{"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\/pl\/blog\/administrirovanie\/highload-mihail-tyulenev-mongodb-causal-consistency-ot-teorii-k-praktike","title":{"rendered":"HighLoad++, Michai\u0142 Tjuleniew (MongoDB): Sp\u00f3jno\u015b\u0107 przyczynowa: od teorii do praktyki","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Nast\u0119pna konferencja HighLoad++ odb\u0119dzie si\u0119 6 i 7 kwietnia 2020 roku w Petersburgu.
\nSzczeg\u00f3\u0142y i bilety pod tym linkiem<\/a><\/noindex>. HighLoad++ Siberia 2019. Sala \u201eKrasnojarsk\u201d. 25 czerwca, 12:00. Streszczenia i prezentacja<\/a><\/noindex>.<\/p>\n

\"HighLoad++,
\n
\nCzasami praktyczne wymagania koliduj\u0105 z teori\u0105, w kt\u00f3rej nie uwzgl\u0119dnione s\u0105 wa\u017cne aspekty dla produktu komercyjnego. W tym wyst\u0105pieniu przedstawiony zostanie proces wyboru i \u0142\u0105czenia r\u00f3\u017cnych podej\u015b\u0107 do tworzenia komponent\u00f3w Causal consistency na podstawie bada\u0144 akademickich zgodnie z wymaganiami produktu komercyjnego. S\u0142uchacze dowiedz\u0105 si\u0119 o istniej\u0105cych teoretycznych podej\u015bciach do zegar\u00f3w logicznych, \u015bledzenia zale\u017cno\u015bci, bezpiecze\u0144stwa system\u00f3w, synchronizacji zegara i dlaczego MongoDB zatrzyma\u0142o si\u0119 na takich, a nie innych rozwi\u0105zaniach.<\/a><\/noindex><\/p>\n

Micha\u0142 Ty\u0142eniew (dalej \u2013 MT):<\/b> \u2013 B\u0119d\u0119 m\u00f3wi\u0142 o Causal consistency \u2013 to funkcjonalno\u015b\u0107, nad kt\u00f3r\u0105 pracowali\u015bmy w MongoDB. Pracuj\u0119 w grupie system\u00f3w rozproszonych, stworzyli\u015bmy to oko\u0142o dwa lata temu.<\/p>\n

\"HighLoad++,
\n
\nW procesie musia\u0142em zapozna\u0107 si\u0119 z du\u017c\u0105 ilo\u015bci\u0105 bada\u0144 akademickich, poniewa\u017c ta funkcjonalno\u015b\u0107 jest do\u015b\u0107 dobrze zbadana. Okaza\u0142o si\u0119, \u017ce \u017caden z artyku\u0142\u00f3w nie wpisuje si\u0119 w to, co jest wymagane w produkcji baz danych, z uwagi na do\u015b\u0107 specyficzne wymagania, kt\u00f3re wyst\u0119puj\u0105 prawdopodobnie w ka\u017cdej aplikacji produkcyjnej.<\/p>\n

B\u0119d\u0119 opowiada\u0107 o tym, jak jako konsumenci bada\u0144 akademickich przygotowujemy co\u015b, co mo\u017cemy p\u00f3\u017aniej przedstawi\u0107 naszym u\u017cytkownikom jako gotowe danie, z kt\u00f3rego \u0142atwo i bezpiecznie korzysta\u0107.<\/p>\n

Przyczynowa zgodno\u015b\u0107 (Causal consistency). Zdefiniujmy poj\u0119cia<\/h3>\n

\nNa pocz\u0105tek chcia\u0142bym w og\u00f3lnych zarysach powiedzie\u0107, czym jest Causal consistency. S\u0105 dwie postacie \u2013 Leonard i Penny (serial \u201eTeoria wielkiego podrywu\u201d):<\/p>\n

