超详细教程！手把手带你使用Raft分布式共识性算法
共 26721字，需浏览 54分钟
·
2021-10-29 09:13
导语 |从头理一遍Raft会给你带来新的体验与收获，让你从根本上理解Raft，理解它被提出的背景，在此背景下又是如何解决实际问题的，这才是从头实现一个Raft所带来的真正收益。本文聚焦在Raft算法的实现上，不对Raft本身做过多介绍，从领导者选举、日志同步、持久化和快照等几个层面进行展开讲解。
一、介绍
Raft目前是最著名的分布式共识性算法，被广泛的应用在etcd、k8s中。
根据Raft论文，可将Raft拆分为如下4个功能模块：
领导者选举
日志同步、心跳
持久化
日志压缩，快照
这4个模块彼此并不完全独立，如日志的同步情况左右着领导者选举，快照也影响着日志同步等等；为了前后的递进性，对于一些功能的实现，可能会出现改动和优化，比如日志同步实现后，在数据持久化部分又会对同步做一些优化，提高主、从节点日志冲突解决的性能。
二、领导者选举
Raft算法是目前使用最为广泛的分布式共识性算法，在数据共识性的问题上，Raft使用「强领导者」模型，即：
一个集群中有且只有一个领导者。
所有数据写请求，都必须由领导者处理，领导者接受后再同步给其它节点。
领导者是绝对的「土皇帝」，不断地向追随者发送号令(同步日志)。
因此，在一个使用Raft算法的集群中，「领导者选举」是集群的第一步。一个集群的节点个数往往是「奇数」，如 3、5 等，这样就避免了选举时会发生脑裂(出现了多个领导者)的情况。
（一）节点状态
在Raft集群中，一个节点会存在如下3种状态：
追随者(Follower)，追随领导者，接收领导者日志，并实时同步。
协调者(Candidate)，选举时会触发的状态，如追随者一定时间内未收到来自领导者的心跳包，追随者会自动切换为协调者，并开始选举操作，向集群中的其它节点发送投票请求，待收到半数以上的选票时(如3节点集群，需收到2票，含自己的1票)，协调者升级成为领导者。
领导者(Leader)，集群土皇帝，不断地向集群其它节点发号施令(心跳、日志同步)，其它节点接到领导者日志请求后成为其追随者。
因此在具体谈到Raft算法实现之前，我们需要先来解决这三个状态。首先我们需要对节点这个概念进行抽象，如下：
// raft.gotype Raft struct {mu sync.Mutex // 锁peers []*labrpc.ClientEnd // 集群信息persister *Persister // 持久化me int // 当前节点 iddead int32 // 是否死亡，1 表示死亡，0 还活着state PeerState // 节点状态currentTerm int // 当前任期votedFor int // 给谁投过票leaderId int // 集群 leader idapplyCh chan ApplyMsg // apply message channel}
在这段代码中，Raft结构体是对Raft节点的一个抽象，每一个Raft实例可表示一个Raft节点，每一个节点会有集群元数据(peers)，节点元数据(me、state、currentTerm等)等信息。在领导者选举部分，有3个重要的字段需要说明：
state：节点状态，当前节点处于领导者、还是追随者。
votedFor：投票记录，当前节点在当前任期内给「那个」节点投过票。
currentTerm：节点当前所在的任期。
「任期」是Raft算法中一个非常重要的概念，你可以将其理解为「逻辑时钟」，每一个节点在初始化时，状态为追随者，任期为0，当一定时间内未收到领导者日志后，会自动成为协调者，并给自己投票，且任期+1，如下面的becomeCandidate函数：
// state.gotype PeerState stringconst (Follower PeerState = "follower"Candidate PeerState = "candidate"Leader PeerState = "leader")func (rf *Raft) becomeLeader() {rf.state = Leaderrf.leaderId = rf.me}func (rf *Raft) becomeCandidate() {rf.state = Candidaterf.votedFor = rf.me // vote for merf.currentTerm += 1}func (rf *Raft) becomeFollower(term int) {rf.state = Followerrf.votedFor = -1rf.currentTerm = term}
在这里，我们定义了Follower、Candidate和Leader三种状态，一个节点可以在这三种状态中切换，如becomeLeader函数，会将当前节点切换为领导者状态，并且设置leaderId为自己。becomeCandidate函数上面也谈到了，节点成为协调者后会增加任期，并给自己投票；调用becomeFollower函数时，节点会切换为追随者状态，且重置votedFor字段，追随者更新任期后，重新拥有「选票权」，可以进行投票。
这里抛出2个问题：选举过程是如何产生的？任期在选举过程中发挥了什么作用了？下面我们来一一解答。
（二）选举
Raft集群节点初始化时，会在节点内部存储集群元数据(如 peers)，节点需要通过集群元数据信息与其它节点进行沟通，而沟通的方式是RPC请求。
选举指的是，集群中的某一个节点，在成为协调者后，不满足于自己现在状态，迫切的想要成为领导者(土皇帝)，虽然它给自己投了1票，但很显然1票是不够，它需要其它节点的选票才能成为领导者。
因此协调者会与其它节点进行沟通协商(RPC请求)，当然它暂时不会沟通别的，只会向其它节点发送投票RPC请求(RequestVote RPC请求)；因此选举的过程实则就是：追随者未收到日志同步(也可理解为心跳)转变成为协调者，给自己投票后迫切地想成为领导者，并通过RPC请求其它节点给自己投票。
翻译成代码，大致如下：
// raft.gofunc Make(peers []*labrpc.ClientEnd, me int,persister *Persister, applyCh chan ApplyMsg) *Raft {rf := &Raft{}rf.peers = peersrf.persister = persisterrf.me = merf.votedFor = -1rf.state = Followerrf.currentTerm = 0rf.leaderId = -1rf.applyCh = applyChrf.readPersist(persister.ReadRaftState())// start ticker goroutine to start electionsgo rf.ticker()return rf}
Make函数负责新建一个Raft节点，抛开applyCh，readPersist这些东西先不管，我们关注的是state，votedFor，currentTerm这些字段。和上面说的一致，节点初始化时为追随者状态，且拥有选票(votedFor为-1)，并且任期为0。那么这个追随者是如何超时成为协调者的呢？答案在ticker这个函数中：
// raft.gofunc (rf *Raft) ticker() {for rf.killed() == false {time.Sleep(getRandElectTimeout())rf.mu.Lock()// 如果已经是 leader 了，则跳过下面逻辑if rf.state == Leader {rf.mu.Unlock()continue}rf.becomeCandidate()var votes int32 = 1 // 自己的一票for peerId, _ := range rf.peers {if peerId == rf.me { // 跳过自己，向其它节点发送请求continue}go rf.sendRequestVoteToPeer(peerId, &votes)}rf.mu.Unlock()}}
ticker是由go关键字开启的一个死循环(loop)，即节点被创建后会一直运行，除非节点被杀死，永远不会停止。进入循环后，节点会通过Sleep函数休眠一段时间，这段时间就是节点的心跳超时时间，在这段时间内，如果当前节点还未收到来自领导者的心跳请求，那么节点就会自动从追随者切换到协调者，当然由于日志暂时还未实现，因此目前ticker会休眠一段后，自动成为协调者，这部分将在后面一一完成。
节点成为协调者后，会向集群中的其它节点发送投票RPC请求，即sendRequestVoteToPeer函数。
该函数会向其它节点发送RequestVote RPC请求，在论文中，RequestVote是这样定义的：
图中划红线的字段暂时不需要。转化为代码如下：
type RequestVoteArgs struct {Term int // 请求者任期CandidateId int // 请求者 id}type RequestVoteReply struct {Term int // 回复者任期VoteGranted bool // 是否投票，true 则投票}
