{"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\/it\/blog\/administrirovanie\/highload-mihail-tyulenev-mongodb-causal-consistency-ot-teorii-k-praktike","title":{"rendered":"HighLoad++, Michail Tuleev (MongoDB): Coerenza causale: dalla teoria alla pratica","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

La prossima conferenza HighLoad++ si svolger\u00e0 il 6 e 7 aprile 2020 a San Pietroburgo.
\nDettagli e biglietti al link<\/a><\/noindex>. HighLoad++ Siberia 2019. Sala \u00abKrasnoyarsk\u00bb. 25 giugno, 12:00. Sintesi e presentazione<\/a><\/noindex>.<\/p>\n

\"HighLoad++,
\n
\nCapita che i requisiti pratici siano in conflitto con la teoria, dove non sono considerati aspetti importanti per un prodotto commerciale. In questa presentazione viene illustrato il processo di selezione e combinazione di vari approcci per la creazione di componenti per la consistenza causale, basandosi su ricerche accademiche e sulle esigenze di un prodotto commerciale. Gli ascoltatori apprenderanno gli approcci teorici esistenti riguardo agli orologi logici, al tracciamento delle dipendenze, alla sicurezza dei sistemi, alla sincronizzazione degli orologi e sul perch\u00e9 MongoDB abbia scelto determinate soluzioni.<\/a><\/noindex><\/p>\n

Mikhail Tyulenev (di seguito \u2013 MT):<\/b> \u2013 Parler\u00f2 della consistenza causale: \u00e8 una funzione su cui abbiamo lavorato in MongoDB. Lavoro nel team dei sistemi distribuiti, l'abbiamo realizzata circa due anni fa.<\/p>\n

\"HighLoad++,
\n
\nDurante il processo, ho dovuto familiarizzare con una grande quantit\u00e0 di ricerche accademiche, poich\u00e9 questa funzionalit\u00e0 \u00e8 stata ampiamente studiata. Ho scoperto che nessun articolo si adatta a ci\u00f2 che \u00e8 richiesto in produzione, data la presenza di requisiti piuttosto specifici che si trovano in praticamente tutte le applicazioni di produzione.<\/p>\n

Parler\u00f2 di come noi, in qualit\u00e0 di consumatori di ricerche accademiche, prepariamo qualcosa che possiamo poi presentare ai nostri utenti come un piatto pronto da utilizzare in modo comodo e sicuro.<\/p>\n

Coerenza causale (Causal consistency). Definiamo i concetti<\/h3>\n

\nPer iniziare, voglio spiegare brevemente cosa sia la coerenza causale. Ci sono due personaggi \u2013 Leonard e Penny (dalla serie \"The Big Bang Theory\"):<\/p>\n

\"HighLoad++,
\n
\nSupponiamo che Penny si trovi in Europa e Leonard voglia farle una sorpresa, una festa. E non gli viene in mente nulla di meglio che toglierla dalla lista degli amici e inviare a tutti gli amici un aggiornamento nel feed: \u00abFacciamo una sorpresa a Penny!\u00bb (lei \u00e8 in Europa, mentre dorme, non vede tutto questo e non pu\u00f2 vederlo perch\u00e9 non \u00e8 l\u00ec). Alla fine, elimina questo post, rimuove dal \u00abFeed\u00bb e ripristina l'accesso, in modo che non si accorga di nulla e non ci siano scandali.
\nTutto ci\u00f2 \u00e8 fantastico, ma supponiamo che il sistema sia distribuito e che gli eventi non siano andati del tutto come previsto. Pu\u00f2 succedere, ad esempio, che la restrizione dell'accesso a Penny sia avvenuta dopo che questo post \u00e8 apparso, se gli eventi non sono connessi da legami di causa ed effetto. In effetti, questo \u00e8 un esempio di quando \u00e8 necessaria la coerenza causale per eseguire una funzione aziendale (in questo caso).<\/p>\n

In realt\u00e0, queste sono propriet\u00e0 piuttosto complesse del database \u2013 poche di esse sono supportate. Passiamo ai modelli.<\/p>\n