\"HighLoad++,
\n
\nZa\u0142\u00f3\u017cmy, \u017ce Penny jest w Europie, a Leonard chce zrobi\u0107 dla niej jak\u0105\u015b niespodziank\u0119, imprez\u0119. I nie wymy\u015bla nic lepszego, jak usun\u0105\u0107 j\u0105 z listy znajomych, wys\u0142a\u0107 wszystkim znajomym aktualizacj\u0119 na feed: \u201eSprawmy rado\u015b\u0107 Penny!\u201d (ona jest w Europie, podczas gdy \u015bpi, nie widzi tego wszystkiego i nie mo\u017ce tego zobaczy\u0107, poniewa\u017c jej tam nie ma). W ostatecznym momencie usuwa ten post, wymazuje z \u201eFida\u201d i przywraca dost\u0119p, \u017ceby niczego nie zauwa\u017cy\u0142a i \u017ceby nie by\u0142o skandalu.
\nTo wszystko jest w porz\u0105dku, ale za\u0142\u00f3\u017cmy, \u017ce system jest rozproszony i wydarzenia potoczy\u0142y si\u0119 nieco inaczej. Mo\u017ce na przyk\u0142ad zdarzy\u0107 si\u0119, \u017ce ograniczenie dost\u0119pu Penny nast\u0105pi\u0142o po tym, jak ten post si\u0119 pojawi\u0142, je\u015bli wydarzenia nie s\u0105 ze sob\u0105 powi\u0105zane przyczynowo. W rzeczywisto\u015bci to przyk\u0142ad sytuacji, w kt\u00f3rej wymagana jest sp\u00f3jno\u015b\u0107 przyczynowa, aby zrealizowa\u0107 funkcj\u0119 biznesow\u0105 (w tym przypadku).<\/p>\n

W rzeczywisto\u015bci to do\u015b\u0107 nietrywialne w\u0142a\u015bciwo\u015bci baz danych \u2013 bardzo niewiele z nich je wspiera. Przejd\u017amy do modeli.<\/p>\n

Modele sp\u00f3jno\u015bci (Consistency Models)<\/h3>\n

\nCzym tak naprawd\u0119 jest model sp\u00f3jno\u015bci w bazach danych? To pewne gwarancje, jakie rozproszony system daje odno\u015bnie do tego, jakie dane i w jakiej kolejno\u015bci klient mo\u017ce otrzyma\u0107.<\/p>\n

W zasadzie wszystkie modele sp\u00f3jno\u015bci sprowadzaj\u0105 si\u0119 do tego, jak bardzo rozproszony system przypomina system, kt\u00f3ry dzia\u0142a, na przyk\u0142ad, na jednym w\u0119\u017ale na laptopie. I jak bardzo system dzia\u0142aj\u0105cy na tysi\u0105cach geograficznie rozproszonych w\u0119z\u0142\u00f3w przypomina laptopa, w kt\u00f3rym wszystkie te w\u0142a\u015bciwo\u015bci s\u0105 automatycznie spe\u0142nione.<\/p>\n

Dlatego modele sp\u00f3jno\u015bci stosuje si\u0119 tylko do system\u00f3w rozproszonych. Wszystkie systemy, kt\u00f3re wcze\u015bniej istnia\u0142y i dzia\u0142a\u0142y na jednym poziomie pionowej skalowalno\u015bci, takich problem\u00f3w nie do\u015bwiadcza\u0142y. By\u0142a tam jedna pami\u0119\u0107 podr\u0119czna, z kt\u00f3rej wszystko zawsze by\u0142o odczytywane.<\/p>\n

Model Strong<\/h3>\n

\nW\u0142a\u015bciwie, pierwszym modelem jest Strong (lub jak cz\u0119sto nazywa si\u0119 go linearn\u0105 sp\u00f3jno\u015bci\u0105). To model sp\u00f3jno\u015bci, kt\u00f3ry zapewnia, \u017ce ka\u017cda zmiana, gdy tylko uzyska potwierdzenie, staje si\u0119 widoczna dla wszystkich u\u017cytkownik\u00f3w systemu.<\/p>\n

