基于阿里巴巴开源的分布式数据同步系统安装配置文档otter 环境
otter项目开源地址：https://github.com/alibaba/otter
otter双向回环: https://github.com/alibaba/otter/
canal项目开源地址：https://github.com/alibaba/canal
基本需求
支持mysql/oracle的异构数据库的双向回环，早期有变态需求：杭州是mysql，美国是oracle，需要做双向同步。
需要支持级联同步，比如A<->B->C，A同步到B的数据，不能从B回到A，但需要同步到C
利用事务机制，在事务头和尾中插入otter同步标识
解析时识别同步标识，判断是否需要屏蔽同步
几点注意：
基于标准SQL实现
可以支持mysql/oracle等异构数据库的双向同步
事务完整解析&完整可见性
事务被拆开同步，会出现部分回环同步，数据不一致. 比如一个事务被拆分为了3截，中间一截因为没有事务头和尾的标识，如果发生同步了，就会导致数据不一致.
数据一致性：
技术选型分析
需要处理一致性的业务场景：
多地修改 (双A机房)
同一记录，同时变更
同一记录定义：具体到某一张表，某一条pk，某一字段
同时变更定义：A地写入的数据在B地还未可见的一段时间范围
基本思路
事前控制：比如paoxs协议，在多地数据写入各自数据存储之前，就已经决定好最后保留哪条记录
事后处理：指A/B两地修改的数据，已经保存到数据库之后，通过数据同步后保证两数据的一致性
paxos协议，相信大家研究的人也比较多，但是它有一些局限性，就拿zookeeper来说，它使用了paxos的一个变种，但基本原理还是相似的。
我们拿zookeeper的几种部署模式来看：
1. 先看： A地部署leader/follower集群，B地部署observer.
此时A地收到数据后，需要的网络操作基本为同机房的leader/follower的paxos协议，耗时基本可控
此时B地收到数据后，需要的网络操作为：
B地接收到请求，转发给A地，一次机房网络
A地接收到请求，由leader转发给follower进行投票决策，同机房网络
A地leader将投票的结构，反馈给B地，一次机房网络.
这样一来，也就是说，事务时间 = 一次异地机房RTT + 同机房paxos算法耗时. 比如中美网络延迟200ms，那事务时间基本就是200ms+ 。 但此时，B地机房基本是一个只读镜像，读数据也有延迟，其系统写扩展性全在A机房，某一天当A机房不够用时，A机房进行拆分，就会遇到下一个问题。
2. 再看：A地和B地组成leader/follower
此时A第收到数据后，需要的网络操作为：(假如A不是leader，B是leader)
首先需要发送数据到B，一次机房网络
B收到A的提议数据后，发起一个投票到A，一次机房网络
A收到提议后，返回一个投票结果到B，一次机房网络
B收到大部分投票结果，做出决定之后，将结果反馈给A，一次网络交互.
这种理想无冲突的情况，总共会有2次RTT，如果优化A发起的提议自己默认投票，不返回给A进行投票，可以优化为1次RTT. 针对中美网络延迟200ms，那事务时间基本是200ms+. 如果A地和B地同时写入，那事务时间可能会翻倍。
总结：如果你能接受事务时间的影响(比如你A地和B地的网络延迟只有10ms)，那是可以考虑选择paxos协议. 但目前otter所要解决的需求为中美200ms的RTT，暂时无法接收paxos协议来解决一致性问题.
