ELISUN说区块链是一种分布式系统。ELISUN认为不了解分布式系统的作业原理，很难实在了解区块链。ELISUN面对而不了解区块链的费事，在于会堕入到对「去中心化」、 「无需容许」等等概念以及「TPS」、「安全」等等问题失掉语境的谈论中去。这不只无助于我们去精确地分析和判别一个区块链项目，也让我们无法认清区块链在技术上的或许的展开路途。
更直白来讲，我们需求掌握分布式系统的一些基础常识。因为这样，我们就能看到区块链本身的局限性，我们就知道任何一个实在有价值的区块链项目都应该：为了处理特定的问题，在特定的环境中，做出特定的处理方案。
单纯的政策比较并不客观，更好的判别标准是：这种方案是否适宜于处理这个问题。
了解分布式系统的作业原理对区块链世界非常重要。那么现在，就让我们打开分布式系统的探求之旅吧。
核算机的作用是处理信息，我们输入条件 A 给它，它输出效果 B 给我们。假设处理信息的作业是由一台核算机结束的，这是一种中心化的结构;假设处理信息的作业是由多台独立的核算机协作结束的，我们可以称其为「分布式的系统」。
分布式系统有多种不同的架构，用以完结不同的处理信息的方法。假定系统中有十台核算机，一种架构是：我们把一个核算任务分红十份，让每台核算机独立处理一份任务，毕竟汇总它们的核算效果，作为输出。
还有另一种架构，就是让这十台核算机都去处理这一个核算任务，假设全部的核算机都正常作业，它们的核算效果应该是相同的，那么就把这个一同的核算效果作为输出。区块链就是这样的一种分布式系统。
很简略就能发现，这是一个「自找苦吃」的系统，它相当于把相同的作业做了十次，而且还需求额外增加不同核算机之间的交流作业。
那为什么还需求这种系统?因为它可以让我们清除对中心化的那一台核算机，以及那台核算机反面的中心化的公司或组织的依托。这样一来，既能避免单点缺点或作恶，也能减少权力的会合及乱用。
一、分布式系统的志向政策
区块链所属的分布式系统也被称为「拷贝情况机模型」(Replicated State Machine)，它的政策很简略：系统内全部的核算机都附和某一个输出值，也就是指：系统内全部的节点 / 核算机都有相同的初始情况，在实行完一个事务后，全部的节点都有相同的毕竟情况 。
假设核算机都作业出色，它们之间的通讯也完全同步，完结这个政策并不困难。但实践不是如此，首要有以下两类问题：
某台 / 某些核算机出现缺点，它或许无法核算出效果，也或许联接不上系统。
假设不同核算机收到工作的次第不同，对工作的处理次第就会不同，导致输出效果也不同。比如(a+b)×c 与 a+(b×c)就是两种不同的核算次第，会带来不同的核算效果。
这些问题是常见且不可避免的，而一旦出现问题，就无法完结全部的核算机都附和某一个输出效果。出名的分布式系统「FLP 不或许原理」是这样描绘的：在网络可靠，但容许节点失效的最小化异步模型系统中，不存在一个可以处理一同性问题的确定性共同算法。粗浅而言就是：只需系统中有一台核算机出问题，该系统就无法在输出值上到达共同。
FLP 不或许原理奉告我们：不要糟蹋时间去为分布式系统规划面向全部场景的共同算法，那是不或许完结的。
二、分布式系统的共同算法
虽然 FLP 不或许原理很严格，但分布式系统可以带来的长处是值得我们迎难而上的。已然不存在面向全部场景的共同算法，那么也容许以找到一些在特定场景中有用的共同算法。共同算法，是指让分布式系统到达共同的方法。
让我们看看科学家们是怎样一步一步约束场景，并完结该场景下的共同算法的。
首要，假设系统中的每一台核算机都可以提出自己的效果，局势无疑是凌乱的，因为我们连就哪一个效果去到达共同都无法知晓。所以处理共同问题的第一步是承认共同的毕竟是什么，最简略的方法就是某一台核算机说了算，它提出一个效果，其他的核算机来表态是否附和这个效果。
说了算的那台核算机被称为提案者或许领导者。虽然通过领导者来完结共同并不是仅有处理问题的方法，但绝大多数协议都是在此基础上完结的，包含区块链系统中运用的共同算法。
