如何学习分布式布局

· 节点：节点可以理解为上述概念提到的组件，其实完成一组完整逻辑的程序个体，对应于server上的一个独立进程。一提到节点，就会考虑节点是有状态还是无状态的？判断标准很简单，该独立节点是否维护着本地存储的一些状态信息，或者节点是不是可以随时迁移到其他server上而保持节点的行为和以前一致，如果是的话，则该节点是无状态，否则是有状态的。
· 异常：异常处理可以说是分布式系统的核心问题，那么分布式异常处理相对于单机来说，有什么不同呢？在单机系统中，对于程序的处理结果是可以预知的，要么成功，要么失败，结果很明确。可在分布式环境中，处理结果除了明确返回成功或失败，还有另外一种状态：超时，那超时意味着处理结果完全不确定，有可能成功执行，也有可能执行失败，也有可能根本没执行，这给系统开发带来了很大的难度。其实各种各样的分布式协议就是保证系统在各种异常情形下仍能正常的工作，所以在学习分布式系统时，要着重看一下文档异常处理fault-tolerance章节。
· CAP理论：学习分布式系统中需要重要理解的理论，同时在架构设计中也可以用到这个理论，例如在一些情形下我们可以通过降低一致性来提高系统的可用性，将数据的每次数据库更新操作变成批量操作就是典型的例子。
CAP理论，三个字母代表了系统中三个相互矛盾的属性：
· C（Consistency）：强一致性，保证数据中的数据完全一致；
· A（Available）：在系统异常时，仍然可以提供服务，注：这儿的可用性，一方面要求系统可以正常的运行返回结果，另一方面同样对响应速度有一定的保障；
· P（Tolerance to the partition of network ）：既然是分布式系统，很多组件都是部署在不同的server中，通过网络通信协调工作，这就要求在某些节点服发生网络分区异常，系统仍然可以正常工作。
CAP理论指出，无法设计一种分布式协议同时完全具备CAP属性。
从以上CAP的概念我们得出一个结论，在技术选型时，根据你的需求来判断是需要AP高可用性的系统（容忍返回不一致的数据）还是CP强一致性的系统，或者根据系统提供的参数在AC之间权衡。（可能会有读者会问，为什么一定需要P呢？既然是分布式系统，在网络分区异常情况下仍然正常提供服务是必须的。）
数据存储系统
当数据量太大以及已经超过单机所能处理的极限时，就需要使用到数据存储分布式系统。无论是选择开源系统还是自己设计，第一个要考虑的问题就是数据如何分布式化。
数据分布方式
哈希方式：哈希方式是最常见的数据分布方式。可以简单想象有一个大的hash表，其中每个桶对应的一台存储服务器，每条数据通过某种方式计算出其hash值分配到对应的桶中。 int serverId = data.hashcode % serverTotalNum 上面只是一个简单的计算公式示例，通过这种方式就可以将数据分配到不同的服务器上。
· 优点：不需要存储数据和server映射关系的meta信息，只需记录serverId和server ip映射关系即可。
· 缺点：可扩展性不高，当集群规模需要扩展时，集群中所有的数据需要迁移，即使在最优情况下——集群规模成倍扩展，仍然需要迁移集群一半的数据（这个问题有时间可以考虑一下，为啥只需要迁移一半？）；另一个问题：数据通过某种hash计算后都落在某台服务器上，造成数据倾斜（data skew）问题。
· 应用例子：ElasticSearch数据分布就是hash方式，根据routingId取模映射到对应到不同node上。

可以分享一下下吗。。。3161966304@qq.com