RequestVoteArgs是RequestVote RPC请求参数，RequestVoteReply是响应结果。请求者通过sendRequestVote函数向某个节点发送RequestVote RPC请求：
func (rf *Raft) sendRequestVote(server int, args *RequestVoteArgs, reply *RequestVoteReply) bool {ok := rf.peers[server].Call("Raft.RequestVote", args, reply)return ok}
其它节点受到请求后，会自动调用RequestVote函数进行处理：
func (rf *Raft) RequestVote(args *RequestVoteArgs, reply *RequestVoteReply) {rf.mu.Lock()defer rf.mu.Unlock()reply.Term = rf.currentTermreply.VoteGranted = falseif args.Term < rf.currentTerm {return}// 发现任期大的，成为 followerif args.Term > rf.currentTerm {rf.becomeFollower(args.Term)}if rf.votedFor == -1 || rf.votedFor == args.CandidateId {reply.VoteGranted = truerf.votedFor = args.CandidateId // 投票后，记得更新 votedFor}}
注意：这里，我们无需纠结这个RPC是如何产生的，只需要知道sendRequestVote发出的RPC请求会被RequestVote函数处理然后返回。
这个地方，我们再来回答刚才提出的问题：任期在选举过程中究竟有何作用了？
「任期」表示节点的逻辑时钟，任期高的节点拥有更高的话语权。在RequestVote这个函数中，如果请求者的任期小于当前节点任期，则拒绝投票；如果请求者任期大于当前节点人气，那么当前节点立马成为追随者。
「投票」建立在双方任期一致的情况下，如果当前节点未投过票(即 votedFor为-1)，或者已经给请求者投过票，那么仍然可以为请求者投票(VoteGranted=true)，投票后需设置votedFor字段为请求者id。
我们再回到sendRequestVoteToPeer这个函数上来，协调者通过该函数向其它节点发送投票请求，并在函数中对请求结果进行处理，如下：
func (rf *Raft) sendRequestVoteToPeer(peerId int, votes *int32) {rf.mu.Lock()args := RequestVoteArgs{Term: rf.currentTerm,CandidateId: rf.me,}reply := RequestVoteReply{}rf.mu.Unlock()ok := rf.sendRequestVote(peerId, &args, &reply)if !ok {return}rf.mu.Lock()defer rf.mu.Unlock()// 如果当前的状态不为 candidate，那么将不能接受选票，所以直接返回if rf.state != Candidate || args.Term != rf.currentTerm {return}if reply.Term > rf.currentTerm {rf.becomeFollower(reply.Term)return}if reply.VoteGranted {atomic.AddInt32(votes, 1)curVotes := int(atomic.LoadInt32(votes))if curVotes >= (len(rf.peers)+1)/2 {rf.becomeLeader()return}}}
代码3～7行，请求者将自己的任期、id信息包装为请求结构体，并通过sendRequestVote函数发送RPC请求。代码16～30行，请求者拿到响应结果后，处理响应数据。首先判断节点是否为协调者，如不是则直接返回，如果在发送RPC过程中，节点任期发生了变化(不同任期的选票不能使用)，也直接返回；如果发现回复者任期大，那么立马成为追随者并返回；增加选票数，如果超过了半数，协调者立即成为领导者。
在这里，我们也发现了一条黄金铁律：任期大的节点对任期小的拥有绝对的话语权，一旦发现任期大的节点，立马成为其追随者。
（三）小结
领导者选举主要工作可总结如下：
三个状态，节点状态之间的转换函数。
1个loop——ticker。
1个RPC请求和处理，用于投票。
另外，ticker会一直运行，直到节点被kill，因此集群领导者并非唯一，一旦领导者出现了宕机、网络故障等问题，其它节点都能第一时间感知，并迅速做出重新选举的反应，从而维持集群的正常运行，毕竟国不可一日无主，Raft集群一旦失去了领导者，就无法工作。
对于领导者而言，一旦当选，就必须不停的向其它节点宣示自己的地位，只要朕还在一日，尔等仍是太子。
那么领导者如何向其它节点宣示自己的地位了？这就是日志同步这个模块要解决的问题。
三、日志同步
日志同步是领导者独有的权利，领导者向追随者发送日志，追随者同步日志。
日志同步要解决如下两个问题：
领导者宣示自己的主权，追随者不可造反(再次选举)。
领导者将自己的日志数据同步到追随者，达到数据备份的效果。
同样地，日志同步也需要与其它节点进行沟通，对应论文中的AppendEntriesArgs RPC请求，如下图所示：
将其翻译为代码：
// log.gotype AppendEntriesArgs struct {Term int // leader 任期LeaderId int // leader idPrevLogIndex int // leader 中上一次同步的日志索引PrevLogTerm int // leader 中上一次同步的日志任期Entries []LogEntry // 同步日志LeaderCommit int // 领导者的已知已提交的最高的日志条目的索引}type AppendEntriesReply struct {Term int // 当前任期号，以便于候选人去更新自己的任期号Success bool // 是否同步成功，true 为成功}
在RPC参数有几个重要字段：
PreLogIndex：领导者与节点上一次同步的日志序号。
PreLogTerm：领导者与节点上一次同步的日志任期。
Entries：待同步日志数据。
LeaderCommit：领导者日志提交序号。
领导者与追随者之间的日志同步有一种特殊情况：Entries为空，即无日志同步，既然没有日志需要发送，那么为什么要发送AppendEntries请求了？
因为领导者需要宣示自己的权利，如果领导者不发送请求，那么追随者会认为领导者「死亡」了，会自发的进行下一轮选举，霸道的领导者肯定不愿意这种情况发生，因此即使日志是空的，也要发送AppendEntries请求，这种特殊的场景被称为「心跳」。
追随者在一定时间内收到日志同步请求或者心跳，都会重置自己「选举超时时间」，因此就不会发出下一轮选举，领导者一直是安全的。
既然领导者需要不断地与追随者同步日志，那么领导者如何知道追随者日志的同步情况了？
Raft节点使用nextIndex，matchIndex等字段来维护这些信息，如下：
type Raft struct {// ....省略state PeerStatecurrentTerm int // 当前任期votedFor int // 给谁投过票leaderId int // 集群 leader idapplyCh chan ApplyMsg // apply message channel// 2B+ log rLog // 日志+ lastReceivedFromLeader time.Time // 上一次收到 leader 请求的时间+ nextIndex []int // 下一个待发送日志序号，leader 特有+ matchIndex []int // 已同步日志序号，leader 特有+ commitIndex int // 已提交日志序号+ lastApplied int // 已应用日志序号}
log：节点日志数据。
lastReceivedFromLeader：上一次收到leader请求的时间。
nextIndex：节点下一个待同步的日志序号。
matchIndex：节点已同步的日志序号。
commitIndex：已提交的日志序号。
lastApplied：已应用的日志序号。
（一）日志
Raft集群中的节点通过日志来保存数据，且日志是只可追加的(Append-only)，如下图所示：
以KV为例，日志可以看作是一个不断增加的数组，从0开始，序号为0的日志内容为x=1，即将x的值设为1；由于旧日志不可修改，因此如果需要修改x，那么就只能通过追加覆盖的方式，即序号为2的日志x=5。
那么日志「已提交」与「已应用」有什么区别了？
仍以上图为例，假设日志的提交序号为2，即x=5已提交，但是日志的应用序号为1，即x=5未应用，但已提交，因此实际可见的数据其实是这样的：
x值为1，而y为3，而一旦日志2被应用后，x值就会被更改(日志数据不变，x可见数据会变)，如下：
虽然日志数据没有发生改变，但是x可见值却发生了改变，可以将日志序号理解为版本，新版本会覆盖旧版本的值。