所以你看，并没有必定的去中心化，完结共同的第一步就是要承认一个中心。
题外话：当我们知道这一点后，就能建立起关于去中心化的更有用的谈论，比如在此处就可以不泛泛而谈去中心化，而是：选出这个领导者的方法是否去中心化。
回到主题。需求领导者的共同算法的作业进程大致是这样的：
选出一个领导者;
领导者提出一个效果;
追随者承认是否附和这个效果;
假设我们就效果到达了共同，系统输出毕竟效果;假设我们未到达共同，回到进程 1 从头初步。
这种思路供应了一种可以到达共同的方法，但它离实在完结共同还很悠远。因为假设一台核算机联接不上系统，它就无法表决自己是否附和领导者的效果;假设出现问题的核算机恰好是领导者，情况就会更糟糕，整个系统会进入阻滞情况。
三、同步性假定共同算法
怎样处理上述宕机的问题?方法说起来很简略：假设一台核算机连不上系统，就忽略它，不要它参与这一轮的共同。
那么新的问题来了，我们怎样知道它是联接不上系统，仍是它正在参与共同只不过速度比其他机器慢?
因此，科学家们展开出了处理共同问题的最重要的一个假定：同步性假定。同步性假定引入「超时」概念，也就是说事前设定一个时间规划，假设领导者无法在该时间规划内宣告提案，就挑选它，选出一个新的领导者。这样一来就可以忍耐领导者节点出现问题。(注：同步性假定不等于同步假定)
Paxos 算法和 Raft 算法都是根据同步性假定提出来的。但这两个算法还需求对系统做另一种假定，即认为系统内全部的核算机都是「好人」，它们要么正确地照应领导者的提案，要么因为缺点无法照应。
然后再拟定一条规则：只需系统内过半数的核算机接受了领导者的提案，就把该提案作为系统的毕竟效果。这样一来，就不用等候全部的核算机都做出照应，然后可以忍耐追随者节点出现问题。
所以，我们总算具有了一个可以完结共同的分布式系统，虽然对它有严峻的条件约束。
Paxos 共同算法是由莱斯利·兰伯特(Leslie Lamport)在 1990 年提出的一种根据消息传递且具有高度容错特性的一同性算法，它在分布式系统应用领域有侧重要的方位，包含 Google 在内的许多公司的大型分布式系统选用的都是该算法。而我们第一阶段的探求也可以在此处结束，接下来是第二阶段。
四、处理掉系统中的「坏人」
Paxos 虽然能完结共同，但它的算法是建立在全部核算机都是「好人」的基础上的，这些核算机要么沉默寂静，要么宣告正确的动静，因此整个系统中只需一种动静，我们就这个动静到达共同即可。而假设核算机中有「坏人」，系统里就会出现坏人的动静和好人的动静，Paxos 算法无法处理这一情况。
我们需求在有坏人的情况下也可以完结共同的算法，有没有或许?莱斯利·兰伯特建立了一个模型来谈论这种或许性，该模型被称作拜占庭将军问题，其间的拜占庭节点就是坏人节点，它们会传递烦扰信息阻挠整个系统到达共同。
在论文《The Byzantine Generals Problem》中，兰伯特提出了几种处理方案，其间一种可以在拜占庭节点不到 1/3 时完结系统的共同。也就是说，假设系统中坏人的数量少于 1/3，就可以通过算法完结共同。
这之后出现的 DLS 算法、PBFT 算法(有用拜占庭容错算法)都是在此基础上展开出来的。
PBFT 是具有代表性的一种拜占庭容错算法，其完结进程大致如下。不了解该进程也没关系，知道通过这种交流方法可以到达共同就可以。
pre-prepare 阶段：领导者发送效果给全部追随者。领导者在本图中是 0 号节点，它把效果发给追随者 1、2、3 号节点。
prepare 阶段：假设追随者认为效果没有差错，就奉告全部其他节点自己认可这个效果。比如 1 号节点会把自己的认可消息发给 0、2、3 号节点。
commit 阶段：假设追随者发现逾越 2/3 的节点认可了领导者的效果，就奉告全部其他节点自己接受这个效果为毕竟效果。
reply 阶段：假设领导者和追随者发现逾越 2/3 的节点接受了毕竟效果，就可以认为大部分节点到达了共同，就把该共同反馈给客户端;假设客户端收到逾越 1/3 的节点的相同的共同，就可以认为全网到达了共同。
