分布式理论----CAP理论与Base理论

CAP 理论

　　【1】CAP 理论指出对于一个分布式计算系统来说，不可能同时满足以下三点：

　　　　1）一致性：在分布式环境中，一致性是指数据在多个副本之间是否能够保持一致的特性，等同于所有节点访问同一份最新的数据副本。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的状态。【指强一致性】

　　　　2）可用性：每次请求都能获取到正确的响应，每一个操作总是能在确定的时间内返回，但是不保证获取的数据为最新数据。

　　　　3）分区容错性：分布式系统在遇到任何网络分区故障的时候，仍然需要能够保证对外提供满足一致性和可用性的服务，除非是整个网络环境都发生了故障。

　　【2】一个分布式系统最多只能同时满足一致性（Consistency）、可用性（Availability）和分区容错性（Partition tolerance）这三项中的两项。

　　【3】在这三个基本需求中，最多只能同时满足其中的两项，P 是必须的，因此只能在 CP 和 AP 中选择，zookeeper 保证的是 CP，对比 spring cloud 系统中的注册中心 eureka实现的是 AP。【与其说是三项中选两项，本质上是在C与A之间进行二选一】

　　【4】分析高可用性与强一致性之间存在违背的地方：

　　　　1.先说说可用性：每次请求都能在限定的时间内获取到正确的响应。

　　　　2.再说强一致性：每次写入的时候，都会在leader（主节点）上先写入，然后同步给其他节点，在此阶段是不对外提供服务的。故而，follower（从节点）越多，其实不可控的时间也就越长。

　　　　3.所以说可用性在强一致性同步数据阶段得不到保障，这就是问题。

　　【5】故而市面上常说的CAP理论，其实是最终一致性，可用性，与分区容错性。如zookeeper ，说是CP架构：

　　　　1）Leader接收Client的写请求,广播给其他Follower节点,其他节点将消息加入待写队列,向Leader发送成功消息,过半的Follower同意后,Leader向所有节点发送提交消息,Follower会落实写请求。（并不满足全部节点都写入，只是保证大多数节点的写入。此时系统的各节点数据并不保证完全一致）

　　　　2）每一次写入的时候Leader（写入操作只能由Leader进行）都会有个ZXID，而从节点也会按照ZXID来进行顺序写入，从而最终达到与Leader的数据一致（顺序一致性）。

　　　　3）所以总结起来zookeeper保证的是线性写，顺序读。但是拿到的数据不保证一致。

BASE 理论

　　【1】BASE 是 Basically Available(基本可用)、Soft-state(软状态) 和 Eventually Consistent(最终一致性) 三个短语的缩写。

　　　　1）基本可用：在分布式系统出现故障，允许损失部分可用性（服务降级、页面降级）。

　　　　2）软状态：允许分布式系统出现中间状态。而且中间状态不影响系统的可用性。这里的中间状态是指不同的 data replication（数据备份节点）之间的数据更新可以出现延时的最终一致性。

　　　　3）最终一致性：data replications 经过一段时间达到一致性。

　　【2】BASE 理论是对 CAP 中的一致性和可用性进行一个权衡的结果，理论的核心思想就是：我们无法做到强一致，但每个应用都可以根据自身的业务特点，采用适当的方式来使系统达到最终一致性。

一致性的类型

强一致性:又称线性一致性(linearizability )
1.任意时刻，所有节点中的数据是一样的,
2.一个集群需要对外部提供强一致性，所以只要集群内部某一台服务器的数据发生了改变，那么就需要等待集群内其他服务器的数据同步完成后，才能正常的对外提供服务
3.保证了强一致性，务必会损耗可用性

弱一致性:
1.系统中的某个数据被更新后，后续对该数据的读取操作可能得到更新后的值，也可能是更改前的值。
2.即使过了不一致时间窗口，后续的读取也不一定能保证一致。

最终一致性:
1.弱一致性的特殊形式,不保证在任意时刻任意节点上的同一份数据都是相同的，但是随着时间的迁移，不同节点上的同一份数据总是在向趋同的方向变化
2.存储系统保证在没有新的更新的条件下，最终所有的访问都是最后更新的值

顺序一致性:
1.任何一次读都能读到某个数据的最近一次写的数据。
2.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。