分布式框架有哪些
分布式框架可以按照几个大的维度来区分：1、有状态、无状态；2、重存储还是重计算；3、long service还是批处理。一些常见的分布式系统大类：支持持久化存储的分布式存储系统；着重计算的分布式/并行计算框架；分布式消息队列。同时也可以根据不同的应用的领域，把上述分类细化。
有几个大的维度来区分：
1、有状态、无状态
2、重存储还是重计算
3、long service还是批处理。
一些常见的分布式系统大类：
支持持久化存储的分布式存储系统
着重计算的分布式/并行计算框架
分布式消息队列
根据不同的应用的领域，把上述分类细化，常见分布式存储系统分为：
1、分布式协同系统（分布式日志复制）
2、分布式任务调度框架
3、流计算框架
4、分布式文件/对象系统
5、分布式NoSQL存储
6、分布式关系数据库（OLAP、OLTP）；
7、各种消息队列mq
8、分布式机器学习/深度学习训练框架
分布式协调系统（日志复制系统）其实就是paxos算法及其变体的实现，典型的有zookeeper、etcd；一般来说只存少量的元数据信息，重点在高可用强一致，不提供高的through put，是分布式系统不可或缺的组件；
面向非结构化数据的分布式文件/对象系统比较有名的包括Lustre（HPC）GlusterFS（NAS NFS）、HDFS（hadoop）、ceph（虚机块存储）、swift（restful对象存储），各有不同的适用领域。
结构化数据的NoSQL分布式存储，种类和数量最多，按照Martin Fowler的分类，包括Aggregated Oriented NoSQL和图数据库NoSql；Aggregated Oriented NoSQL大致分为3类：
1、Key-value NoSQL，例如Redis Riak等；
2、column family NoSQL(wide column store)，典型的是Hbase Cassandra
3、document NoSQL,典型的是MongoDB
开源的图数据库有Neo4j;
很多OLAP分析型数据库是分布式的，例如GreenPlum, CitusDB(都是基于pgSQL)；还有一些基于proxy实现关系数据库集群（很多互联网公司都有类似mysql fabric的产品），当然这些并非真正意义上的分布式数据库，可以认为是个sql的分库分表中间件；
还有一类兼容单机数据库，支持强事务的OLTP分布式数据库，统称NewSQL；NewSQL有不同的类别，比如stone braker搞的voltdb，有类似google的Spanner/F1的tidb/cockroachDB，具体对比可以看下CMU Pavlo的newSQL综述文章。
开源的消息队列也非常多，应用广泛程度不亚于nosql存储。有些对事物支持比较好的消息队列，例如rabbitmq active mq等；还有很多的kafka，主要做日志处理。消息队列的核心关注点就是一个消息at least once， at most once， only once。
分布式计算 广义的分布式计算的外延很大，可以参考Distributed Computing Paradigms（包含了rpc p2p mpi等分布式通信模型）。AI/Big data兴起后，分布式并行计算的框架开始流行，比如：
1、hadoop/spark等以MapReduce为范式的批处理引擎
2、flink，storm等流计算/CEP引擎
3、tensorflow mxnet等ParameterServer范式的DeepLearning 训练框架
4、分布式图计算引擎比如pregel等
5、面向大数据集的传统ML的分布式训练框架，xgboost/lightGBM/gensim/Angel
一些insight
分布式存储系统有一个常见的CAP理论，从CAP的角度，则可以划分为CP和AP系统。Dynamo可以配置为偏向CAP里面的AP系统，提升Availability，适当牺牲consistence，只要做到eventual consistence即可满足，允许短暂时间的数据失真，但是该系统必须是随时允许用户提交写请求，例如Dynamo应用于amozon的购物车服务。CAP在学术界已经算相对传统的理论，最新研究的热点理论是FIT不可能三角：Fairness，Isolation和Throughput，三者只能满足两条牺牲一条（http://cs-www.cs.yale.edu/homes/dna/papers/fit.pdf）。voltdb属于牺牲fairness，spanner则是牺牲吞吐量。大部分NoSQL存储均属于牺牲隔离性满足公平和性能，而一个严格的分布式OLTP系统，则需要满足隔离性。
NoSQL还有一个常见的说法叫BASE（basically available soft state and eventually consistence），总结了NoSQL存储的一些特点：不保证绝对高可用，极端情况下允许返回失败；集群内部存储数据的状态也会存在变化（例如过期老化，副本修复等）；最终一致性可定要满足；
分布式并行计算领域也是一个非常热门的话题，比较前沿的工作，例如，Berkeley Rise lab做的面向强化学习的Ray；国内老师木在做的企业级大数据集的深度学习框架，支持模型并行/数据并行的自动调度和资源分配；petuum 的SSP方式ML并行训练；还有比如AutoML/神经网络搜索，由于计算量很大，一般也需要实现分布式计算。整体上可以从两个维度来考虑，一个是并行加速的模型，一个是节点间数据同步的模式。按照并行加速模式，可以分为数据并行、模型并行两种。数据并行比较流行，一般的tf、mxnet、pytorch都支持；模型并行相对少些，不过最新的一些大模型，特别是图相关的模型，已经很难在单个节点计算。同步模式上看，有BSP，半同步、异步多种方式。从内部节点的通信模式上，则有参数服务器/all reduce 等多种通信方式。
