分布式理论

CAP和BASE

CAP

• C一致性（Consistency）

在分布式环境下，一致性是指数据在多个副本之间能否保持一致性的特征。
在一致性的需求下，当一个系统在数据一致的状态下执行更新操作后，应该保证系统的数据仍然处于一致性的状态。

• A可用性（Availability）

可用性是指系统提供的服务必须一直处于可用的状态，对于用户的每一个操作请求总是能够在有限的时间内返回结果。
有限的时间：指尽可能短的时间内返回处理结果。
返回结果：指在有限的时间内返回正常的结果，不保证返回的是最新的结果。

• P分区容错性（Partition）

如果是分布式系统，那么就会存在多个节点，就会存在节点故障或网络故障，所以P是不可避免的。

CAP不能同时满足：
分布式系统中，如果要保证C一致性，那么就要执行节点数据同步，同步就存在网络请求故障、逻辑执行耗时等问题，此时就不能保证节点的可用性了。如果要保证A可用性，系统尽可能的快，此时就不能保证网络请求一定成功、逻辑是否执行完成，此时就不能保证节点的一致性了。所以，在分布式系统中，只能同时满足AP或者CP。

BASE

• BA（Basically Available）基本可用

牺牲高一致性，获得可用性和可靠性。
在分布式系统中出现不可预知故障时，允许损失部分可用性（注意，这里不等价于系统不可用）。
比如：
响应时间上的损失：系统故障时请求响应时间由原来的0.5s延长到1s，此时系统仍然可用。
系统功能上的缺失：在系统流量洪峰时为了保证核心功能稳定，将部分消费者引导到一个降级页面。

• S（Soft state）软状态

软状态指允许系统中的数据存在中间状态，并认为该中间状态不会影响系统的整体可用性，即允许系统各节点数据同步存在延时。

• E（Eventually consistent）最终一致性

系统各节点一定时间后数据最终达到一致状态。

BASE理论是对CAP中一致性和可用性权衡的结果，其来源于对大规模互联网系统分布式实践的总结，是基于CAP理论逐步演化而来的。
BASE理论和传统的事务ACID特性是相反的，它完全不同于ACID的强一致性模型，在实际的分布式场景中，不同业务和组件对数据一致性要求是不同的，因此在具体的分布式系统中BASE理论和ACID特性是结合一起使用的。

一致性分类

• 强一致性

又称线性一致性。
任何时刻，任何用户或节点都可以读到最近一次成功更新的副本数据，强一致性是程度要求最高的一致性要求。
一个集群要对外提供强一致性，某一个节点数据发生改变，要等到最新数据同步到其他所有节点后，才能对外提供服务。
保证强一致性，务必不能满足可用性。

• 弱一致性

一旦某个更新成功，用户无法在一个确定的时间内读到这次更新的值，且即使在某个副本上读到了新的值，也不能保证在其他副本上可以读到新的值。

• 最终一致性

一旦数据更新成功，各个副本上的数据最终达到完全一致的状态，但达到完全一致状态所需要的时间不能保证。

• 顺序一致性

任何一次读，都能读到某个数据的最近一次写的数据。
对其他节点之前的修改是可见（已同步）且确定的，并且新的写入建立在已经达成同步的基础上。