（二）状态机
已提交的日志被应用后才会生效，那么数据的可见性由何种机制来保证了？Raft使用了状态机来保证相同日志被应用不同节点后，数据是一致的。如下图所示：
状态机保证了不同节点在被应用了相同日志后，数据的可见性是一致的，这样就能保证集群数据的一致性，这也是Raft算法的根本目的所在。
继续来看log这个字段，Raft节点将所有日志以追加的方式保存到了log 中，log本质上是一个数组(切片)，如下：
// rLog.gotype LogEntry struct {Term int // 任期Command interface{} // 命令}type rLog struct {Entries []LogEntry}func defaultRLog() rLog {return rLog{Entries: []LogEntry{{Term: 0,Command: nil,},},}}func (l *rLog) entryAt(index int) LogEntry {return l.Entries[index-l.first()]}func (l *rLog) append(entry ...LogEntry) {l.Entries = append(l.Entries, entry...)}func (l *rLog) last() int {if len(l.Entries) == 0 {return 0}return len(l.Entries) - 1}func (l *rLog) lastTerm() int {return l.Entries[l.last()].Term}func (l *rLog) first() int {return 0}func (l *rLog) firstTerm() int {return l.Entries[l.first()].Term}func (l *rLog) size() int {return len(l.Entries)}
每一条日志都可被抽象为LogEntry，其有两个字段：
Term：日志任期。
Command：日志内容，任意类型，根据具体业务来实现。
rLog结构体用来保存节点日志，其核心字段Entries就是用来存储日志内容的切片。我们顺便也给rLog定义了一系列函数方便访问日志数据(避免每次在业务中对切片进行操作)。
注意：defaultRLog函数返回一个默认的rLog，根据Raft论文中的阐述，日志切片的第一个作为占位使用，因此在初始化时，我们推入了一个Command为nil的日志。
（三）同步
日志同步是领导者独有的功能，因此在成为领导者后，第一时间就是初始化 nextIndex、matchIndex 并且开始日志同步，如下：
func (rf *Raft) becomeLeader() {rf.state = Leaderrf.leaderId = rf.me+ l := len(rf.peers)+ rf.nextIndex = make([]int, l)+ rf.matchIndex = make([]int, l)+ for i := 0; i < l; i++ {+ // nextIndex[0] 表示 0 号 peer+ rf.nextIndex[i] = rf.log.last() + 1 // 初始值为领导者最后的日志序号+1+ rf.matchIndex[i] = 0 // 初始值为 0，单调递增+ }+ go rf.ping()}
这里，我们就能发现nextIndex、matchIndex的含义了，成为领导者后，领导者并不知道其它节点的日志情况，因此与其它节点需要同步那么日志，领导者并不知道，因此他选择了「试」。nextIndex、macthIndex 的长度都是节点个数，如3，其中nextIndex[0]、matchIndex[0]分别用来保存节点0的下一个待同步日志序号、已同步日志序号。
nextIndex初始化值为log.last+1，即领导者最后一个日志序号+1，因此其实这个日志序号是不存在的，显然领导者也不指望一次能够同步成功，而是拿出一个值来试探。
matchIndex初始化值为0，这个很好理解，因为他还未与任何节点同步成功过，所以直接为0。
最后领导者通过ping函数来周期性地向其它节点同步日志(或心跳)，如下：
func (rf *Raft) ping() {for rf.killed() == false {rf.mu.Lock()if rf.state != Leader {rf.mu.Unlock()// 如果不是 leader，直接退出 loopreturn}for peerId, _ := range rf.peers {if peerId == rf.me {// 更新自己的 nextIndex 和 matchIndexrf.nextIndex[peerId] = rf.log.size()rf.matchIndex[peerId] = rf.nextIndex[peerId] - 1continue}go rf.sendAppendEntriesToPeer(peerId)}rf.mu.Unlock()time.Sleep(heartbeatInterval)}}
和ticker一样，ping同样是一个死循环，但是领导者独有的。一旦发现当前状态不为leader，立马退出循环(代码第4行)，领导者通过sendAppendEntriesToPeer函数向其它所有节点(自己除外)发送AppendEntries RPC请求。与RequestVote类似，调用sendAppendEntries函数发送请求：
func (rf *Raft) sendAppendEntries(server int, args *AppendEntriesArgs, reply *AppendEntriesReply) bool {ok := rf.peers[server].Call("Raft.AppendEntries", args, reply)return ok}
请求达到节点后，会自动调用AppendEntries函数处理请求：
func (rf *Raft) AppendEntries(args *AppendEntriesArgs, reply *AppendEntriesReply) {rf.mu.Lock()defer rf.mu.Unlock()reply.Term = rf.currentTermreply.Success = falseif args.Term < rf.currentTerm {return}// 如果你大，那就成为 followerif args.Term > rf.currentTerm {rf.becomeFollower(args.Term)rf.leaderId = args.LeaderId}if rf.state != Follower {rf.becomeFollower(args.Term)}rf.leaderId = args.LeaderIdrf.lastReceivedFromLeader = time.Now()logSize := rf.log.size()// 日志、任期冲突直接返回if args.PrevLogIndex >= logSize || rf.log.entryAt(args.PrevLogIndex).Term != args.PrevLogTerm {return}entriesSize := len(args.Entries)insertIndex := args.PrevLogIndex + 1entriesIndex := 0// 遍历日志，找到冲突日志for {// 超过了长度 breakif insertIndex >= logSize || entriesIndex >= entriesSize {break}// 日志冲突，breakif rf.log.entryAt(insertIndex).Term != args.Entries[entriesIndex].Term {break}insertIndex++entriesIndex++}// 追加日志中尚未存在的任何新条目if entriesIndex < entriesSize {// [0,insertIndex) 是之前已经同步好的日志rf.log.subTo(insertIndex - rf.log.first())rf.log.append(args.Entries[entriesIndex:]...)}// 取两者的最小值if args.LeaderCommit > rf.commitIndex {rf.commitIndex = minInt(args.LeaderCommit, rf.log.last())}reply.Success = true}
AppendEntries处理请求是比较复杂的，首先代码7～14行，二者几乎一致，如果任期小则拒绝，任期大，则称为其追随者。代码15～19行，如果收到AppendEntries请求，当前节点必须立马成为追随者(土皇帝来了！)，并且更新leaderId和 lastReceivedFromLeader，即更新超时心跳时间。
代码22行，如果日志完全冲突，上一个同步日志序号超过了当前节点的日志大小，或者任期不一致，那么直接返回false。