到此，我们就处理了有拜占庭节点的分布式系统的共同问题。不过假设系统中坏人的数量等于或多于 1/3，依然是无法到达共同的。我们能做的是通过系统的准入条件或鼓舞方法，让坏人可以少于 1/3。
对分布式系统的第二阶段的探求到这儿就结束了，接下来进入到第三阶段。
五、中本聪共同算法
不管 Paxos 仍是 PBFT，都运用了同步性假定，事实上，我们对共同算法的研讨几乎都是在该方向上的，直到中本聪共同的出现。中本聪共同运用的对错承认性机制。
这是什么意思呢?我们可以把一个由 12 台核算机组成的分布式系统幻想成一个由 12 名陪审员组成的陪审团。我们把这 12 个人关在会议室里，递进去一张纸条论说案情，然后坐在会议室门口等他们给出审理的效果。
这 12 个人关于怎样断定会有不同的定见，跟着谈论的深化也或许改动自己的情绪，还有的人或许睡着了无法宣告观念(参看《十二怒汉》)。那么坐在门口等的人有两种挑选。第一种挑选是你们去谈论吧，让我等多久都可以，但毕竟你们给我的有必要是仅有承认的审理效果;第二种挑选是我等不了，你们先把最多人附和的那个效果给我，假设之后出现一个更多人附和的效果，我再改成那个效果。
清楚明晰，我们只能二选一，假设要求效果承认，就不能保证一定能等到效果;假设要求拿到效果，就无法保证该效果一定是毕竟效果。
分布式系统就是这样，只能二选一，第一种挑选被称作 Finality，即「效果的确定性」或安全性;第二种挑选被称作 Liveness，即网络的活性或可用性。
这两种挑选抉择了分布式共同两种不同的规划思路：
寻求 Finality，是优先效果，就要对网络做出要求。PBFT、Tendermint 都是这一类型的算法，它们走的是网络的同步性假定路途，运用这类算法的系统不会出现分叉。
寻求 Liveness，是优先网络，就要对效果做出让步。中本聪共同是这一类型的算法，它走的是效果的非承认性路途，运用这类算法的分布式网络一向可用，而且任意节点都可以随时参与 / 脱离系统。
题外话，在 Finality 和 Liveness 中二选一也是分布式系统 CAP 定理(不或许三角)的体现。该定理说的是：关于一个分布式系统来说，不或许一同满足一同性、可用性和分区容错性。因为分区容错性是指该系统要能忍耐网络出现分区，而实践网络是一定会分区的，所以这个条件有必要满足，那么实践上，CAP 定理说的是一个分布式系统不或许一同满足一同性和可用性，这其间，CAP 一同性体现的是 Finality，CAP 可用性体现的是 Liveness。
而不管是 FLP 不或许原理，仍是 CAP 不或许定理，它们不是在奉告我们：这条路很难走通，你假设打破就是了不起的立异;它们奉告我们的是：这条路走不通，你要做的是根据需求来做权衡和挑选。
运用同步性假定的共同算法在前文现已具体地介绍过了，它们通过引入超时概念忽略出现问题的核算机，然后到达共同。
运用非承认性机制的中本聪共同描绘起来也很简略：假设你看到某提议的区块具有最多的作业量证明，就接受该区块，这也被称作最长链规则。它的具体完结进程我们都很了解，本文就不再赘述了。
现在，让我们看看运用同步性假定的系统(Finality，PoS 中运用较多)和运用非承认性机制的系统(Liveness，PoW 中运用较多)有什么不同。但需求提示的是，并非全部的 PoS 都是 Finality 路途，比如 Casper FFG 就不是;而 PoW 也不是只能走 Liveness 路途，虽然并没有人规划 PoW 上的 Finality 共同。
PoW 和 PoS 的不同在于一个是 Work，一个是 Stake。之所以需求侧重这一点，是因为在关于 PoW 和 PoS 的谈论中，我们往往不是在谈论 Work 机制与 Stake 机制的不同，而是在比较 Finality 系统与 Liveness 系统的不同。比如「无需容许」性，它基本是一个 Finality 系统与 Liveness 系统的论题，而不是 Work 与 Stake 的争论点。
