分布式数据库系统期末复习指南

一、核心概念与体系结构

分布式数据库系统（Distributed Database System, DDBS）通过物理分散、逻辑统一的架构实现数据的高可用与扩展性。其核心特征包括：

1. 数据分片（Data Partitioning）
   水平分片（Horizontal Partitioning）将表按行拆分至不同节点，如按用户ID范围分片；垂直分片（Vertical Partitioning）按列拆分，常用于宽表优化。例如，电商订单表可按省份分片，提升查询效率。
2. 复制策略（Replication）
   主从复制（Master-Slave）适用于读多写少场景，主节点处理写请求，从节点同步数据；多主复制（Multi-Master）支持多节点写入，但需解决冲突（如最后写入优先策略）。
3. 分布式存储模型
   • 共享磁盘架构：所有节点共享存储设备（如SAN），通过分布式锁管理并发，但存在性能瓶颈。
   • 无共享架构：每个节点独立存储与计算资源（如Cassandra），通过Gossip协议传播元数据，扩展性更强。

复习建议：结合具体系统（如MongoDB分片集群、MySQL Group Replication）理解架构差异，绘制分片与复制拓扑图辅助记忆。

二、一致性模型与协议

分布式环境下，一致性（Consistency）是核心挑战，需掌握以下模型：

1. 强一致性（Strong Consistency）
   通过两阶段提交（2PC）或三阶段提交（3PC）协议实现，但存在阻塞风险。例如，银行转账需确保两个账户余额同步更新。
2. 最终一致性（Eventual Consistency）
   允许暂时不一致，最终通过冲突解决机制（如向量时钟）达成一致。Dynamo模型中，客户端可读取多个副本，选择最新版本。
3. CAP定理权衡
   一致性（Consistency）、可用性（Availability）、分区容忍性（Partition Tolerance）不可兼得。例如，CP系统（如HBase）在分区时牺牲可用性保证数据正确；AP系统（如Cassandra）优先响应请求，可能返回旧数据。

代码示例：

# 模拟最终一致性下的读修复（Read Repair）
def read_repair(key, replicas):
    values = [replica.get(key) for replica in replicas]
    latest_value = max(values, key=lambda x: x['version'])
    for replica in replicas:
        if replica.get(key) != latest_value:
            replica.put(key, latest_value)  # 修复不一致副本

三、分布式事务处理

分布式事务需协调多个节点的操作，常见方案包括：

1. XA协议
   基于2PC的全局事务管理，协调器（Coordinator）收集参与者（Participant）的投票（Prepare/Commit/Abort）。但同步阻塞导致性能低下，适用于金融等强一致场景。
2. TCC（Try-Confirm-Cancel）
   将事务拆分为三个阶段：预留资源（Try）、确认提交（Confirm）、回滚释放（Cancel）。适用于支付系统，如订单创建时预留库存，超时后自动释放。
3. Saga模式
   通过一系列本地事务组成长事务，每个事务有对应的补偿操作。例如，旅行预订系统需依次预订机票、酒店，任一环节失败时执行反向操作。

复习要点：对比2PC与TCC的适用场景，分析Saga模式的实现复杂度，结合电商订单流程设计事务方案。

四、容错与恢复机制

分布式系统需应对节点故障、网络分区等异常，关键技术包括：

1. 心跳检测（Heartbeat）
   节点定期发送心跳包，超时未响应则标记为失效。ZooKeeper通过TCP长连接实现节点存活监控。
2. 副本选举（Leader Election）
   Raft协议通过候选者发起投票，获得多数票后成为Leader。选举超时时间随机化避免脑裂（Split Brain）。
3. 日志复制（Log Replication）
   Paxos协议通过提案（Proposal）与接受（Accept）阶段确保日志一致性。例如，Etcd使用Raft实现配置数据的强一致存储。

实践建议：通过模拟节点宕机实验，观察系统自动恢复过程，记录日志同步延迟对一致性的影响。

五、性能优化策略

分布式数据库性能受网络延迟、数据倾斜等因素影响，优化方向包括：

1. 查询优化
   • 避免跨节点JOIN，通过数据冗余（如宽表）减少网络开销。
   • 使用布隆过滤器（Bloom Filter）快速判断数据是否存在，减少无效扫描。
2. 负载均衡
   动态分片迁移（如MongoDB的Balancer）平衡各节点负载，结合一致性哈希（Consistent Hashing）降低重分布成本。
3. 缓存层设计
   Redis集群通过分片（Slot）存储热点数据，结合本地缓存（如Caffeine）减少后端压力。

案例分析：某电商系统通过将用户画像数据缓存至Redis，使推荐接口响应时间从200ms降至50ms。

六、复习方法与资源推荐

1. 理论梳理
   按“概念→协议→应用”主线整理笔记，制作思维导图关联知识点（如CAP定理与一致性模型的关系）。
2. 实践验证
   使用Docker部署分布式数据库（如TiDB、CockroachDB），执行分片、故障注入等操作，观察系统行为。
3. 经典论文精读
   • 《Dynamo: Amazon’s Highly Available Key-value Store》解析最终一致性实现。
   • 《Spanner: Google’s Globally-Distributed Database》学习TrueTime与外部一致性。

避坑指南：避免死记硬背协议细节，重点理解设计动机与适用场景；关注工业界实践（如阿里OceanBase的Paxos变种），而非仅限课本案例。

通过系统复习上述内容，可全面掌握分布式数据库系统的核心原理与实践技能，为期末考试与后续开发工作奠定坚实基础。