Please enable JavaScript.

Coggle requires JavaScript to display documents.

consistencia y replicacion, 7.3 MODELOS DE CONSISTENCIA CENTRADA EN EL…

- - - - Existen dos razones principales para replicar datos: la confiabilidad y el rendimiento. Primero, los datos se replican para incrementar la confiabilidad de un sistema. Si un sistema de archivos se re plicó, es posible continuar trabajado después de que una réplica falle con tan sólo cambiar a una de las otras réplicas. Además, al mantener varias copias se hace posible proporcionar una mejor pro tección contra datos corruptos.
        
        La idea básica es que al colocar una copia de los datos en la proximidad del proceso que los usa, el tiempo de acceso a los datos disminuye. En consecuencia, el rendimiento percibido por ese proce so aumenta. La otra razón para replicar datos es el rendimiento. La replicación es importante para el rendi miento cuando el sistema distribuido necesita escalar en números y en área geográfica
        
        La otra razón para replicar datos es el rendimiento. La rep Una solución para el problema de devolver una copia vieja al usuario es, en primer lugar, pro hibir al navegador mantener copias locales, y dejar que el servidor se encargue totalmente de la replicación. Sin embargo, esta solución puede ocasionar tiempos de acceso deficientes si no se coloca alguna réplica cerca del usuario. Otra solución es dejar que el servidor web invalide o actua lice cada copia cacheada, pero eso requiere que el servidor dé seguimiento a todos los cachés y les envíe mensajes.licación es importante para el rendi miento cuando el sistema distribuido necesita escalar en números y en área geográfica
    - - Replicación y cacheo para el rendimiento se utilizan ampliamente como técnicas de escalamiento. Las cuestiones de escalabilidad generalmente aparecen en forma de problemas de rendimiento. Co locar copias de datos cerca de los procesos que los utilizan puede mejorar el rendimiento mediante la reducción del tiempo de acceso, y resolver así los problemas de escalabilidad.
        
        Una compensación necesaria es que para mantener copias actualizadas se requiere un mayor ancho de banda en la red. Considere un proceso P que accede a una réplica local N veces por se gundo, mientras que a la réplica se le actualiza M veces por segundo. Suponga que una actualiza ción refresca completamente la versión anterior de la réplica local. Si N << M, es decir, la velocidad de acceso a la actualización es muy baja, se presenta la situación en que el proceso P nunca accede a muchas versiones actualizadas de la réplica local, ello se traduce en que la comunicación de la red sea inútil para esas versiones
        
        En las siguientes secciones, primero consideramos una gama de modelos de consistencia, y proporcionamos definiciones precisas sobre lo que realmente significa consistencia. Después con tinuamos con una explicación sobre diferentes formas de implementar estos modelos, a través de lo que se conoce como protocolos de distribución y consistencia.
  - - - La ubicación de servidores de réplicas no es un problema estudiado intensivamente, por la simple razón de que a menudo se trata de un asunto más administrativo y comercial que un problema de optimización. No obstante, el análisis de las propiedades del cliente y de la red es útil para tomar decisiones informadas.
        
        Existen varias formas de calcular la mejor ubicación de servidores de réplicas, pero todas se reducen a un problema de optimización en el que se necesita seleccionar la mejor K de entre N ubi caciones (K < N). Se sabe que estos problemas son de cómputo complejo, y que sólo pueden resol verse mediante la heurística. Qiu y colaboradores (2001) toman la distancia entre clientes y ubicaciones desde un punto de partida. La distancia puede medirse en términos de latencia o ancho de banda.
        
        Szymaniak y colaboradores (2006) desarrollaron un método mediante el cual puede identificar se rápidamente una región para ubicar réplicas. Una región se identifica para ser una colección de nodos que accede al mismo contenido, pero para la cual la latencia internodal es baja. El objetivo del algoritmo es seleccionar primero las regiones con más demanda, es decir, aquellas con más nodos, y después dejar que uno de los nodos de esa región actúe como servidor de réplicas.
    - - Las réplicas permanentes pueden considerarse como el conjunto inicial de réplicas que constituyen un almacén de datos distribuido. En muchos casos, el número de réplicas permanentes es pequeño. Por ejemplo, consideremos un sitio web. La distribución de un sitio web, por lo general, viene en una de dos formas.
        
