一、分布式的两大场景
数据存储的分布式
服务的分布式
二、数据存储的分布式
比如海量数据，单机存储不下，需要多机，以集群的方式存储，即为数据的分布式存储，数据存储的分布式一般涉及如下几个方面
数据的分片策略
全局主键的实现机制
跨结点数据的聚合
分布式事务
数据容灾机制
2.1数据分片策略
2.1.1 基于数据范围来分
比如库1,存放id 1到1000w的数据，库2存放id 1000w到2000w的数据
优点 ：
单库数据规模提前预估。超规模后，加机器，不需要迁移数据。
且相邻数据大都存放在一个库上，查询时，可以减少跨库聚合。
缺点
容易出现热点数据，比如项目初期，只有库1被高频率访问
待解决问题 ：业务变更导致部分数据被删除后，如何做到数据容量的在平衡。一般也不用考虑这个问题。空间不值钱。
2.1.2 基于id hash来分
优点 ：hash分配，数据分布均匀不会出现数据热点问题
缺点
数据的查询聚合可能需要频繁跨库。解决办法：hash算法和用于计算hash的key去保证，将业务关心的数据分片到同一库，甚至同一张表
集群扩容时，会导致重新hash。可能面临部分数据的迁移
2.1.3 怎么解决扩容时，数据重新hash的问题
方法来至于58沈剑。主要思想：分布式存储的每个库，出于数据可用性的考虑，设置一个主从库，这使得一份数据，有两份存储。扩容时，将每个从库，变成主库。于是容量就扩容了一倍，修改后的hash算法，依然能正确路由。同时由于新的主库包含了完整的数据，所以不需要做数据迁移，只需要做冗余数据的清理。图例如下：
扩容之前的状态
扩容，将从变主。%2=0的库，会变为%4=0与%4=2 。%2=1的部分，会变为%4=1与%4=3;
对扩容后的所有主数据库，新增从库，方便下次的翻倍扩容。删除冗余数据
2.2全局主键的实现机制
snowflake
2.3跨结点数据的聚合
对于跨节点聚合有两种思路，一是通过现有数据库，从查询算法上考虑。第二种，对于过于复杂的聚合统计查询，使用外置索引来实现，比如elasticsearch
第一种，几种跨库分页的方式
http://www.10tiao.com/html/249/201702/2651959942/1.html
第二种，索引外置，比如使用elasticsearch。参看elasticsearch 原理
三、服务的分布式
服务的分布式，一般涉及如下几个方面
服务注册
服务发现
负载均衡
分布式事务
服务的降级熔断
3.1服务的注册
3.2服务的发现
3.3负载均衡
以上三点的大概模式，可以参看之前的笔记微服务的注册与发现 https://chen-jun.me/wei-fu-wu-de-zhu-ce-yu-fa-xian/
3.4分布式事务
3.5服务的降级熔断
服务的降级熔断，可以在两方面做文章。比如A服务调用B服务。当B服务处理失败，导致A服务故障时。在A端，可以设置熔断，当故障率达到一定，A服务可以有一个默认值，不在调用B服务。B服务本身，也可以在A调用自己出故障时，不走计算流程，直接返回一个默认值。这方面的框架有Spring Cloud Hystrix
Spring Cloud Hystrix是基于Netflix的开源框架Hystrix实现，该框架实现了服务熔断、线程隔离等一系列服务保护功能。
对于熔断机制的实现，Hystrix设计了三种状态：
1.熔断关闭状态（Closed）
服务没有故障时，熔断器所处的状态，对调用方的调用不做任何限制。
2.熔断开启状态（Open）
在固定时间窗口内（Hystrix默认是10秒），接口调用出错比率达到一个阈值（Hystrix默认为50%），会进入熔断开启状态。进入熔断状态后，后续对该服务接口的调用不再经过网络，直接执行本地的fallback方法。
3.半熔断状态（Half-Open）
在进入熔断开启状态一段时间之后（Hystrix默认是5秒），熔断器会进入半熔断状态。所谓半熔断就是尝试恢复服务调用，允许有限的流量调用该服务，并监控调用成功率。如果成功率达到预期，则说明服务已恢复，进入熔断关闭状态；如果成功率仍旧很低，则重新进入熔断关闭状态。
