阈值后发送给leader对batch进行排序，其它流程不变。如下图：



显然Batcher之间是并行工作的，所以增加其数量能有效降低其压力。
对于读操作也类似，首先通过Batcher对读请求进行batching，然后统一对batch进行PreRead，这样一个batch中的读请求都会挂载到同一个日志槽上。
6. Unbatchers

由于replica需要响应参与某batch的所有客户端，这就导致如果batch的大小为n，那么replica在响应时就需要一次发送n条消息。这导致replica可能成为瓶颈。
在引入Batch后，replica除了应用命令进行状态转换之外，还需要进行batch响应。论文将这两个职责进行拆分，引入Unbatcher角色。此时relica只需应用命令，将响应发送给unbatcher，然后由unbatcher对客户端进行响应。如下图：



unbatcher的工作是并行的，因此增加其数量可以有效降低其负担。
四、总结

论文采用了划分的方式从不同维度对MultiPaxos的瓶颈进行优化，使其支持scale。同时，优化路线是层层递进的，逐渐消除可能新产生的瓶颈，但这也导致单独讨论其中一种优化意义相对不那么大。
MultiPaxos中leader的瓶颈太过明显，在一般情况下，leader限制了其它角色的能力，仅仅消除leader的瓶颈便可以较好地提升系统的吞吐量。同样的，在没有解决leader瓶颈的前提下，使用其它优化可能并不会有很好的效果。
当然，最终leader和replica还是可能成为瓶颈。因为leader的排序以及replica的状态转移一定会出现在执行的关键路径中，而为了保持排序的独断性，我们无法通过scale的方式对排序进行优化（当然可以增加sequencer的数量，但需要对命令的排序额外达成共识）。同样，为了保证数据的完整性，无法通过增加replica的方式分摊replica状态转移的负担，每个replica都需要完整应用所有的命令。