CAP理论与BASE理论

CAP理论

    CAP理论在分布式系统中，Consistency(一致性)、Availability(可用性)、Partition tolerance(分区容错)，只能满足其中两项。

红色部分观点只是个人为了便于理解CAP所作出的一些说法，例如：强可用性、强分区容错。

注意：
Consistency(一致性):
　　这里的一致性是强一致性，表示在任意时刻，什么时候读到的数据都和最后一次写的值相等。
　　
Availability(可用性):
　　同样这里的可用性也是强可用性，表示在任何时候，分布式系统中提供服务的节点都能在一定的时间内做出响应，超出了这个时间就认为不满足强可用性。
　　
Partition tolerance(分区容错)：
　　与上两者一样，这里的分区容错也是强分区容错，表示在分布式系统中无论我们的部署的服务节点在什么子网中，都要能够保证节点之间能够正常通信。
　　例如：A节点在中国，B节点在国外，A节点向B节点发送数据，由于中国有墙，A节点和B节点不能正常通信，我们就认为不满足P。
　　
总结一下：
　　C表示数据的状态。
　　A表示数据在传输过程中消耗的时间，可以认为表示时间。
　　P表示数据在空间上传输是否能够正常，可以认为是空间。
　　
由于分布式系统的特点，包括我们客户端和服务端要满足正常通信，所以认为P是必须要成立的。

　　其实我认为，并不能够在真正的意义上达到CAP。就像P所描述的一样，网络传输目前来说必须要有介质才能通信，如果中间的介质都无效了，就达不到P。
　　所以我觉得没有真正意义上的完全CAP，就像是永动机一样。但一般我们还是会说相对满足CP，AP或者说CA。

那我们如何选择CP，AP呢？或者说难道满足CP就不去满足A，满足AP就不去满足C了吗？

答案：BASE理论。

BASE理论

     BASE理论是前辈们对大规模分布式系统的实践总结，用于权衡CAP。

BASE理论分为三部分

基本可用（Basically Available）

     基本可用是指在分布式系统发生故障的时候，系统不能够在规定的时间内做出应答，但是他能够给出应答，只是不能够在规定的时间内满足，我们允许它损失部分可用性来保证它的可用性。
　
　打个比方说：你房间里有五个灯，而隔壁房间的五个灯都坏了，你把你房间的一部分灯换到隔壁房间，隔壁房间就不至于黑不溜秋的，虽然比起之前五个灯要暗一些，但最起码能够看到。

像现在电商平台为了应对访问量激增的情况，都会对部分用户做降级页面引导。

软状态（Soft state）

     软状态是指在允许系统在运行的过程可以出现中间状态，但是该状态不会影响系统整体的可用性。
例如：
　我需要去舞台上演出，但是我在演出之前由于一些原因，我的服装弄脏了，没有办法演出了，而我去借了一套服装，顺利的完成了演出。
　
例子中服装虽然出现了一些问题，但是演出还是顺利进行了，中间服装的状态没有影响到演出的顺利进行。

最终一致性（Eventual Consistency）

     最终一致性可以理解成数据在经历不同节点的处理后，最后的结果保持一致。

例如：
　与分布式事务中事务的最终一致性一样，假设有两个事务A和B，事务A的执行结果是true，事务B的执行结果是false，但经过事务协调者的协调后，最终两个事务的执行结果都认为是false。

总结：
　CAP的选择还是取决于项目对那一个点的需求比较高，在结合CAP和BASE这些概念来进行选择到底是选择AP还是CP。

以上描述仅仅是个人理解，不喜勿喷，谢谢。