关系转换图如下
四、 分布式事务
4.1 CAP理论
CAP理论是 Eric Brewer提出的一种分布式状况下，面临的三个无法同时兼顾的问题
Consistency所有分布式节点，对同一份数据，拥有相同的副本。不会出现数据不一致的情况
Availability对数据的更新和读写，具有高可用性。即服务不能无响应，或出错
Partition Tolerance分区的容忍性，这里的分区不是指数据分布式存储中的shard分区。而是指，由于诸如网络等原因，导致分布式节点之间，无法正常同性时，导致的结点隔离，成为分区。在分区时，整个系统还能允许多大程度的对外服务，成为分区容忍性。
假设一个分布式系统中，有两个节点，处于分区状态。若允许分区中节点可以更新数据，那么会丧失一致性 C 。如果要保证一致性 C ，那处于分区状态的节点将不允许提供服务，这又会丧失可用性 A 。如果一定要保证 CA ，必须保证节点之间能够互相通信，那分区就不能容忍，就无从谈起分区容忍性 P
Eric Brewer提出，在分布式环境下，一个系统只能同时满足以上两点特性，而无法同时满足所有特性。在大多数的分布式系统设计中，人们多会选择满足 AP 两点特性。而放弃强一致性，转而追求最终一致性。这种选择还有另外一个描述叫： B asically A vailable, S oft-state, E ventually consistent 简称 BASE
以上CAP理论的简洁抽象，容易让人们大概理解分布式系统中的难处，但也容易产生一些误导。那就是CAP中的3选2，并不是绝对的。所有Eric Brewer后来又做了一次澄清解释。为什么有误导？
1、很多时候，如果我们不能保证P，那CA也无从谈起
比如用户是通过html访问服务的，这个服务对应的节点，出现分区，导致html都无法访问时。那CA 就不用提了。只有在html能在客户端缓存，支持用户离线模式，才可以说系统保证了 P ,同时保证了 A
2、保证AP,并不是完全放弃C，当恢复分区时，我们依然要采取各种方式解决分区导致的不一致。
由于网络延迟，或网络断连，甚至一个写请求，同步至所有节点，由于节点跨机房，写完成的时间不同步，都可能导致分区。只是分区的时间长短不一而已。为了解决最终的一致性，这就涉及到分布式事务。对于分布式数据库中，某个值的写，保证其一致性，可以使用paxos,raft协议算法。对于业务类型的事务。可以使用TCC或者消息通知的模式来进行事务管理
4.2 最终一致性方案——paxos,raft
zookeeper就是使用的paxos协议
4.3最终一致性方案——TCC
分为 T ry , C onfirm, C ancel ，简称TCC。
Try:尝试锁定事务涉及的资源，进行资源预留
Confirm:对预留的资源做确认提交
Cancel:如果confirm失败，则进行补偿操作，回滚业务处理，解锁预留资源
可以看到这种，try , confrm/cancel。也是两阶段。那跟传统JAT支持的两阶段事务有什么区别？
JTA支持的传统两阶段事务，需要涉及的资源支持XA协议标准，但TCC则需要遵循什么工业标准，可以是完全的业务实现。传统的两阶段提交，任然要求满足事务的ACID，这导致资源的可用性很差。
传统两阶段提交的特点：
TCC事务的特点：
4.4 最终一致性方案——消息通知
这类事务的特点是，需要借助消息通知，来使得事务涉及的多个分布式服务能够协调，完成业务期望。这种方式，也有几种细分的设计。
4.4.1 使用本地事务
同一个共用的消息表，来协调服务双方的业务执行状况
4.4.2 使用MQ
4.4.3 另外一种使用MQ的方式
想要了解更多分布式知识点的，可以关注我一下，我后续也会整理更多关于分布式架构这一块的知识点分享出来，另外顺便给大家推荐一个交流学习群：650385180，里面会分享一些资深架构师录制的视频录像：有Spring，MyBatis，Netty源码分析，高并发、高性能、分布式、微服务架构的原理，JVM性能优化这些成为架构师必备的知识体系。还能领取免费的学习资源，目前受益良多，以下的课程体系图也是在群里获取。
