一、大數據框架三種語義‍‍‍‍

在分布式系統中，如kafka、spark、flink等構成系統的任何節點都是被定義為可以彼此獨立失敗的。比如在 Kafka 中，broker 可能會 crash，在 producer 推送數據至 topic 的過程中也可能會遇到網絡問題。根據 producer 處理此類故障所采取的提交策略類型，有如下三種(以kafka為例)：

at-least-once：如果 producer 收到來自 Kafka broker 的確認（ack）或者 acks = all，則表示該消息已經寫入到 Kafka。但如果 producer ack 超時或收到錯誤，則可能會重試發送消息，客戶端會認為該消息未寫入 Kafka。如果 broker 在發送 Ack 之前失敗，但在消息成功寫入 Kafka 之后，此重試將導致該消息被寫入兩次，因此消息會被不止一次地傳遞給最終 consumer，這種策略可能導致重復的工作和不正確的結果。

at-most-once：如果在 ack 超時或返回錯誤時 producer 不重試，則該消息可能最終不會寫入 Kafka，因此不會傳遞給 consumer。在大多數情況下，這樣做是為了避免重復的可能性，業務上必須接收數據傳遞可能的丟失。

exactly-once：即使 producer 重試發送消息，消息也會保證最多一次地傳遞給最終consumer。該語義是最理想的，但也難以實現，因為它需要消息系統本身與生產和消費消息的應用程序進行協作。

二、大數據框架故障階段(kafka為例)

理想狀況，網絡良好，代碼沒有錯誤，則 Kafka 可以保證 exactly-once，但生產環境錯綜復雜，故障幾乎無法避免，主要有：

1 框架自身故障(Broker)：Kafka 作為一個高可用、持久化系統，保證每條消息被持久化并且冗余多份（假設是 n 份），所以 Kafka 可以容忍 n-1 個 broker 故障，意味著一個分區只要至少有一個 broker 可用，分區就可用。Kafka 的副本協議保證了只要消息被成功寫入了主副本，它就會被復制到其他所有的可用副本（ISR）。

2 客戶端發送框架失敗（Producer 到 Broker 的 RPC）：Kafka 的持久性依賴于生產者接收broker 的 ack 。沒有接收成功 ack 不代表生產請求本身失敗了。broker 可能在寫入消息后，發送 ack 給生產者的時候掛了，甚至 broker 也可能在寫入消息前就掛了。由于生產者沒有辦法知道錯誤是什么造成的，所以它就只能認為消息沒寫入成功，并且會重試發送。在一些情況下，這會造成同樣的消息在 Kafka 分區日志中重復，進而造成消費端多次收到這條消息。

3 客戶端也失敗(Producer)：Exactly-once delivery 也必須考慮客戶端失敗的情況。但是如何去區分客戶端是真的掛了（永久性宕機）還是說只是暫時丟失心跳？追求正確性的話，broker 應該丟棄由 zombie producer 發送的消息。 consumer 也是如此，一旦新的客戶端實例已經啟動，它必須能夠從失敗實例的任何狀態中恢復，并從安全點( safe checkpoint )開始處理，這意味著消費的偏移量必須始終與生成的輸出保持同步。

4 框架發送消費端失敗（Broker到 Consumer 的 RPC）

三、Exactly-once底層實現原理

3.1、依賴業務控制

• 對生產者：

每個分區只有一個生產者寫入消息，當出現異常或超時，生產者查詢此分區最后一個消息，用于決定后續操作時重傳還是繼續發送。

為每個消息增加唯一主鍵，生產者不做處理，由消費者根據主鍵去重。

• 對消費者：

關閉自動提交 offset 的功能，不使用 Offsets Topic 這個內部 Topic 記錄其 offset，而是由消費者自動保存 offset。將 offset 和消息處理放在一個事務里面，事務執行成功認為消息被消費，否則事務回滾需要重新處理。當出現消費者重啟或者 Rebalance 操作，可以從數據庫找到對應的 offset，然后調用 KafkaConsumer.seek() 設置消費者位置，從此 offset 開始消費。

