{"id":56365,"date":"2020-02-11T00:00:00","date_gmt":"2020-02-10T21:00:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/highload-mihail-tyulenev-mongodb-causal-consistency-ot-teorii-k-praktike"},"modified":"2020-02-18T14:04:37","modified_gmt":"2020-02-18T11:04:37","slug":"highload-mihail-tyulenev-mongodb-causal-consistency-ot-teorii-k-praktike","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/administrirovanie\/highload-mihail-tyulenev-mongodb-causal-consistency-ot-teorii-k-praktike","title":{"rendered":"HighLoad++, Michail Tjulenew (MongoDB): Kausale Konsistenz: von der Theorie zur Praxis","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Die n\u00e4chste HighLoad++ Konferenz findet am 6. und 7. April 2020 in St. Petersburg statt.
\nDetails und Tickets \u00fcber den Link<\/a><\/noindex>. HighLoad++ Sibirien 2019. Raum \u201eKrasnojarsk\u201c. 25. Juni, 12:00. Abstracts und Pr\u00e4sentation n\u00fctzlich sein.<\/a><\/noindex>.<\/p>\n

\"HighLoad++,
\n
\nEs kommt vor, dass praktische Anforderungen mit der Theorie in Konflikt stehen, wobei wichtige Aspekte f\u00fcr kommerzielle Produkte nicht ber\u00fccksichtigt werden. In diesem Vortrag wird der Prozess der Auswahl und Kombination verschiedener Ans\u00e4tze zur Erstellung von Komponenten der Kausalen Konsistenz basierend auf akademischen Forschungsergebnissen unter den Anforderungen eines kommerziellen Produkts vorgestellt. Die Zuh\u00f6rer erfahren von bestehenden theoretischen Ans\u00e4tzen zu logischen Uhren, Abh\u00e4ngigkeitsverfolgung, Systemsicherheit, Uhren-Synchronisation und warum MongoDB bei bestimmten L\u00f6sungen geblieben ist.<\/a><\/noindex><\/p>\n

Michail Tjulenew (im Folgenden \u2013 MT):<\/b> \u2013 Ich werde \u00fcber Kausale Konsistenz sprechen \u2013 eine Funktion, an der wir bei MongoDB gearbeitet haben. Ich arbeite in der Gruppe f\u00fcr verteilte Systeme, wir haben sie vor etwa zwei Jahren entwickelt.<\/p>\n

\"HighLoad++,
\n
\nIm Verlauf des Prozesses musste ich mit einer Vielzahl akademischer Forschungen vertraut werden, da dieses Feature gut erforscht ist. Es stellte sich heraus, dass kein Artikel den spezifischen Anforderungen entsprach, die in Produktionsumgebungen ben\u00f6tigt werden, aufgrund der sehr speziellen Anforderungen, die wahrscheinlich in jeder Produktionsanwendung vorhanden sind.<\/p>\n

Ich werde dar\u00fcber berichten, wie wir als Verbraucher akademischer Forschung etwas daraus entwickeln, das wir unseren Nutzern als fertiges Produkt pr\u00e4sentieren k\u00f6nnen, das einfach und sicher zu verwenden ist.<\/p>\n

Kausale Konsistenz (Causal Consistency). Lassen Sie uns die Begriffe kl\u00e4ren.<\/h3>\n

\nZun\u00e4chst m\u00f6chte ich in groben Z\u00fcgen erl\u00e4utern, was kausale Konsistenz ist. Es gibt zwei Charaktere \u2013 Leonard und Penny (aus der Serie \u201eThe Big Bang Theory\u201c):<\/p>\n

\"HighLoad++,
\n
\nAngenommen, Penny ist in Europa und Leonard m\u00f6chte eine \u00dcberraschung f\u00fcr sie organisieren. Er entscheidet sich daf\u00fcr, sie aus seiner Freundesliste zu entfernen und allen Freunden ein Update im Feed zu senden: \u201eLasst uns Penny eine Freude machen!\u201c (Sie ist in Europa, schl\u00e4ft und sieht das alles nicht, weil sie nicht dort ist). Am Ende l\u00f6scht er diesen Beitrag, entfernt ihn aus dem Feed und stellt den Zugang wieder her, damit sie nichts merkt und es zu keinem Skandal kommt.
\nDas ist alles wunderbar, aber nehmen wir an, dass das System verteilt ist und die Ereignisse nicht ganz wie geplant ablaufen. Es k\u00f6nnte zum Beispiel passieren, dass Pennys Zugangsbeschr\u00e4nkung nach dem Erscheinen dieses Beitrags erfolgt, wenn die Ereignisse nicht kausal miteinander verbunden sind. Tats\u00e4chlich ist dies ein Beispiel daf\u00fcr, dass kausale Konsistenz ben\u00f6tigt wird, um eine Gesch\u00e4ftsanforderung zu erf\u00fcllen (in diesem Fall).<\/p>\n

