{"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\/pt\/blog\/administrirovanie\/highload-mihail-tyulenev-mongodb-causal-consistency-ot-teorii-k-praktike","title":{"rendered":"HighLoad++, Mikhail Tyulenev (MongoDB): Consist\u00eancia causal: da teoria \u00e0 pr\u00e1tica","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

A pr\u00f3xima confer\u00eancia HighLoad++ ocorrer\u00e1 nos dias 6 e 7 de abril de 2020 em S\u00e3o Petersburgo.
\nDetalhes e ingressos no link<\/a><\/noindex>. HighLoad++ Sib\u00e9ria 2019. Sala \"Krasnoyarsk\". 25 de junho, 12:00. Teses e apresenta\u00e7\u00e3o<\/a><\/noindex>.<\/p>\n

\"HighLoad++,
\n
\n\u00c0s vezes, as demandas pr\u00e1ticas entram em conflito com a teoria, onde aspectos importantes para um produto comercial n\u00e3o s\u00e3o considerados. Nesta apresenta\u00e7\u00e3o, ser\u00e1 apresentado o processo de sele\u00e7\u00e3o e combina\u00e7\u00e3o de diferentes abordagens para a cria\u00e7\u00e3o de componentes de consist\u00eancia causal com base em pesquisas acad\u00eamicas, levando em considera\u00e7\u00e3o os requisitos de um produto comercial. Os ouvintes aprender\u00e3o sobre as abordagens te\u00f3ricas existentes em rel\u00f3gios l\u00f3gicos, rastreamento de depend\u00eancias, seguran\u00e7a de sistemas, sincroniza\u00e7\u00e3o de rel\u00f3gios e por que o MongoDB optou por determinadas solu\u00e7\u00f5es.<\/a><\/noindex><\/p>\n

Mikhail Tyulenev (daqui em diante \u2013 MT):<\/b> \u2013 Vou falar sobre a consist\u00eancia causal \u2013 \u00e9 um recurso em que trabalhamos no MongoDB. Eu trabalho no grupo de sistemas distribu\u00eddos, n\u00f3s o desenvolvemos h\u00e1 cerca de dois anos.<\/p>\n

\"HighLoad++,
\n
\nDurante o processo, tive que me familiarizar com uma grande quantidade de pesquisa acad\u00eamica, porque esse recurso \u00e9 bastante estudado. Ficou claro que nenhum artigo se encaixa exatamente no que \u00e9 necess\u00e1rio em produ\u00e7\u00e3o, considerando os requisitos bastante espec\u00edficos que existem, provavelmente, em qualquer aplicativo de produ\u00e7\u00e3o.<\/p>\n

Vou falar sobre como n\u00f3s, enquanto consumidores de pesquisa acad\u00eamica, preparamos algo que podemos apresentar aos nossos usu\u00e1rios como um prato acabado, que seja conveniente e seguro para uso.<\/p>\n

Consist\u00eancia causal (Causal consistency). Vamos definir os conceitos<\/h3>\n

\nPara come\u00e7ar, quero falar em termos gerais sobre o que \u00e9 a consist\u00eancia causal. Existem dois personagens \u2013 Leonard e Penny (da s\u00e9rie \"The Big Bang Theory\"):<\/p>\n

\"HighLoad++,
\n
\nSuponha que Penny esteja na Europa, e Leonard queira fazer uma surpresa para ela, uma festa. E n\u00e3o consegue pensar em nada melhor do que retir\u00e1-la da lista de amigos, enviar a todos os amigos uma atualiza\u00e7\u00e3o no feed: \"Vamos alegrar a Penny!\" (ela est\u00e1 na Europa, enquanto dorme, n\u00e3o v\u00ea nada disso e n\u00e3o pode ver, porque n\u00e3o est\u00e1 l\u00e1). No final, ele exclui essa postagem, apaga do \"Feed\" e restaura o acesso, para que ela n\u00e3o perceba nada e n\u00e3o haja esc\u00e2ndalo.
\nIsso tudo \u00e9 maravilhoso, mas vamos supor que o sistema seja distribu\u00eddo e os eventos n\u00e3o ocorreram exatamente como planejado. Por exemplo, pode acontecer que a limita\u00e7\u00e3o de acesso de Penny tenha ocorrido depois que esta postagem foi publicada, caso os eventos n\u00e3o estejam relacionados por uma causalidade. Na verdade, isso \u00e9 um exemplo de quando a consist\u00eancia causal \u00e9 necess\u00e1ria para que uma fun\u00e7\u00e3o de neg\u00f3cios (neste caso) seja executada.<\/p>\n