代码25~46行，解决日志部分冲突的问题，如果集群发生了领导者更换，新领导者的日志与现有节点日志有很多冲突，那么需要依次遍历日志，找到不冲突的起始序号，删除冲突日志，然后继续同步(由于Raft的特性，如果后面的日志是匹配的，那么前面的日志一定是匹配的)。
代码48~49行，根据领导者日志提交序号来更新日志提交序号，日志提交序号=min(leaderCommit, last)。
最后返回true给领导者，同步成功。领导者收到这个响应后，处理：
func (rf *Raft) sendAppendEntriesToPeer(peerId int) {rf.mu.Lock()nextIndex := rf.nextIndex[peerId]prevLogTerm := 0prevLogIndex := 0entries := make([]LogEntry, 0)// 可能会存在 nextIndex 超过 rf.log 的情况if nextIndex <= rf.log.size() {prevLogIndex = nextIndex - 1}prevLogTerm = rf.log.entryAt(prevLogIndex).Termentries = rf.log.getEntries(nextIndex-rf.log.first(), rf.log.size())args := AppendEntriesArgs{Term: rf.currentTerm,LeaderId: rf.me,PrevLogIndex: prevLogIndex,PrevLogTerm: prevLogTerm,Entries: entries,LeaderCommit: rf.commitIndex,}reply := AppendEntriesReply{}rf.mu.Unlock()// 发送 RPC 的时候不要加锁ok := rf.sendAppendEntries(peerId, &args, &reply)if !ok {return}rf.mu.Lock()defer rf.mu.Unlock()if rf.state != Leader || args.Term != rf.currentTerm {return}if reply.Term > rf.currentTerm {rf.becomeFollower(reply.Term)rf.leaderId = peerIdreturn}if reply.Success {// 1. 更新 matchIndex 和 nextIndexrf.matchIndex[peerId] = prevLogIndex + len(args.Entries)rf.nextIndex[peerId] = rf.matchIndex[peerId] + 1// 2. 计算更新 commitIndexnewCommitIndex := getMajorIndex(rf.matchIndex)if newCommitIndex > rf.commitIndex {rf.commitIndex = newCommitIndex}} else {// 同步失败，回退一步rf.nextIndex[peerId] -= 1if rf.nextIndex[peerId] < 1 {rf.nextIndex[peerId] = 1}}}
回到sendAppendEntriesToPeer函数中来，领导者通过该函数向其它节点发送同步日志，首先领导者通过nextIndex获取发送节点下一个要同步的日志序号，将其-1就是上一个已同步的日志序号。然后将这些信息包装为参数发送给节点，收到节点响应后，根据结果来处理。
代码31行，如果不再是领导者、前后任期不一致，直接返回。代码34行，黄金铁律，发现任期大的，立马成为追随者。
代码41～47行，如果同步成功则更新该节点的matchIndex和nextIndex，并且根据matchIndex来推进commitIndex；这里原理很简单，领导者的commitIndex必须建立在集群的大部分节点均已匹配的基础上，因此getMajorIndex实则取的是 matchIndex的中位数，这个地方的序号已经被大部分节点同步到了，因此就可以用来更新领导者的commitIndex。
代码50～53行，如果同步失败了，更新nextIndex，这个地方比较粗暴，直接回退-1，不断的试探，直至试出匹配值(待优化)。
在ping函数中，领导者正是通过不间断的日志同步，冲突则重新同步的方式来与其它节点同步数据，若所有节点日志均已同步完成，那么AppendEntries被视为心跳，控制追随者勿发起新的选举。
（四）完善选举
在领导者选举中，我们提到是否投出选票还与日志有关，那么有何关联了？
实则也简单，为了保证日志「更加完善」的节点能够当选领导者，因此选票会向日志完善的节点倾斜，这被称为upToDate条件。如下：
type RequestVoteArgs struct {// ...// 2B+ LastLogTerm int+ LastLogIndex int}func (rf *Raft) RequestVote(args *RequestVoteArgs, reply *RequestVoteReply) {// Your code here (2A, 2B).// 1. 如果 term < currentTerm 返回 false （5.2 节）// 2. 如果 votedFor 为空或者为 candidateId，并且候选人的日志至少和自己一样新，那么就投票给他（5.2 节，5.4 节）rf.mu.Lock()defer rf.mu.Unlock()// 省略....+ upToDate := false+ // 如果两份日志最后的条目的任期号不同，那么任期号大的日志新+ if args.LastLogTerm > rf.log.lastTerm() {+ upToDate = true+ }+ // 如果两份日志最后的条目任期号相同，那么日志比较长的那个就新+ if rf.log.lastTerm() == args.LastLogTerm && args.LastLogIndex >= rf.log.last() {+ upToDate = true+ }+ if (rf.votedFor == -1 || rf.votedFor == args.CandidateId) && upToDate {+ reply.VoteGranted = true+ rf.votedFor = args.CandidateId // 投票后，记得更新 votedFor+ }}func (rf *Raft) sendRequestVoteToPeer(peerId int, votes *int32) {rf.mu.Lock()args := RequestVoteArgs{Term: rf.currentTerm,CandidateId: rf.me,+ LastLogIndex: rf.log.last(),+ LastLogTerm: rf.log.lastTerm(),}// 省略....}
请求者在发送RequestVote请求时，会附带上自己日志的最后序号和任期；回复者接收到这两条信息后，会将其与自己的任期和日志进行比较，来看看双方谁的日志比较完整。首先比较任期，任期大的更新话语权，如果请求者的最后任期大，那么upToDate为true，如果任期相同，但请求者的日志序号大或者相等，那么upToDate为true，只有当upToDate为true 时，当前节点才能投出选票。
（五）日志应用
在Raft节点中还有lastApplied这个重要的字段，维护着当前节点的日志应用序号。在日志同步的过程中，commitIndex会不断的更新，但lastApplied似乎一直没有变过，因为我们把它遗忘了，按照Raft论文的说话，一旦发现commitIndex大于lastApplied，应该立马将可应用的日志应用到状态机中。
那么如何应用了？答案就是applyCh这个字段。
Raft节点本身是没有状态机实现的，状态机应该由Raft的上层应用来实现，因此我们不会谈论如何实现状态机，只需将日志发送给applyCh这个通道即可。如下：
func (rf *Raft) applyLog() {for rf.killed() == false {time.Sleep(applyInterval)rf.mu.Lock()msgs := make([]ApplyMsg, 0)for rf.commitIndex > rf.lastApplied {rf.lastApplied++ // 上一个应用的++// 超过了则回退，并 breakif rf.lastApplied >= rf.log.size() {rf.lastApplied--break}msg := ApplyMsg{CommandValid: true,Command: rf.log.entryAt(rf.lastApplied).Command,CommandIndex: rf.lastApplied,}msgs = append(msgs, msg)}rf.mu.Unlock()for _, msg := range msgs {rf.applyCh <- msg}}}