Modelli di coerenza (Consistency Models)<\/h3>\n

\nCos'\u00e8 esattamente un modello di coerenza nei database? Si tratta di alcune garanzie che un sistema distribuito fornisce riguardo ai dati che un cliente pu\u00f2 ricevere e in quale sequenza.<\/p>\n

In sostanza, tutti i modelli di coerenza si riducono a quanto un sistema distribuito assomigli a un sistema che funziona, ad esempio, su un singolo nodo su un laptop. Ecco quanto un sistema che opera su migliaia di nodi geograficamente distribuiti si avvicina a un laptop, dove tutte queste propriet\u00e0 vengono sostanzialmente eseguite in modo automatico.<\/p>\n

Pertanto, i modelli di coerenza si applicano esclusivamente ai sistemi distribuiti. Tutti i sistemi esistenti in precedenza che operavano su uno scale-up verticale non presentavano tali problemi. L\u00ec c'era una sola Buffer Cache, da cui si estraevano sempre i dati.<\/p>\n

Modello Strong<\/h3>\n

\nIn effetti, il primo modello \u00e8 il Strong (o linea di risalita, come viene spesso chiamato). Questo \u00e8 un modello di coerenza che garantisce che ogni modifica, non appena si riceve la conferma che \u00e8 avvenuta, diventa visibile a tutti gli utenti del sistema.<\/p>\n

Questo crea un ordine globale di tutti gli eventi nel database. Questa \u00e8 una propriet\u00e0 di coerenza molto forte e in generale \u00e8 molto costosa. Tuttavia, \u00e8 ben supportata. \u00c8 semplicemente molto costosa e lenta \u2013 infatti \u00e8 raramente utilizzata. Questo \u00e8 chiamato 'rise ability'.<\/p>\n

C'\u00e8 un'altra propriet\u00e0, ancora pi\u00f9 forte, che \u00e8 supportata in 'Spanner' \u2013 si chiama Coerenza Esterna. Di questo ne parleremo pi\u00f9 tardi.<\/p>\n

Causale<\/h3>\n

\nIl prossimo \u00e8 Causale, proprio quello di cui stavo parlando. Tra Strong e Causale ci sono diversi sotto-livelli, di cui non parler\u00f2, ma tutti si riconduscono a Causale. Questo \u00e8 un modello importante, perch\u00e9 \u00e8 il pi\u00f9 forte di tutti i modelli, la coerenza pi\u00f9 forte in presenza di reti o partizioni.<\/p>\n

I Causali sono in realt\u00e0 situazioni in cui gli eventi sono legati da una relazione di causa ed effetto. Spesso vengono percepiti come le 'Read your own rights' dal punto di vista del cliente. Se un cliente ha osservato certi valori, non pu\u00f2 vedere i valori che erano nel passato. Inizia a vedere letture prefissate. Tutto si riduce a questo.
\nCausals come modello di coerenza \u2013 una parziale ordinazione degli eventi sul server, in cui gli eventi da tutti i client vengono osservati nella stessa sequenza. In questo caso \u2013 Leonardo e Penny.<\/p>\n

Eventual<\/h3>\n

\nIl terzo modello \u00e8 l'Eventual Consistency. Questa \u00e8 supportata da praticamente tutti i sistemi distribuiti, essendo il modello minimo che ha senso. Essa implica quanto segue: quando ci sono alcune modifiche nei dati, in un certo momento diventano coerenti.<\/p>\n

In quel momento non dice nulla, altrimenti si trasformerebbe in External Consistency \u2013 sarebbe una storia completamente diversa. Tuttavia, questo \u00e8 un modello molto popolare, il pi\u00f9 comune. Per impostazione predefinita, tutti gli utenti dei sistemi distribuiti utilizzano proprio l'Eventual Consistency.<\/p>\n

Vorrei fornire alcuni esempi comparativi:<\/p>\n

\"HighLoad++,
\n
\nCosa significano queste frecce?<\/p>\n