一文理解CAP理论和BASE理论

👏作者简介：大家好，我是笙一X，java大二练习生，喜欢算法和Java相关知识。

📕正进行的系列：算法 、JUC从入门到成神、Spring、运维、分布式

CAP

        对于分布式系统，我们需要了解到其CAP理论： Consistency（一致性）、Availability（可用性）、Partition Tolerance（分区容错性）。

---

一致性（Consistency）：分布式系统中的任意节点，数据必须一致。

可用性（Availability）：访问分布式节点时，读和写功能必须都能成功，服务可用并且响应时间正常。

分区容错性（Partition Tolerance）：当节点出现分区问题（因为网络故障或者其它原因使得部分节点和其它节点失去连接）时，仍然能够对外提供服务。

---

        而对于这三个特性，CAP指出，三者只能满足其二，不能同时满足所有。

如何解释？

对于CA：如果此时需要让系统可用（可读可写），并且保证数据需要一致，那么节点间的通信必须存在，不可出现分区状态。

对于CP：对于分区容错的情况下，要使得数据一致，便不可以对数据进行操作。

对于AP：如果此时我们拥有可用性和分区容错性，在分区下读写，那么节点之间便不能进行数据同步，使得数据不一致。

BASE

        BASE理论是对CAP问题的一种解决思路，它不能强一致让CAP完全同时实现，但可以通过三个思想解决一些问题：

---

基本可用（Basically Available）：在分布式系统中如果出现故障，可以损失部分可用性，只需保证核心可用。

软状态（Soft State）：在一定的时间内允许出现中间状态，如暂时的数据不一致。

最终一致性（Eventually Consistent）：软状态结束后，最终数据一致即可。

---

        简单解释就是对于分区状态下的CA矛盾的解决：要保证一致性需要牺牲可用性，但是不用完全牺牲，如只读。保证高可用也不用完全牺牲一致性，可以临时出现不一致状态，最后让数据恢复到一致状态即可。

场景

在我们面对分布式事务问题时，借鉴CAP理论和BASE理论进行解决：

1.CP模式：各个子事务执行完成后互相等待，同时提交或回滚的强一致。但是因为一致占用着资源，此时可用性属于弱状态。-------参考Seata的XA模型

2.AP模式：各个子事务可以独立提交或回滚，可能导致结果不一致。但是可以在结束后弥补，进行数据的恢复，实现最终一致。-------参考Seata的AT模型