3.2、依賴 Kafka

3.2.1、冪等性：每個分區中精確一次且有序（Idempotence: Exactly-once in order semantics per partition）

Kafka 在0.11.0.0之前的版本中只支持 At Least Once 和 At Most Once 語義，尚不支持 Exactly Once 語義。

Kafka 0.11.0.0版本引入了冪等語義。 一個冪等性的操作就是一種被執行多次造成的影響和只執行一次造成的影響一樣的操作。

如果出現導致生產者重試的錯誤，同樣的消息，仍由同樣的生產者發送多次，將只被寫到 Kafka broker 的日志中一次。

對于單個分區，冪等生產者不會因為生產者或 broker 故障而產生多條重復消息。

想要開啟這個特性，獲得每個分區內的精確一次語義，也就是說沒有重復，沒有丟失，并且有序的語義，只需要 producer 配置 enable.idempotence=true。

這個特性是怎么實現的呢？每個新的 Producer 在初始化的時候會被分配一個唯一的 PID，該PID對用戶完全透明而不會暴露給用戶。在底層，它和 TCP 的工作原理有點像，每一批發送到 Kafka 的消息都將包含 PID 和一個從 0 開始單調遞增序列號。

Broker 將使用這個序列號來刪除重復的發送。和只能在瞬態內存中的連接中保證不重復的 TCP 不同，這個序列號被持久化到副本日志，所以，即使分區的 leader 掛了，其他的 broker 接管了leader，新 leader 仍可以判斷重新發送的是否重復了。這種機制的開銷非常低：每批消息只有幾個額外的字段。這種特性比非冪等的生產者只增加了可忽略的性能開銷。

如果消息序號比 Broker 維護的序號大 1 以上，說明中間有數據尚未寫入，也即亂序，此時 Broker 拒絕該消息。

如果消息序號小于等于 Broker 維護的序號，說明該消息已被保存，即為重復消息，Broker直接丟棄該消息。

總結來說，producer 端發送消息時，生成全局唯一自增pid，和broker中數據的pid進行對比，多則刪除，少則通知producer端重新發送。

3.2.2、事務：跨分區原子寫入

上述冪等設計只能保證單個 Producer 對于同一個 <Topic, Partition> 的 Exactly Once 語義。

Kafka 現在通過新的事務 API 支持跨分區原子寫入。這將允許一個生產者發送一批到不同分區的消息，這些消息要么全部對任何一個消費者可見，要么對任何一個消費者都不可見。這個特性也允許在一個事務中處理消費數據和提交消費偏移量，從而實現端到端的精確一次語義。

為了實現這種效果，應用程序必須提供一個穩定的（重啟后不變）唯一的 ID，也即Transaction ID 。 Transactin ID 與 PID 可能一一對應。區別在于 Transaction ID 由用戶提供，將生產者的 transactional.id 配置項設置為某個唯一ID。而 PID 是內部的實現對用戶透明。

另外，為了保證新的 Producer 啟動后，舊的具有相同 Transaction ID 的 Producer 失效，每次 Producer 通過 Transaction ID 拿到 PID 的同時，還會獲取一個單調遞增的 epoch。由于舊的 Producer 的 epoch 比新 Producer 的 epoch 小，Kafka 可以很容易識別出該 Producer 是老的 Producer 并拒絕其請求。

有了Transaction ID后，Kafka可保證：

• 跨Session的數據冪等發送。當具有相同Transaction ID的新的Producer實例被創建且工作時，舊的且擁有相同Transaction ID的Producer將不再工作。
• 跨Session的事務恢復。如果某個應用實例宕機，新的實例可以保證任何未完成的舊的事務要么Commit要么Abort，使得新實例從一個正常狀態開始工作。

需要注意的是，上述的事務保證是從Producer的角度去考慮的。從Consumer的角度來看，該保證會相對弱一些。尤其是不能保證所有被某事務Commit過的所有消息都被一起消費，因為：