        La segunda forma de sitios web distribuidos es la que se conoce como espejear. En este caso, un sitio web es copiado en un número limitado de servidores, llamados sitios espejo, los cuales están geográficamente distribuidos a través de internet. En la mayoría de los casos, los clientes sim plemente eligen uno de los diferentes sitios espejo desde una lista que se les ofrece. Los sitios web reflejados tienen en común sitios web basados en cluster que sólo tienen unas cuantas réplicas, las cuales son configuradas más o menos estáticamente
        
        Por contraste con las réplicas permanentes, las réplicas iniciadas por servidores son copias de un almacén de datos que existe para mejorar el rendimiento, y las cuales son creadas por iniciativa del (propietario del) almacén de datos. Por ejemplo, considere un servidor web ubicado en Nueva York. De manera normal, este servidor puede manejar muy fácilmente peticiones entrantes, pero puede ocurrir que durante un par de días entre una explosión súbita de peticiones desde una ubicación inesperada, alejada del servidor. En ese caso, puede valer la pena instalar cierto número de réplicas temporales en las regiones de donde provienen las peticiones.
    - - Propagar una notificación es lo que hacen los protocolos de invalidación. En un protocolo de in validación, se les informa a otras copias que ha ocurrido una actualización, y que los datos que ellas contienen ya no son válidos. La invalidación puede especificar qué parte del almacén de datos se ha actualizado, de modo tal que, en realidad, sólo parte de una copia no es válida
        
        La principal ventaja de los protocolos de invalidación es que utilizan muy poco ancho de ban da de la red. La única información que necesita transferirse es una especificación de cuáles datos ya no son válidos. Dichos protocolos generalmente funcionan mejor cuando hay muchas operacio nes de actualización, comparado con las operaciones de lectura; esto es, la relación lectura-escritura es relativamente pequeña.
        
        Ubicar cachés cliente es relativamente sencillo: por lo general, un caché se coloca en la misma máquina del cliente, o en otra máquina compartida por clientes de la misma red de área local. Sin embargo, en algunos casos, administradores de sistema introducen niveles adicionales de cacheo colocando un caché compartido entre varios departamentos u organizaciones, o incluso colocando un caché compartido para toda una región, como una provincia o un país
  - - - Como parte de su trabajo sobre consistencia continua, Yu y Vahdat desarrollaron varios protocolos para abordar las tres formas de consistencia. A continuación, consideraremos brevemente varias soluciones y, por claridad, omitiremos los detalles
        
        Primero nos concentramos en una solución para mantener limitada la desviación numérica. De nuevo, nuestro objetivo no es entrar en detalles para cada protocolo, sino dar una idea general. Los detalles para limitar la desviación numérica pueden encontrarse en Yu y Vahdat (2000b).
        
        Las escrituras enviadas a un servidor Si necesitarán propagarse a todos los demás servidores. Hay diferentes formas para hacer esto, pero en general un protocolo epidémico permitirá una rápida diseminación de actualizaciones. En cualquier caso, cuando un servidor Si propaga una escritura que se origina en Sj hacia Sk, este último será capaz de aprender el valor TW[i,j] en el momento en que se envió la escritura.
        
        Hay muchas formas de mantener réplicas descontinuadas dentro de límites específicos. Un método sencillo es dejar que el servidor Sk mantenga un reloj vectorial de tiempo real RVCk, donde RVCk[i] T(i) significa que Sk ha visto todas las escrituras enviadas a Si al tiempo T(i). En este caso, supo nemos que cada escritura enviada es registrada por su servidor origen, y que T(i) denota el tiempo local en Si .
        
        Recuerde que en la consistencia continua, las desviaciones de ordenamiento son causadas por el hecho de que un servidor de réplicas aplica tentativamente actualizaciones que le han sido envia das. Como resultado, cada servidor tendrá una cola local de escrituras tentativas para las cuales el orden en que van a aplicarse a la copia local de x aún debe ser determinado.
    - - En el caso de la consistencia secuencial, resulta que prevalecen los protocolos basados en primarias. En estos protocolos, cada elemento de datos x del almacén de datos tiene una primaria asociada, la cual es responsable de coordinar las operaciones de escritura sobre x. Es posible dife renciar si la primaria está fija en un servidor remoto o si las operaciones de escritura pueden reali zarse localmente después de trasladar la primaria al proceso en donde se inició la operación de escritura. Demos un vistazo a esta clase de protocolos
        
        El protocolo más sencillo basado en primarias que soporta la replicación es aquél en el que todas las operaciones de escritura necesitan remitirse a un solo servidor fijo. Tales esquemas también se conocen como protocolos primarios de respaldo (Budhiraja y cols., 1993). Un protocolo prima rio de respaldo funciona como nos muestra la figura 7-20
        