Na verdade, essas s\u00e3o propriedades bastante n\u00e3o triviais de bancos de dados \u2013 muito poucas as suportam. Vamos passar para os modelos.<\/p>\n

Modelos de consist\u00eancia<\/h3>\n

\nO que \u00e9 um modelo de consist\u00eancia em bancos de dados? S\u00e3o algumas garantias que um sistema distribu\u00eddo oferece sobre quais dados e em que sequ\u00eancia o cliente pode receber.<\/p>\n

Basicamente, todos os modelos de consist\u00eancia se resumem a qu\u00e3o similar um sistema distribu\u00eddo \u00e9 a um sistema que opera, por exemplo, em um \u00fanico n\u00f3 em um laptop. E o quanto um sistema que opera em milhares de \"n\u00f3s\" geograficamente distribu\u00eddos se assemelha ao laptop, onde todas essas propriedades s\u00e3o cumpridas automaticamente.<\/p>\n

Portanto, os modelos de consist\u00eancia se aplicam apenas a sistemas distribu\u00eddos. Todos os sistemas existentes anteriormente, que operavam em escalabilidade vertical, n\u00e3o enfrentavam esses problemas. Havia um \u00fanico Buffer Cache, e tudo era sempre lido dele.<\/p>\n

Modelo Forte<\/h3>\n

\nNa verdade, o primeiro modelo \u00e9 o Forte (ou a linha de capacidade, como muitas vezes \u00e9 chamado). Este \u00e9 um modelo de consist\u00eancia que garante que cada altera\u00e7\u00e3o, assim que recebe a confirma\u00e7\u00e3o de sua realiza\u00e7\u00e3o, se torna vis\u00edvel para todos os usu\u00e1rios do sistema.<\/p>\n

Isso cria uma ordem global de todos os eventos no banco de dados. Esta \u00e9 uma propriedade de consist\u00eancia muito forte e, na verdade, \u00e9 bastante cara. No entanto, \u00e9 muito bem suportada. \u00c9 apenas muito cara e lenta \u2013 e portanto raramente utilizada. Isso \u00e9 chamado de capacidade.<\/p>\n

H\u00e1 outra propriedade, ainda mais forte, que \u00e9 suportada no \"Spanner\" \u2013 chamada de Consist\u00eancia Externa. Vamos falar sobre isso um pouco mais tarde.<\/p>\n

Causal<\/h3>\n

\nA seguir est\u00e1 o Causal, exatamente do que eu estava falando. Entre Strong e Causal existem v\u00e1rios subn\u00edveis, dos quais n\u00e3o vou falar, mas todos eles se referem ao Causal. Este \u00e9 um modelo importante, pois \u00e9 o mais forte de todos os modelos, apresentando a mais forte consist\u00eancia em caso de rede ou parti\u00e7\u00f5es.<\/p>\n

Causals s\u00e3o, propriamente dito, a situa\u00e7\u00e3o em que os eventos est\u00e3o relacionados por uma rela\u00e7\u00e3o de causa e efeito. Muitas vezes, eles s\u00e3o percebidos como Read your on rights do ponto de vista do cliente. Se o cliente observou alguns valores, ele n\u00e3o pode ver os valores que estavam no passado. Ele j\u00e1 come\u00e7a a ver leituras prefixadas. Tudo isso se resume \u00e0 mesma quest\u00e3o.
\nCausals como modelo de consist\u00eancia \u2013 uma ordena\u00e7\u00e3o parcial de eventos no servidor, onde eventos de todos os clientes s\u00e3o observados na mesma sequ\u00eancia. Neste caso \u2013 Leonard e Penny.<\/p>\n

Eventual<\/h3>\n

\nO terceiro modelo \u00e9 a Eventual Consistency. Este \u00e9 o que todas as sistemas distribu\u00eddos absolutamente suportam, sendo o modelo m\u00ednimo que faz sentido. Isso significa o seguinte: quando temos algumas altera\u00e7\u00f5es nos dados, elas, em algum momento, se tornam consistentes.<\/p>\n

Nesse momento, ela n\u00e3o diz nada, caso contr\u00e1rio, se tornaria External Consistency \u2013 seria uma hist\u00f3ria completamente diferente. No entanto, este \u00e9 um modelo muito popular, o mais amplamente utilizado. Por padr\u00e3o, todos os usu\u00e1rios de sistemas distribu\u00eddos utilizam a Eventual Consistency.<\/p>\n

Quero trazer alguns exemplos comparativos:<\/p>\n

\"HighLoad++,
\n
\nO que essas setas significam?<\/p>\n