CAP简介

参考《大数据日知录》

概念

CAP：Consistency(一致性)、Availability(可用性)、Partition tolerance(分区容忍性)
CAP最初是由Eric Brewer提出，他证明了，在分布式数据系统中，CAP三要素不可能兼得，同时只能满足其中的两种。

单条解析

Consistency(一致性)

在分布式系统中，同一数据多副本的情况下，对于数据的操作能保证不会出现多份不同数据的情况。即多备份的场景与单份数据没有备份的场景，对数据的操作效果应当一样。

注意，一致性不仅仅是代表备份的数据需要与源数据保持一致。而是整个系统中要保证操作的是同一份数据。
举个例子，在主机向从机备份数据的时候，有用户直接向从机去拉取数据，如果此时从机在没有备份完主机数据的时候就返还数据，那么用户拿到的其实并不是最新的数据，这就没有保证一致性。
如果这是支付等一致性要求较高的场景，显然是不允许的。
但是如果这是小游戏、日志记录等一致性要求较低的场景，完全是可以牺牲一致性来换取可用性的。

Availability(可用性)

用户在分布式系统中的每个操作应当收到一个非错误的回应，简单来说要保证系统是一直能正常使用的。

就以支付为例，在一些异常情况下，是会有“支付失败”的问题的，这就是没有保证可用性，但是对于支付这种场景，牺牲可用性保证一致性是必须的。

Partition tolerance(分区容忍性)

分布式系统中任何机器都是可能断网或者宕机的，在这种情况下系统应该仍要能继续工作。

三者场景

CP(一致性+分区容忍性)

牺牲可用性，保证一致性，主要对于一些对一致性要求较高的场景。
比如支付，抢红包、用户数据记录等场景，

AP(可用性+分区容忍性)

牺牲一致性保证可用性，主要能提高用户体验，提高性能等。
比如日志记录，数据投递、存储系统配置等场景。

CA(一致性+可用性)

如果不保证分区容忍性，那么只要产生断网宕机等意外情况，系统就会无法工作，这会极大影响用户体验，目前应该很少有场景会完全不考虑P。