applyLog是Raft实现中的第三个死循环，且每个节点都有。主要工作就是周期性的检查commitIndex与lastApplied，一旦发现commitIndex 大于lastApplied，立马将lastApplied值推到与commitIndex一致。ApplyMsg是应用日志的结构体定义，如下：
type ApplyMsg struct {CommandValid bool // 是否有效，无效则不应用Command interface{} // 日志命令CommandIndex int // 日志序号}
ApplyMsg会被发送到applyCh通道中，上层服务接收到后，将其应用到状态机中。applyLog同样是通过go关键字开启的一个协程，如下：
func Make(peers []*labrpc.ClientEnd, me int,persister *Persister, applyCh chan ApplyMsg) *Raft {rf := &Raft{}// 省略...rf.applyCh = applyCh// 2B+ rf.log = defaultRLog()+ rf.lastReceivedFromLeader = time.Now()+ rf.commitIndex = 0+ rf.lastApplied = 0// initialize from state persisted before a crashrf.readPersist(persister.ReadRaftState())// start ticker goroutine to start electionsgo rf.ticker()+ go rf.applyLog()return rf}
（六）小结
日志同步主要工作可总结如下：
2个loop，ping领导者独有，applyLog所有节点均有，推进日志应用。
1个RPC请求和处理，用于日志同步。
完善选举，加入日志完整度判断。
到此，选举、日志同步均已完成，那么如果集群中的节点发生了宕机，已经同步好的日志都丢了怎么办？如何解决这个问题，这就是持久化模块的功能了。
四、持久化
数据持久化是Raft四大模块中最简单的一部分。在Raft论文中指出，需要持久化的字段只有三个：
分别是currentTerm(当前任期)，votedFor(给谁投过票)，log(日志数据)。数据落盘的编码方式有很多种，这里我们选择比较简单的gob编码，代码实现如下：
// 将数据持久化到磁盘func (rf *Raft) persist() {w := new(bytes.Buffer)e := labgob.NewEncoder(w)e.Encode(rf.currentTerm)e.Encode(rf.votedFor)e.Encode(rf.log)data := w.Bytes()rf.persister.SaveRaftState(data)}// 从磁盘中读取数据并解码func (rf *Raft) readPersist(data []byte) {if data == nil || len(data) < 1 {return}r := bytes.NewBuffer(data)d := labgob.NewDecoder(r)var (currentTerm intvotedFor intlog rLog)if d.Decode(¤tTerm) != nil ||d.Decode(&votedFor) != nil ||d.Decode(&log) != nil {DPrintf("decode persisted state err.")} else {rf.currentTerm = currentTermrf.votedFor = votedForrf.log = log}}
persist函数负责将当前Raft节点中需要持久化的字段保存至磁盘中，而 readPersist函数负责从磁盘中读取数据并反序列化为currentTerm、votedFor和log三个字段。对于readPersist函数，在Raft节点创建的时候调用它一次，如下：
func Make(peers []*labrpc.ClientEnd, me int,persister *Persister, applyCh chan ApplyMsg) *Raft {rf := &Raft{}// 省略// initialize from state persisted before a crashrf.readPersist(persister.ReadRaftState())// 省略return rf}
而persist函数则稍微复杂一些，不过只需记住一条黄金铁律即可：currentTerm、votedFor和log任何一个字段只要发生了更改，立马调用persist函数。在投票模块中，节点状态改变、投出选票等操作均会引起这三个字段的改变，在改变后加上persist函数即可：
func (rf *Raft) RequestVote(args *RequestVoteArgs, reply *RequestVoteReply) {// 省略// 发现任期大的，成为 followerif args.Term > rf.currentTerm {rf.becomeFollower(args.Term)+ rf.persist()}// 省略if (rf.votedFor == -1 || rf.votedFor == args.CandidateId) && upToDate {reply.VoteGranted = truerf.votedFor = args.CandidateId // 投票后，记得更新 votedFor+ rf.persist()}}func (rf *Raft) sendRequestVoteToPeer(peerId int, votes *int32) {// 省略if reply.Term > rf.currentTerm {rf.becomeFollower(reply.Term)+ rf.persist()return}// 省略}
在ticker函数中，如果心跳超时节点会自发成为协调者，任期和选票均会发生改变，因此：
func (rf *Raft) ticker() {for rf.killed() == false {// 省略rf.becomeCandidate()+ rf.persist()// 省略}}
同样地，在日志同步模块也会引发日志、状态的改变：
func (rf *Raft) AppendEntries(args *AppendEntriesArgs, reply *AppendEntriesReply) {// 省略// 如果你大，那就成为 followerif args.Term > rf.currentTerm {rf.becomeFollower(args.Term)rf.leaderId = args.LeaderId+ rf.persist()}if rf.state != Follower {rf.becomeFollower(args.Term)+ rf.persist()}// 省略// 追加日志中尚未存在的任何新条目if entriesIndex < entriesSize {// [0,insertIndex) 是之前已经同步好的日志rf.log.subTo(insertIndex - rf.log.first())rf.log.append(args.Entries[entriesIndex:]...)+ rf.persist()}reply.Success = true}func (rf *Raft) sendAppendEntriesToPeer(peerId int) {// 省略if reply.Term > rf.currentTerm {rf.becomeFollower(reply.Term)rf.leaderId = peerId+ rf.persist()return}// 省略}
对于persist的调用时机其实是很容易把握的，只需记住任何引起该三个字段发生改变的操作都必须紧接着一次persist函数即可。
（一）优化冲突同步
在日志同步模块中，我们提到：如果同步失败了，更新nextIndex，这个地方比较粗暴，直接回退1，不断的试探，直至试出匹配值(待优化)。
每次-1的试探是非常低效了，试想一下，如果二者日志相差几百，那么就得几百次试探，集群可能需要很久才都达到一致。因此提高同步效率，我们需要优化同步冲突问题。
思路也很简单，在同步发生冲突后，不再靠领导者一点点试探，而是追随者主动告诉领导者冲突的日志序号和任期，下次领导者直接通过冲突序号、任期再次同步即可。
为此，我们需要给Reply增加两个字段分别表示冲突任期和序号：
type AppendEntriesReply struct {+ ConflictTerm int // 日志冲突任期+ ConflictIndex int // 日志冲突序号Term int // 当前任期号，以便于候选人去更新自己的任期号Success bool}
在AppendEntries处理中，如果日志发生了完全冲突，需要遍历日志找到冲突任期、序号：