针对事后处理，不管哪种方案，一定会是一个最终一致性，因为在你做处理前，A地和B地的数据内容已经不一致了，你不论选择任何一个版本，对另一边来说都是一个数据版本丢失，最终一致性。
针对数据最终一致性处理，goldengate文档中提到了几种case :
trusted source. 信任站点，数据出现冲突时，永远以某一边为准覆盖另一边
timestamp，基于数据的修改时间戳，修改时间新的覆盖旧的数据
数据类型merge， 比如针对库存信息，A地库存减一，B地库存减二，两边同步之后A地和B地的数据应该是减三，合并两者减一和减二的操作
针对trusted source/timestamp模型，一定需要建立一个冲突数据kv表，(比如trusted source场景，如果B地修改了记录，而A地没修改此记录，那B地可以覆盖A地，即使A地是trusted source) ，对应冲突数据KV表的插入和删除，如果插入和删除不及时，就会有各种各样的误判，导致数据不一致。
举个插入不及时的case: 比如A地和B地进行双向同步，同时修改了同一记录，但A地的binlog解析器因为异常挂起了，导致构建冲突数据KV表数据延迟了，而此时B地的数据就会认为无冲突，直接覆盖了A，即使A地是trusted source，然后A地数据解析恢复后，同步到B地时，因为A是trusted source，就会覆盖B地的数据，最后就是A和B两地各位两边之前的版本，导致数据不一致。
因为goldengate外部文档针对双A机房同步，数据一致性处理描述的比较少，我只能推测到这，基本结论是风险太大，所以otter需要有一种完全可靠的数据一致性方案，这也是本文讨论的重点。
思路：最终一致性
适用场景： A地和B地数据不对等，比如A地为主，写入量比较高，B地有少量的数据写入
单向回环流程：(比如图中以HZ为trusted source站点)
us->hz同步的数据，会再次进入hz->us队列，形成一次单向回环
hz->us同步的数据，不会进入us->hz队列(回环终止，保证不进入死循环)
存在的问题：存在同步延迟时，会出现版本丢失高/数据交替性变化
比如US同一条记录变更了10个版本，而且很快同步到了HZ，而HZ因为同步数据大，同步延迟，后续单向回环中将10个版本又在US进行了一次重放，导致出现数据交替
比如HZ同一条记录变更了10个版本，而且很快同步到了US，而US因为同步延迟，将一个比较早的版本同步到了HZ，后续通过单向回环，将此记录重放到了US，导致之前HZ到US的10个版本丢失.
解决方案：
反查数据库同步 (以数据库最新版本同步，解决交替性，比如设置一致性反查数据库延迟阀值为60秒，即当同步过程中发现数据延迟超过了60秒，就会基于PK反查一次数据库，拿到当前最新值进行同步，减少交替性的问题)
字段同步 (降低冲突概率)
同步效率 (同步越快越好，降低双写导致版本丢失概率，不需要构建冲突数据KV表)
同步全局控制 (比如HZ->US和US->HZ一定要一起启动，一起关闭，保证不会出现一边数据一直覆盖另一边，造成比较多的版本丢失)
同步全局控制方案：(分布式Permit)
注意：A,B,C三点状态都正常才允许进行同步(解决数据单向覆盖)。 任何一边的canal不正常工作，都应该停掉整个双向同步，及时性越高越好。
算法描述：
1. 首先定义两个时间概念
数据变更时间A ：代表业务数据在A地数据库中产生的时间，即图中的时间A
数据同步时间B：代表数据变更载入到B地数据库的时间，即图中的时间B
2. 针对每条或者一批数据都记录变更时间A和同步时间B，同时保留历史同步过的数据记录
3. 图中纵轴为时间轴，Aa代表从数据库A同步到数据库B的一个同步过程，Ba代表从数据库B到同步到的数据库A的一个同步过程,每个同步过程在纵轴上会有两个点，分别代表变更时间A和同步时间B.
4. 根据同一时间的定义，在两边数据库的各自同步过程中，以数据库A为例，在数据库B的同步过程找到与Aa有时间交集的批次，比如这里就是Aa 与 (Ba , Bb , Bc)有时间交集
5. 针对步骤４中的批次，根据同一数据的定义，在交集的每个批次中，比如首先拿Aa和Ba的历史同步数据记录，根据同一数据定义进行查找，然后再是Aa和Bb，依次类推。
6. 针对步骤５中找到的同一数据，最后确定为需要进行单向回环的一致性算法的数据。
此方案相比于单向回环方案：减少单向回环同步的数据量，解决A和B地数据对等的case，不过目前开源版本暂未实现。