Tats\u00e4chlich sind das ziemlich komplexe Eigenschaften von Datenbanken \u2013 nur sehr wenige unterst\u00fctzen sie. Lassen Sie uns zu den Modellen \u00fcbergehen.<\/p>\n

Konsistenzmodelle (Consistency Models)<\/h3>\n

\nWas ist \u00fcberhaupt das Konsistenzmodell in Datenbanken? Es sind bestimmte Garantien, die ein verteiltes System hinsichtlich der Daten, die der Kunde empfangen kann, und der Reihenfolge, in der dies geschieht, bietet.<\/p>\n

Letztendlich lassen sich alle Konsistenzmodelle darauf zur\u00fcckf\u00fchren, wie \u00e4hnlich ein verteiltes System einem System ist, das beispielsweise auf einem einzelnen Node auf einem Laptop l\u00e4uft. Und es stellt sich die Frage, inwieweit ein System, das auf Tausenden von geografisch verteilten 'Nods' arbeitet, dem Laptop \u00e4hnelt, bei dem all diese Eigenschaften im Grunde automatisch erf\u00fcllt sind.<\/p>\n

Deshalb gelten Konsistenzmodelle ausschlie\u00dflich f\u00fcr verteilte Systeme. Alle Systeme, die zuvor existierten und auf vertikaler Skalierung basierten, hatten solche Probleme nicht. Dort gab es einen einzigen Buffer Cache, aus dem alles stets abgerufen wurde.<\/p>\n

Das Strong-Modell<\/h3>\n

\nDas erste Modell ist das Strong (oder auch Linearity, wie es oft genannt wird). Dies ist ein Konsistenzmodell, das garantiert, dass jede \u00c4nderung, sobald die Best\u00e4tigung erfolgt, dass sie stattgefunden hat, f\u00fcr alle Benutzer des Systems sichtbar wird.<\/p>\n

Dies stellt eine globale Ordnung aller Ereignisse in der Datenbank her. Es ist eine sehr m\u00e4chtige Konsistenz-Eigenschaft, aber auch kostspielig. Dennoch wird sie gut unterst\u00fctzt. Es ist einfach sehr teuer und langsam \u2013 weshalb sie selten genutzt wird. Dies wird als Erreichbarkeit bezeichnet.<\/p>\n

Es gibt eine weitere, st\u00e4rkere Eigenschaft, die im \u201eSpanner\u201c unterst\u00fctzt wird \u2013 die als externe Konsistenz bezeichnet wird. Dar\u00fcber werden wir sp\u00e4ter sprechen.<\/p>\n

Kausal<\/h3>\n

\nDas n\u00e4chste ist kausal, das ist genau das, wor\u00fcber ich gesprochen habe. Zwischen starker und kausaler Konsistenz gibt es noch einige Unterebenen, die ich nicht ansprechen werde, aber sie f\u00fchren alle zur kausalen Konsistenz. Dies ist ein wichtiges Modell, weil es das st\u00e4rkste von allen Modellen ist, die st\u00e4rkste Konsistenz in Anwesenheit von Netzwerken oder Partitionen.<\/p>\n

Kausale Konsistenzen sind im Wesentlichen Situationen, in denen Ereignisse durch eine Ursache-Wirkung-Beziehung verbunden sind. H\u00e4ufig werden sie aus Sicht des Kunden als 'Lesen der eigenen Rechte' wahrgenommen. Wenn ein Kunde bestimmte Werte beobachtet hat, kann er die Werte aus der Vergangenheit nicht mehr sehen. Er beginnt bereits, pr\u00e4fixierte Lesungen zu sehen. Das alles l\u00e4uft auf dasselbe hinaus.
\nCausals als Konsistenzmodell \u2013 eine teilweise Ordnung von Ereignissen auf dem Server, bei der Ereignisse von allen Clients in derselben Reihenfolge beobachtet werden. In diesem Fall \u2013 Leonard und Penny.<\/p>\n

Eventual<\/h3>\n

\nDas dritte Modell ist die Eventual Consistency. Dies ist das, was alle verteilten Systeme unterst\u00fctzen, das Minimalmodell, das \u00fcberhaupt Sinn macht. Es bedeutet Folgendes: Wenn wir \u00c4nderungen an den Daten vornehmen, werden sie irgendwann konsistent.<\/p>\n

In diesem Moment gibt es keine definitive Aussage, sonst w\u00fcrde es zu einer External Consistency \u2013 eine ganz andere Geschichte. Dennoch ist dies ein sehr popul\u00e4res Modell, das am weitesten verbreitet ist. Standardm\u00e4\u00dfig verwenden alle Benutzer verteilter Systeme genau die Eventual Consistency.<\/p>\n

Ich m\u00f6chte einige vergleichende Beispiele anf\u00fchren:<\/p>\n

\"HighLoad++,
\n
\nWas bedeuten diese Pfeile?<\/p>\n