        La primaria realiza la actualización en su copia local de x, y posteriormente remite la actualización a los servidores de respaldo. Cada servidor de respaldo también realiza la actualización, y envía un acuse de recibo de vuelta a la primaria. Cuando todos los respaldos han actualizado su copia local, la primaria envía un acuse de vuelta al proceso inicial
        
        Una variante de los protocolos primarios de respaldo es un protocolo en el que la copia primaria migra entre procesos que desean realizar una operación de escritura.
    - - En los protocolos de escritura replicados, las operaciones de escritura pueden realizarse en varias réplicas en lugar de sólo en una, como en el caso de réplicas basadas en primarias. Es posible dife renciar la replicación activa, en la que una operación se remite a todas las réplicas, y los protocolos de consistencia basados en la mayoría de votos.
        
        En la replicación activa, cada réplica tiene un proceso asociado que realiza operaciones de actuali zación. Por contraste con otros protocolos, generalmente las actualizaciones se propagan mediante la operación de escritura que causa la actualización. En otras palabras, la operación se envía a cada réplica. Sin embargo, también es posible enviar la actualización, como explicamos antes.
        
        Un método diferente para soportar escrituras replicadas es utilizar la votación como la propuso originalmente Thomas (1979) y fue generalizada por Gifford (1979). La idea básica es requerir a los clientes que soliciten y adquieran el permiso de varios servidores antes de leer o escribir un ele mento de datos replicado.
        
        Para leer un archivo replicado, un cliente debe contactar también al menos a la mitad de los servidores más uno y solicitarles le envíen los números de versión asociados con el archivo. Si todos los números de versión son los mismos, ésta debe ser la versión más reciente porque intentar actualizar sólo a los servidores restantes fallaría ya que no hay suficientes de ellos.
- - - - Los modelos de consistencia centrada en el cliente se originaron a partir del trabajo sobre Bayou [por ejemplo, vea Terry y cols. (1994), y Terry y cols. (1998)]. Bayou es un sistema de bases de datos desarrollado para computación móvil, en donde se asume que la conectividad de la red no es confiable y que está sujeta a diversos problemas de rendimiento
- - - - La replicación de datos posee problemas de consisten cia que no pueden resolverse eficientemente de una forma general. Sólo si relajamos la consistencia podemos tener la esperanza de encontrar soluciones eficientes. Por desgracia, tampoco existen reglas generales para relajar la consistencia: exactamente lo que puede tolerarse depende, en gran medida, de las aplicaciones
        
        La desviación numérica también puede comprenderse en términos del número de actualizacio nes que se han aplicado a una réplica dada, pero que aún no han sido vistas por otras réplicas. Por ejemplo, un caché web puede no haber visto un lote de operaciones realizadas por un servidor web. En este caso, la desviación asociada con el valor también se conoce como su ponderación.
        
        Las desviaciones viejas se relacionan con la última vez que se actualizó una réplica. Para al gunas aplicaciones, es tolerable que una réplica proporcione datos viejos siempre y cuando no sean demasiado viejos. Por ejemplo, los informes sobre el clima permanecen a menudo razonablemente precisos durante cierto tiempo, digamos algunas horas. En tales casos, un servidor principal puede recibir actualizaciones oportunas, pero decidir propagar las actualizaciones a las réplicas de vez en cuando
    - - Los modelos que explicamos en esta sección tratan con operaciones de ordenamiento consisten te sobre datos compartidos y replicados. En principio, los modelos superan a aquellos de consisten cia continua en el sentido de que cuando es necesario confirmar actualizaciones en réplicas, éstas tendrán que acordar un ordenamiento global de esas actualizaciones. En otras palabras, necesitan acordar un ordenamiento consistente de esas actualizaciones.
        
        La consistencia secuencial es un importante modelo de consistencia centrado en los datos, el cual fue definido por primera vez por Lamport (1979) en el contexto de memoria compartida para sistemas de multiprocesador
        
        El modelo de consistencia causal (Hutto y Ahamad, 1990) representa una debilidad de la consis tencia secuencial, ya que diferencia entre eventos que potencialmente están relacionados por la cau salidad y los que no lo están
        
        La consistencia secuencial y la causal están definidas al nivel de operaciones de lectura y escritura. Este nivel de granularidad se debe a razones históricas: estos modelos se desarrollaron inicialmente para sistemas de multiprocesador de memoria compartida, y en realidad se implementaron al nivel de hardware