[논문 리뷰] Causal Consistency: Beyond Memory

Matthieu Perrin, Achour Mostéfaoui외 1명|arXiv (Cornell University)|2016. 03. 14.

Distributed systems and fault tolerance참고 문헌 23인용 수 21

한 줄 요약

이 논문은 순차적 사양을 사용하여 임의의 추상 데이터 유형에 대해 원인 일관성을 일반화하는 프레임워크를 제안하며, 세 가지 유형으로 나누어진다: 약한 원인 일관성, 원인 수렴성, 원인 일관성. 이들의 관계를 형식화하여 원인 일관성이 원인 메모리의 일반화임을 보이며, 대기 없는 분산 시스템에서 효율적이고 조합 가능한 일관성을 가능하게 한다.

ABSTRACT

In distributed systems where strong consistency is costly when not impossible, causal consistency provides a valuable abstraction to represent program executions as partial orders. In addition to the sequential program order of each computing entity, causal order also contains the semantic links between the events that affect the shared objects -- messages emission and reception in a communication channel , reads and writes on a shared register. Usual approaches based on semantic links are very difficult to adapt to other data types such as queues or counters because they require a specific analysis of causal dependencies for each data type. This paper presents a new approach to define causal consistency for any abstract data type based on sequential specifications. It explores, formalizes and studies the differences between three variations of causal consistency and highlights them in the light of PRAM, eventual consistency and sequential consistency: weak causal consistency, that captures the notion of causality preservation when focusing on convergence ; causal convergence that mixes weak causal consistency and convergence; and causal consistency, that coincides with causal memory when applied to shared memory.

연구 동기 및 목표

• 공유 메모리 이외의 복잡한 데이터 유형(예: 큐, 카운터 등)에 대해 원인 일관성의 일반적이고 확장 가능한 접근 방식이 부족한 문제를 해결한다.
• 세 가지 원인 일관성 변형을 형식화하고 비교하여 그 관계와 상호 보완성을 명확히 한다.
• 모든 추상 데이터 유형에 대해 순차적 사양을 갖는 원인 일관성을 원인 메모리의 일반화로 설정한다.
• 원인 일관성과 원인 수렴성이 대기 없는 분산 시스템에서 최종 일관성과 함께 공존할 수 있는 가장 강력한 일관성 기준임을 입증한다.
• 각 유형에 대한 종속성 분석이 필요 없이 효율적인 원인 일관성 분산 데이터 유형을 구현하기 위한 형식적 기반을 제공한다.

제안 방법

• 각 추상 데이터 유형의 순차적 사양에 기반해 원인 일관성을 정의하여, 각 유형에 맞는 특수 분석을 피한다.
• 가상 시간 메커니즘을 도입하여 분산 시스템 내 프로세스 간 원인 순서를 추적한다. 이는 타임스탬프 (vt, i)를 사용한다.
• 원인 브로드캐스트를 사용해 쓰기 연산을 타임스탬프와 함께 전파하여 메시지 전달 시 원인 순서가 유지되도록 한다.
• 타임스탬프 (vt, i)를 기반으로 쓰기 연산에 대한 총순서 ≤를 구성하며, 이는 원인 순서를 선형화로 확장한다.
• 히스토리에서 순서가 정의된 총순서에 일치하는 선형화 함수 π를 정의하여, 모든 읽기 연산이 원인 우선 순서에 부합하는 값을 반환하도록 보장한다.
• 선형화 근거에 기반해, 알고리즘에 의해 허용되는 모든 히스토리가 원인 수렴성과 원인 일관성을 만족함을 증명한다.

실험 결과

연구 질문

• RQ1 공유 메모리 이외의 임의의 추상 데이터 유형에 대해 원인 일관성을 일반화할 수 있는 방법은 무엇이며, 각 유형에 대한 종속성 분석 없이 가능할 수 있는가?
• RQ2 약한 원인 일관성, 원인 수렴성, 원인 일관성 간의 형식적 차이점과 관계는 무엇인가?
• RQ3 원인 일관성은 대기 없는 분산 시스템에서 효율적으로 구현될 수 있으며, 최종 일관성과 순차 일관성과의 관계는 어떠한가?
• RQ4 공유 레지스터에 적용했을 때 원인 일관성이 원인 메모리와 동일한가? 그리고 이 모델은 어떻게 일반화되는가?
• RQ5 대기 없는 시스템에서 공존할 수 있는 일관성 기준은 무엇이며, 확장 가능한 원인 일관성 시스템 설계 시 기본적인 상충 관계는 무엇인가?

주요 결과

• 원인 일관성은 순차적 사양을 갖는 모든 추상 데이터 유형에 대해 원인 메모리를 일반화하며, 분산 시스템에서 일관성의 균일한 기반을 제공한다.
• 원인 수렴성은 약한 원인 일관성을 최종 일관성의 분지에 자연스럽게 통합한 것으로, 대기 없는 시스템에서의 조합 가능성을 가능하게 한다.
• 원인 일관성은 약한 원인 일관성과 피이프라인 일관성을 모두 포함하므로, 원인 인식 일관성의 통합 기준이 된다.
• 제안된 알고리즘은 가상 타임스탬프 기반 선형화 증명을 통해, 구현에 의해 허용되는 모든 히스토리가 원인 수렴성임을 보장한다.
• 약한 원인 일관성이 대기 없는 시스템에서 최종 일관성과 피이프라인 일관성과 함께 조합될 수 있는 최소 공통 기준임이 입증되었다.
• 논문은 원인 일관성과 원인 수렴성이 대기 없는 분산 시스템에서 최종 일관성과 함께 공존할 수 있는 가장 강력한 일관성 기준임을 입증하며, 분산 시스템 설계의 핵심 상충 관계를 해결한다.