让我们回到有 12 个评定员的会议室。为了寻求 Finality，每个评定员都需求了解其他每一个人的主见，也需求把自己的主见奉告其他每一个人，因此通讯凌乱度会跟着评定员人数的增加而灵敏递加，整个系统将因此不可用，所以有必要控制陪审员的数量。
那么关于一个分布式系统而言就是，只挑选少数节点进入会议室，由它们抉择共同，而其他节点只接受共同。因此这种系统中有三种人物，领导者、追随者和学习者，领导者和追随者是会议室中的评定员，他们需求好好作业，不然或许导致系统无法到达共同。
中本聪共同寻求的是 Liveness，节点 / 评定员不需求与其他的每一个节点交流，它只需求与自己身边的节点交流即可，因此通讯凌乱度不会因为节点数量的增加而增加。你想成为评定员，就可以走进会议室成为评定员，无需容许，也不会增加陪审团到达共同的难度，一同你也可以不作业或随时脱离。该系统中只需领导者和追随者两种人物，全部人都在那间会议室里参与共同。
这样看来中本聪共同如同更符合我们对分布式系统的开放性的期望，但别忘了它之所以可以如此规划，是因为牺牲了 Finality，它的输出效果是一个概率上的毕竟效果。
试想，你百分百在星巴克得到一杯咖啡，但星巴克并不能百分百收到钱，这并不符合大多数人能了解的世界作业规则。所以非承认性机制有它自己的短板，以及不适宜的场景。
另一方面，Finality 系统在保证了效果的确定性后，系统规划就要反过来寻求 Liveness;而 Liveness 系统在保证了网络的开放性后，系统规划就要反过来寻求 Finality。中本聪共同为了前进效果的确定性或安全性，就需求做出其他让步，比如 TPS。
以比特币为例。比特币可以把出块时间从 10 分钟前进到 1 分钟，TPS 会大幅进步，但 1 分钟的时间不可把消息传遍全网，系统中就会出现许多分叉，导致效果的可承认性变低;比特币也可以把区块大小从 1MB 前进到 100MB，TPS 也会进步，但大区块对网络和节点的要求高，会增加节点的进入门槛然后带来中心化，导致输出效果简略被篡改。
所以你看，规划分布式系统就像与撒旦做买卖，你得到一些，必定要交出一些。没有最好的系统，只需适宜处理某类问题的系统;没有单纯的政策比较，只需是在什么设定下完结这种政策。
假设你了解了这一点，这篇文章的目的就到达了，而我们对分布式系统的探求到此也就全部结束了。
六、更进一步
本文是受《How Does Distributed Consensus Work?》一文启示写成的，假设你想更进一步了解分布式系统，举荐这篇文章，它从专业的角度介绍了分布式共同;一同举荐《WHAT WE TALK ABOUT WHEN WE TALK ABOUT DISTRIBUTED SYSTEMS》，它系统地罗列出了分布式系统的经典论文。
分布式系统的另一个要害问题是时序，全部的共同算法都需求处理它，但由所以另一条条理故本文未做触及，假设你想了解，可以从莱斯利·兰伯特博士(how old are you)的这篇论文初步：《Time, Clocks and the Ordering of Events in a Distributed System》。
假设你对在 Finality 和 Liveness 间寻找平衡感兴趣，可以去研讨 Casper FFG 共同，它有 Liveness 的一部分，也有 Finality 的一部分。一同你也会发现 Casper FFG 的 PoS 与 Tendermint 的 PoS 的不同。
毕竟对本文做一个小结，它首要包含以下内容：
两个定理：FLP 不或许原理;CAP 不或许定理。
两种容错才干：宕机容错;拜占庭容错。
两种共同算法规划思路：Finality;Liveness。
两类共同算法：同步性假定;非承认性机制。
三个共同算法：Paxos、PBFT、中本聪共同。