这篇文章是我阅读论文《 The Design of a Practical System for Fault-Tolerant Virtual Machines 》时的笔记，这篇论文是 VMware 发表的论文，使用虚拟机来设计一个分布式容错系统。

在分布式系统中，容错方法有很多种，常见的传统方法有：主/副服务器方法(当主服务器宕机之后，由副服务器来接管它的工作)，这种方法通常需要机器之间的高带宽。

另外还有确定(deterministic)状态机方法：将另一台服务器初始化为和主服务器一样的状态，然后让它们都接受到同样的输入，这样它们的状态始终保持一致，但是这种方法对于非确定的(non-deterministic)操作并不适用。

本文中讨论的方法是使用虚拟机作为状态机，它具有以下优点：

• 操作全部被虚拟化
• 虚拟机本身就支持 non-deterministic 操作
• 虚拟机管理程序(Hypervision)能够记录所有在虚拟机上的操作，所以能够记录主服务器(Primary)所有操作，然后在副服务器(Backup)上进行演绎

基本设计方案

如图就是本文提到的容错系统的架构，一个 Primary，一个 Backup，Primary 和 Backup 之间通过 Logging Channel 进行通信，Primary 和 Backup 基本保持同步，Backup 稍稍落后，它们两个之间会通过 heartbeat 进行 fail 检测，并且它们使用共享磁盘(Shared Disk)。

确定(deterministic)操作的演绎

让两台机器初始状态相同，它们接受相同的输入，顺序相同，两台机器执行的任务的结果就会相同。

但是如果存在非确定的(non-deterministic)操作(比如中断事件、读取CPU时钟计数器的值操作就是非确定的)，它会影响状态机的执行。

难点在于：

• 需要捕捉全部的输入和 non-deterministic 操作在保证 Backup 是deterministic 的
• 需要准确将全部输入和 non-deterministic 操作应用到 Backup 中
• 需要保证系统高效

设计方案为：将所有的 input 和 non-deterministic 操作写入到 log 中(file)，对于 non-deterministic 操作还要记录和它相关的状态信息等，确保 non-deterministic 操作后Backup状态还是和 Primary 一致

FT(Fault-Tolerance)协议

FT 协议是应用于 logging channel 的协议，协议的基本要求为：

如果 Primary 宕机了，Backup 接替它的工作，Backup 之后向外界发出所有的 Output 要和 Primary 原本应当发送的一致。

为了保证以上的要求，设计如下系统：

• Primary会在所有关于本次Output 的所有信息都发送给 Backup 之后(并且要确保 Backup 收到)才会把 output 发送给外界
• Primary 只是推迟将 output 发送给外界，而不会暂停执行后边的任务

流程如图所示：

但是这种方法不能保证 output 只发出一次，如果 primary 宕机了，backup 不能判断它是在发送了 output 之前还是之后宕机的，因此 backup 会再发送一次 output。但是这个问题很容易解决，因为：

• output 是通过网络进行发送的，例如 TCP 之类的网络协议能够检测重复的数据包
• 即使 output 被发送了2次其实也没关系。如果 output 是一个写操作，它会在同一个位置写入两次，结果不会发生变化;如果 output 是读取操作，读的内容会被放入 bounce buffer(为了消除 DMA 竞争)，数据会在 IO 中断之后被送到

宕机检测

如何知道有机器宕机，在该系统中是十分重要的。该设计使用的是UDP heartbeat 机制来检测 Primary 与 Backup 之间的通信是否正常。

但是使用这种方法会存在裂脑问题(split-brain，Primary 和 Backup 同时宕机)，该怎么解决呢?

该设计中使用了共享存储(Shared Storage)，对它的操作是原子的，Primary 和 Backup不能同时进行一个操作(提供原子的 test-and-set 操作)

如果检测出 Primary 宕机，Backup 会成为 Primary，接替之前的工作，然后再寻找一个 Backup。

具体实现

启动/重启 Virtual Machine

如何启动一个和 Primary 状态一样的 Backup?

VMware Vmotion 操作能够将一台 VM 从一个 Server 完整的迁移到另一个 Server(只需要很短的中断)，在该设计中的方法对 Vmotion 做了一点修改，不是进行迁移，而是直接克隆。

管理 Logging Channel

如图，该设计使用了一个大的 buffer，来保存 logging entries，Primary 把自己的 entry 存到 buffer 中，由 logging channel 发送给Backup 的 buffer，然后 Backup 从 buffer 读取命令执行。

• 如果 Backup 的 buffer 空了，没有命令执行了，Backup 会等待新的 entry
• 如果 Primary 的 buffer 满了，Primary 会等待，等 buffer 中有空余空间再继续执行

Disk I/O问题

disk 操作是并行的，同时对 disk 的同一位置进行操作会导致 non-deterministic

解决方案：检测 IO 竞争，使这些操作串行执行

Disk IO 使用 DMA(Direct Memory Access)，同时访问内存同一位置的操作会导致 non-deterministic

解决方案：对 disk 操作的内存设置内存的页保护，但是这种方法代价太高;该设计中使用了 bounce buffer，它的大小和 disk 所操作的内存部分大小是一致的，read 操作直接将内容读入 buffer，当其他操作完成，写入内存，write 操作将写内容写入 buffer，之后再写入磁盘。

总结

Vmware 提出的这种 Primary/Backup 方法是分布式容错方法中非常重要的一部分，可以用在许多系统中，不仅仅是分布式存储(GFS 的容错方法)，也可以用在分布式计算中，因为它是将所有的操作都记录下来，将它们重新在 Backup 上进行演绎，从而起到了备份的作用，能够做到容错(Fault-Tolerance)。