func (rf *Raft) AppendEntries(args *AppendEntriesArgs, reply *AppendEntriesReply) {// 省略// 日志、任期冲突直接返回+ if args.PrevLogIndex >= logSize {+ reply.ConflictIndex = rf.log.size()+ reply.ConflictTerm = -1+ return+ }+ if rf.log.entryAt(args.PrevLogIndex).Term != args.PrevLogTerm {+ reply.ConflictTerm = rf.log.entryAt(args.PrevLogIndex).Term+ for i := rf.log.first(); i < rf.log.size(); i++ {+ if rf.log.entryAt(i).Term == reply.ConflictTerm {+ reply.ConflictIndex = i+ break+ }+ }+ return+ }// 省略}
代码第4～6行，如果领导者上一次同步日志序号大于当前节点的日志大小，那么冲突序号就是日志大小，冲突任期为-1。代码9～16行，如果上一次同步序号仍在日志内，但是当前节点在该序号的日志任期与领导者任期不同，那么设置冲突任期为当前节点序号的任期，并遍历日志找到第一个有任期冲突的日志序号，并设置为ConflictIndex。
有了日志冲突任期和序号后，领导者收到同步失败后，就能立马对下一次同步做出调整：
func (rf *Raft) sendAppendEntriesToPeer(peerId int) {// 省略if reply.Success {// 1. 更新 matchIndex 和 nextIndexrf.matchIndex[peerId] = prevLogIndex + len(args.Entries)rf.nextIndex[peerId] = rf.matchIndex[peerId] + 1// 2. 计算更新 commitIndexnewCommitIndex := getMajorIndex(rf.matchIndex)- if newCommitIndex > rf.commitIndex {+ if newCommitIndex > rf.commitIndex && rf.log.entryAt(newCommitIndex).Term == rf.currentTerm {rf.commitIndex = newCommitIndex}} else {+ if reply.ConflictTerm == -1 {+ rf.nextIndex[peerId] = reply.ConflictIndex+ } else {+ // Upon receiving a conflict response, the leader should first search its log for conflictTerm.+ // If it finds an entry in its log with that term,+ // it should set nextIndex to be the one beyond the index of the last entry in that term in its log.+ lastIndexOfTerm := -1+ for i := rf.log.last(); i >= rf.log.first(); i-- {+ if rf.log.entryAt(i).Term == reply.ConflictTerm {+ lastIndexOfTerm = i+ break+ }+ }+ // If it does not find an entry with that term, it should set nextIndex = conflictIndex.+ if lastIndexOfTerm < 0 {+ rf.nextIndex[peerId] = reply.ConflictIndex+ } else {+ // 如果找到了冲突的任期，那么 +1 就是下一个需要同步的+ rf.nextIndex[peerId] = lastIndexOfTerm + 1+ }+ }}}
代码14～15行，如果冲突任期为-1，证明日志任期无问题，因此我们只需更新冲突序号。代码20～32行，如果冲突任期不为-1，那么从日志尾部向头部遍历，找到冲突任期所在的最后一个日志序号A，然后判断该序号是否小于0，若小于0，则表示找不到该冲突任期的序号，因此下一次同步序号仍然为冲突序号，否则下一次同步序号为A+1。
另外，你是否发现了代码9～10行也发生了改变，对于commitIndex的更新，我们新增了一个判断条件：新的提交日志序号的任期必须与节点当前任期一致。
为什么要加上这个条件了？在论文Figure 8中有其说明，主要是为了保证领导者只能提交自己任期的日志，不能提交其它任期日志，从而保证原来任期的日志不会被覆盖。具体可参考。
（二）小结
数据持久化是Raft中最简单的一个模块，只需掌握持久化时机，细心一点就能完成。
解决了数据持久化和日志冲突问题后，我们再来引入一个新的问题，日志只能以追加方式进行操作，那么如果某一条数据被修改了很多次，那么日志中存在了该数据的多个版本，如果数据量庞大，那么就会造成很大的空间浪费，相应地，对于日志持久化也会带来很大的性能影响，那么如何解决这个问题呢？答案就是快照。
五、快照
节点是无法容忍日志数据无限增加的。为了解决这个问题，Raft引入了快照机制，例如，一个Raft节点当前日志序号范围是[0,100)，对范围为 [0,50]日志进行快照后，日志范围就变成为[51,100)。如下图：
x，y值有多条日志，但实际上大部分日志都是可被删除的，因此快照机制直接将1～5号日志融合，合并成一个快照块。
快照块的存储方式与日志不同，主要分为三个部分：
lastIncludeIndex，快照块所包含的最后一个日志序号，即图中5。
lastIncludeTerm，快照块所包含的最后一个日志任期，即图中3。
state，状态机数据，由上层应用来处理，Raft节点不做处理。
为什么我们无需保存快照块的第一个日志序号呢？快照只会从头开始，不会从日志切片中间截断，因此只需保存最后一个日志序号。
注意，在快照后，日志切片会发生截断，日志切片序号与日志序号会有不兼容问题，如下：
日志经过快照后，切片序号仍然是1、2、3(0 号作为占位，无实际意义)，但是日志序号却是11、12、13，因此如果再使用日志序号来从日志切片中获取日志，需有一个转换操作，这个操作也很简单：
切片序号=日志序号-lastIncludeIndex。
因此，我们需要重构rLog这个结构体和其方法：
type rLog struct {Entries []LogEntry+ LastIncludedIndex int+ LastIncludedTerm int}func defaultRLog() rLog {return rLog{Entries: []LogEntry{{Term: 0,Command: nil,},},+ LastIncludedIndex: 0,+ LastIncludedTerm: 0,}}func (l *rLog) entryAt(index int) LogEntry {+ if index < l.LastIncludedIndex || index > l.LastIncludedIndex+len(l.Entries) {+ panic(fmt.Sprintf("lastIncludeIndex: %d, but index: %d is invalid", l.LastIncludedIndex, index))+ }+ return l.Entries[index-l.LastIncludedIndex]}// 最后序号func (l *rLog) last() int {if len(l.Entries) == 0 {return 0}+ return len(l.Entries) + l.LastIncludedIndex - 1}// 最后任期func (l *rLog) lastTerm() int {+ return l.Entries[l.last()-l.LastIncludedIndex].Term}// 第一个序号func (l *rLog) first() int {+ return l.LastIncludedIndex}// 日志长度func (l *rLog) size() int {+ return len(l.Entries) + l.LastIncludedIndex}
rLog新增了LastIncludedIndex和LastIncludedTerm两个字段，分别用于表示当前节点最后一个快照块的lastIncludedIndex、lastIncludedTerm值。另外，在entryAt函数中，读日志需要将日志序号减去LastIncludedIndex值，第一个日志序号应该是LastIncludedIndex值，即first函数，size函数也需要加上LastIncludedIndex后才能得到当前所有日志的总大小。
同时，Raft节点需要新增一个snapshopt字段用来保存快照数据，如下：