• 對于壓縮的Topic而言，同一事務的某些消息可能被其它版本覆蓋
• 事務包含的消息可能分布在多個Segment中（即使在同一個Partition內），當老的Segment被刪除時，該事務的部分數據可能會丟失
• Consumer在一個事務內可能通過seek方法訪問任意Offset的消息，從而可能丟失部分消息
• Consumer可能并不需要消費某一事務內的所有Partition，因此它將永遠不會讀取組成該事務的所有消息

四、事務中Offset的提交

許多基于Kafka的應用，尤其是Kafka Stream應用中同時包含Consumer和Producer，前者負責從Kafka中獲取消息，后者負責將處理完的數據寫回Kafka的其它Topic中。

為了實現該場景下的事務的原子性，Kafka需要保證對Consumer Offset的Commit與Producer對發送消息的Commit包含在同一個事務中。否則，如果在二者Commit中間發生異常，根據二者Commit的順序可能會造成數據丟失和數據重復：

• 如果先Commit Producer發送數據的事務再Commit Consumer的Offset，即At Least Once語義，可能造成數據重復。
• 如果先Commit Consumer的Offset，再Commit Producer數據發送事務，即At Most Once語義，可能造成數據丟失。

五、分布式事務經見實現機制

5.1 兩階段提交

Kafka的事務機制與《分布式事務（一）兩階段提交及JTA》一文中所介紹的兩階段提交機制看似相似，都分PREPARE階段和最終COMMIT階段，但又有很大不同。

• Kafka事務機制中，PREPARE時即要指明是PREPARE_COMMIT還是PREPARE_ABORT并且只須在Transaction Log中標記即可，無須其它組件參與。而兩階段提交的PREPARE需要發送給所有的分布式事務參與方，并且事務參與方需要盡可能準備好，并根據準備情況返回Prepared或Non-Prepared狀態給事務管理器。
• Kafka事務中，一但發起PREPARE_COMMIT或PREPARE_ABORT則確定該事務最終的結果應該是被COMMIT或ABORT。而分布式事務中，PREPARE后由各事務參與方返回狀態，只有所有參與方均返回Prepared狀態才會真正執行COMMIT，否則執行ROLLBACK
• Kafka事務機制中，某幾個Partition在COMMIT或ABORT過程中變為不可用，只影響該Partition不影響其它Partition。兩階段提交中，若唯一收到COMMIT命令參與者Crash，其它事務參與方無法判斷事務狀態從而使得整個事務阻塞
• Kafka事務機制引入事務超時機制，有效避免了掛起的事務影響其它事務的問題
• Kafka事務機制中存在多個Transaction Coordinator實例，而分布式事務中只有一個事務管理器

兩階段提交原理

二階段提交的算法思路可以概括為：協調者詢問參與者是否準備好了提交，并根據所有參與者的反饋情況決定向所有參與者發送commit或者rollback指令（協調者向所有參與者發送相同的指令）。

所謂的兩個階段是指

• 準備階段 又稱投票階段。在這一階段，協調者詢問所有參與者是否準備好提交，參與者如果已經準備好提交則回復Prepared，否則回復Non-Prepared。
• 提交階段又稱執行階段。協調者如果在上一階段收到所有參與者回復的Prepared，則在此階段向所有參與者發送commit指令，所有參與者立即執行commit操作；否則協調者向所有參與者發送rollback指令，參與者立即執行rollback操作。

5.2 Zookeeper

Zookeeper的原子廣播協議與兩階段提交以及Kafka事務機制有相似之處，但又有各自的特點

• Kafka事務可COMMIT也可ABORT。而Zookeeper原子廣播協議只有COMMIT沒有ABORT。當然，Zookeeper不COMMIT某消息也即等效于ABORT該消息的更新。
• Kafka存在多個Transaction Coordinator實例，擴展性較好。而Zookeeper寫操作只能在Leader節點進行，所以其寫性能遠低于讀性能。
• Kafka事務是COMMIT還是ABORT完全取決于Producer即客戶端。而Zookeeper原子廣播協議中某條消息是否被COMMIT取決于是否有一大半FOLLOWER ACK該消息。