To tworzy globalny porz\u0105dek wszystkich zdarze\u0144 w bazie danych. To bardzo silna w\u0142a\u015bciwo\u015b\u0107 sp\u00f3jno\u015bci, a jego implementacja jest kosztowna. Niemniej jednak jest ona dobrze wspierana. Po prostu jest bardzo droga i wolna \u2013 rzadko si\u0119 z niej korzysta. Nazywa si\u0119 to liniow\u0105 sp\u00f3jno\u015bci\u0105.<\/p>\n

Jest jeszcze jedna, silniejsza w\u0142a\u015bciwo\u015b\u0107, kt\u00f3ra jest wspierana w \u201eSpannerze\u201d \u2013 nazywa si\u0119 sp\u00f3jno\u015bci\u0105 zewn\u0119trzn\u0105. Om\u00f3wimy j\u0105 p\u00f3\u017aniej.<\/p>\n

Przyczynowa<\/h3>\n

\nNast\u0119puj\u0105ce to Causal, o kt\u00f3rym w\u0142a\u015bnie m\u00f3wi\u0142em. Pomi\u0119dzy Strong a Causal istnieje jeszcze kilka podpoziom\u00f3w, o kt\u00f3rych nie b\u0119d\u0119 wspomina\u0107, ale wszystkie sprowadzaj\u0105 si\u0119 do Causal. To wa\u017cny model, poniewa\u017c jest najsilniejszy ze wszystkich modeli, zapewniaj\u0105c najsilniejsz\u0105 sp\u00f3jno\u015b\u0107 w obecno\u015bci sieci lub partitioning\u00f3w.<\/p>\n

Causals to sytuacja, w kt\u00f3rej zdarzenia s\u0105 powi\u0105zane relacj\u0105 przyczynowo-skutkow\u0105. Cz\u0119sto postrzega si\u0119 je jako Read your on rights z perspektywy klienta. Je\u015bli klient zauwa\u017cy\u0142 jakie\u015b warto\u015bci, nie mo\u017ce zobaczy\u0107 warto\u015bci, kt\u00f3re by\u0142y w przesz\u0142o\u015bci. Zaczyna widzie\u0107 odczyty prefiksowe. To wszystko sprowadza si\u0119 do jednego i tego samego.
\nCausals jako model sp\u00f3jno\u015bci to cz\u0119\u015bciowe uporz\u0105dkowanie zdarze\u0144 na serwerze, w kt\u00f3rym zdarzenia ze wszystkich klient\u00f3w s\u0105 obserwowane w tej samej kolejno\u015bci. W tym przypadku \u2013 Leonard i Penny.<\/p>\n

Eventual<\/h3>\n

\nTrzeci model to Eventual Consistency. To model, kt\u00f3ry wspiera absolutnie wszystkie systemy rozproszone, minimalny model, kt\u00f3ry w og\u00f3le ma sens. Oznacza to, \u017ce kiedy zachodz\u0105 pewne zmiany w danych, w pewnym momencie staj\u0105 si\u0119 one sp\u00f3jne.<\/p>\n

W tym momencie nic nie m\u00f3wi, w przeciwnym razie przekszta\u0142ci\u0142by si\u0119 w External Consistency \u2013 to by\u0142aby zupe\u0142nie inna historia. Niemniej jednak to bardzo popularny model, najcz\u0119\u015bciej spotykany. Domy\u015blnie wszyscy u\u017cytkownicy system\u00f3w rozproszonych korzystaj\u0105 w\u0142a\u015bnie z Eventual Consistency.<\/p>\n

Chc\u0119 poda\u0107 kilka por\u00f3wnawczych przyk\u0142ad\u00f3w:<\/p>\n

\"HighLoad++,
\n
\nCo oznaczaj\u0105 te strza\u0142ki?<\/p>\n