type Raft struct {// 省略+ snapshot []byte}func Make(peers []*labrpc.ClientEnd, me int,persister *Persister, applyCh chan ApplyMsg) *Raft {rf := &Raft{}// 省略rf.readPersist(persister.ReadRaftState())+ rf.snapshot = persister.ReadSnapshot()+ rf.commitIndex = rf.log.LastIncludedIndex+ rf.lastApplied = rf.log.LastIncludedIndex// 省略return rf}
Raft在新建时，还需从磁盘中读取持久化的快照数据，且commitIndex、lastApplied的初始值不再是0，而是LastIncludedIndex。现在，我们来解决最后两个问题：何时快照？快照如何执行？
首先第1个问题：何时快照？
上层应用发送快照数据给Raft实例。
领导者发送快照RPC请求给追随者。
对于第1点，前面我们谈到，状态机在上层应用中，因此上层应用知道状态机数据以及日志应用情况，当上层应用觉得日志序号过大(或者其它触发情况)，就会将状态机数据、日志应用号通过Snapshot函数发送给Raft实例，如下：
func (rf *Raft) Snapshot(index int, snapshot []byte) {rf.mu.Lock()defer rf.mu.Unlock()// 拒绝快照过的，也拒绝还未提交的if index <= rf.log.LastIncludedIndex || index > rf.commitIndex {return}rf.log.Entries = append([]LogEntry{{Term: 0, Command: nil}}, rf.log.Entries[index-rf.log.LastIncludedIndex+1:]...)rf.log.LastIncludedIndex = indexrf.log.LastIncludedTerm = rf.log.entryAt(index).Termrf.snapshot = snapshotrf.persistStateAndSnapshot(snapshot)}
Snapshot函数接受index，snapshot两个参数，snapshot为快照数据，index是快照数据中最后一个日志序号。代码第5行，判断index与 commitIndex、lastIncludeIndex之间的关系，如果index大于commitIndex，证明快照数据中的日志，当前节点还未提交，因此无法快照；如果index小于等于lastIncludeIndex证明上一次快照已经包含了本次快照数据，所以拒绝。
代码8~12行，接受快照数据，并持久化快照，然后更新LastIncludedIndex，LastIncludedTerm，并切截断日志切片，将已快照部分日志从切片中删除。
任何一个节点都可由上层应用通过Snapshot函数调用来执行快照。如果一个新加入集群的追随者，其日志大幅度落后领导者，如果仅靠日志同步请求来，那么是不够快的(还得一个一个日志的应用)，这个时候领导者可以选择将快照发给追随者，追随者直接使用快照就能迅速与其它节点保持数据一致。
因此对于领导者，还有另外一个InstallSnapshot RPC请求，参数与响应定义如下：
type InstallSnapshotArgs struct {Term intLeaderId intLastIncludedIndex intLastIncludedTerm intData []byte}type InstallSnapshotReply struct {Term int}
领导者发送RPC时，需携带本次快照请求的快照数据、LastIncludedIndex、LastIncludedTerm以及任期，而追随者只需回复自己的任期即可，因此对于追随者而言即使快照请求失败也不会有其它影响，而任期代表着话语权，这与其它RPC请求一样。与AppendEntries类似，领导者通过sendInstallSnapshot函数发送快照请求，RPC达到时会调用InstallSnapshot函数进行处理：
// peer 接受 leader InstallSnapshot 请求func (rf *Raft) InstallSnapshot(args *InstallSnapshotArgs, reply *InstallSnapshotReply) {rf.mu.Lock()defer rf.mu.Unlock()reply.Term = rf.currentTermif args.Term < rf.currentTerm {return}// Send the entire snapshot in a single InstallSnapshot RPC.// Don't implement Figure 13's offset mechanism for splitting up the snapshot.if args.Term > rf.currentTerm {rf.becomeFollower(args.Term)rf.persist()}if rf.state != Follower {rf.becomeFollower(args.Term)rf.persist()}rf.leaderId = args.LeaderIdrf.lastReceivedFromLeader = time.Now()// 拒绝，如果你的小，证明我已经快照过了，无需再次快照if args.LastIncludedIndex <= rf.log.LastIncludedIndex {return}msg := ApplyMsg{SnapshotValid: true,Snapshot: args.Data,SnapshotTerm: args.LastIncludedTerm,SnapshotIndex: args.LastIncludedIndex,}go func() {// 应用快照 msgrf.applyCh <- msg}()}// 发送 InstallSnapshotfunc (rf *Raft) sendInstallSnapshot(server int, args *InstallSnapshotArgs, reply *InstallSnapshotReply) bool {ok := rf.peers[server].Call("Raft.InstallSnapshot", args, reply)return ok}
代码3～20行，与AppendEntries几乎一致，判断任期是否需要成为追随者，刷新leaderId和接收时间。代码第22行，判断当前快照的LastIncludedIndex与当前节点的LastIncludedIndex之间的大小，如果小于等于，证明快照数据已经存在，直接拒绝即可。
代码25～34行，将快照数据封装到ApplyMsg中，并通过ApplyCh发送给上层应用。
和日志应用一样，快照应用也是通过发送ApplyMsg，ApplyMsg结构体中增加了快照相关的字段：
type ApplyMsg struct {CommandValid boolCommand interface{}CommandIndex int// 2D+ SnapshotValid bool+ Snapshot []byte+ SnapshotTerm int+ SnapshotIndex int}
当CommandValid为true时，应用的是日志，SnapshotValid为true时，应用的是快照。领导者得到快照响应后做如下处理：
// sendInstallSnapshotToPeer 向其它 peer 发送快照请求func (rf *Raft) sendInstallSnapshotToPeer(peerId int) {rf.mu.Lock()args := InstallSnapshotArgs{Term: rf.currentTerm,LeaderId: rf.me,LastIncludedIndex: rf.log.LastIncludedIndex,LastIncludedTerm: rf.log.LastIncludedTerm,Data: rf.snapshot,}reply := InstallSnapshotReply{}rf.mu.Unlock()ok := rf.sendInstallSnapshot(peerId, &args, &reply)if !ok {return}rf.mu.Lock()defer rf.mu.Unlock()// 如果当前的状态不为 leader，那么将不能接受if rf.state != Leader || args.Term != rf.currentTerm {return}if reply.Term > rf.currentTerm {rf.becomeFollower(reply.Term)// 你的任期大，我成为你的追随者rf.leaderId = peerIdrf.persist()return}// 注意，快照和日志同步一样，需要更新 matchIndex 和 nextIndex// 发送完快照后，更新了 matchIndex 和 nextIndex，因此在快照期间的日志同步将需要重新来rf.matchIndex[peerId] = args.LastIncludedIndexrf.nextIndex[peerId] = args.LastIncludedIndex + 1}
代码20~29行，与AppendEntries一致，判断任期与状态。代码32～33行，快照后更新matchIndex、nextIndex。
领导者在发现某个节点同步日志序号落后LastIncludedIndex的情况下就会决定发送快照，如下：
func (rf *Raft) ping() {for rf.killed() == false {// 省略for peerId, _ := range rf.peers {// 省略// 当 leader 发现一个 follower 的 nextIndex[follower] - 1, 即 prevLogIndex// 小于 leader 节点的快照时刻时，就会通过 RPC 调用发快照过去+ prevLogIndex := rf.nextIndex[peerId] - 1+ if prevLogIndex < rf.log.LastIncludedIndex {+ go rf.sendInstallSnapshotToPeer(peerId)+ } else {+ go rf.sendAppendEntriesToPeer(peerId)+ }}// 省略}}
第2个问题，快照如何执行？
上层应用通过Snapshot函数来执行快照；
上层应用通过CondInstallSnapshot函数来执行快照。
你应该也发现了，追随者收到快照请求后，并没有立即更新snapshot、log等数据，而是将其包装为了ApplyMsg发送给了上层应用。
那是因为如果Raft实例单独应用了快照，而上层应用不知道，那么就会造成二者的数据不统一。收到ApplyMsg后，上层应用会调用CondInstallSnapshot函数来真正的应用快照，如下：
func (rf *Raft) CondInstallSnapshot(lastIncludedTerm int, lastIncludedIndex int, snapshot []byte) bool {rf.mu.Lock()defer rf.mu.Unlock()// 已快照过了，拒绝if lastIncludedIndex <= rf.commitIndex {return false}// 快照后的处理工作defer func() {rf.log.LastIncludedIndex = lastIncludedIndexrf.log.LastIncludedTerm = lastIncludedTermrf.snapshot = snapshotrf.commitIndex = lastIncludedIndexrf.lastApplied = lastIncludedIndexrf.persistStateAndSnapshot(snapshot) // 持久化快照}()// 删除掉 lastIncludedIndex 之前的日志记录if lastIncludedIndex <= rf.log.last() && rf.log.entryAt(lastIncludedIndex).Term == lastIncludedTerm {// [rf.log.LastIncludedIndex, lastIncludedIndex) 是当前 snapshot 中的日志数据，所以应该删除// 前面需要一个占位rf.log.Entries = append([]LogEntry{{Term: 0, Command: nil}}, rf.log.Entries[lastIncludedIndex-rf.log.LastIncludedIndex+1:]...)return true}// 快照，删除所有 log entriesrf.log.Entries = []LogEntry{{Term: 0, Command: nil}}return true}
和Snapshot类似，CondInstallSnapshot会判断lastIncludedIndex，然后截断日志切片，并且更新log，snapshot，commitIndex，lastApplied等字段，然后持久化快照数据。注意，CondInstallSnapshot还需要判断快照任期是否一致，否则删除所有日志。另外，为什么 CondInstallSnapshot中更新了commitIndex，lastApplied，而 Snapshot却没有？
因为Snapshot是由上层应用直接触发的，建立在当前Raft实例的基础上，而CondInstallSnapshot虽然也是上层应用来调用，但却是领导者触发的，因此追随者的commitIndex，lastApplied字段需要与快照保持一致。
（一）完善日志同步
在引入了lastIncludeIndex以后，日志同步可能与快照之间相互冲突，例如快照更新了lastIncludeIndex的同时AppendEntries在发送日志，却不知道日志发生了截断，因此在取日志数据的时候会发生冲突，我们可以在日志发送前对其判断一次：
func (rf *Raft) sendAppendEntriesToPeer(peerId int) {// 省略nextIndex := rf.nextIndex[peerId]prevLogTerm := 0prevLogIndex := 0entries := make([]LogEntry, 0)// 可能会存在 nextIndex 超过 rf.log 的情况if nextIndex <= rf.log.size() {prevLogIndex = nextIndex - 1}// double check，检查 prevLogIndex 与 lastIncludeIndex+ if rf.log.LastIncludedIndex != 0 && prevLogIndex < rf.log.LastIncludedIndex {+ rf.mu.Unlock()+ return+ }// 省略}
在LastIncludedIndex非0，即已经发生了快照的情况下，如果待同步日志序号小，那么直接返回，本次日志无需同步，快照中已经存在了。另外追随者在受到日志同步请求时，发现同步日志的序号小于自己的LastIncludedIndex时，会直接将LastIncludedIndex作为ConflictIndex返回给领导者。
func (rf *Raft) AppendEntries(args *AppendEntriesArgs, reply *AppendEntriesReply) {// 省略rf.leaderId = args.LeaderIdrf.lastReceivedFromLeader = time.Now()+ if args.PrevLogIndex < rf.log.LastIncludedIndex {+ reply.ConflictIndex = rf.log.LastIncludedIndex+ reply.ConflictTerm = -1+ return}// 省略}
（二）小结
快照主要工作可总结如下：
1个RPC请求和处理，用于快照。
两个快照应用函数CondInstallSnapshot和Snapshot。
完善日志同步，加入LastIncludedIndex判断。
快照机制并不复杂，关键是日志切片序号与日志序号发生了脱离，需要 LastIncludedIndex来转换；快照请求与日志同步请求大同小异，不过快照最终都是由上层应用来触发，从而保证二者的数据一致性。
六、总结
Raft算法实现是颇具挑战力的，从理解到实现需要走很长的一段路，也正因如此才能收获颇丰。下面让我们来总结一下Raft算法实现的几个重要脉络：
3个状态，follwer，candidate和leader，状态切换的核心在于任期与心跳；
3个loop，ticker，ping，applyLog，其中ping是leader独有的死循环，用于日志同步和快照，ticker用于超时后发起选举，applyLog是最简单的一个死循环，负责将通道中发送日志数据；
3个RPC请求，RequestVote，AppendEntries，InstallSnapshot，分别用于请求投票、日志同步和快照，其中AppendEntries和InstallSnapshot都有leader独有的，二者处理也十分类似；
2条黄金铁律：发现任期大的立即成为其追随者；任何引起currentTerm，votedFor，log改变的操作后，立即持久化数据。
当然Raft算法想要应用在工业上，还需更多的打磨与优化，不推荐造轮子，而是直接使用成品，比如：hashicorp/raft。而从头撸一遍Raft会给你带来新的体验与收获，让你从根上理解Raft，理解它被提出的背景，在此背景下又是如何解决实际问题的，这才是从头实现一个Raft所带来的真正收益。
参考资料：
1.Raft论文
2.6.824实验室2：raft
3.raft指南
作者简介
高佩东
腾讯后端工程师
腾讯后端工程师，平平凡凡小码农，普普通通打工人。
推荐阅读
Pulsar与Rocketmq、Kafka、Inlong-TubeMQ，谁才是消息中间件的王者？
gRPC如何在Golang和PHP中进行实战？7步教你上手！
如何保证MySQL和Redis的数据一致性？10张图带你搞定！
