分布式系统的一致性理论(CAP和BASE)

在我的博客阅读本文

一致性模型

强一致性

当更新操作完成之后，任何多个后续进程或者线程的访问都会返回最新的更新过的值，直到这个数据被其他数据更新为止。

但是这种实现对性能影响较大，因为这意味着，只要上次的操作没有处理完，就不能让用户读取数据。

弱一致性

系统并不保证进程或者线程的访问都会返回最新更新过的值。系统在数据写入成功之后，不承诺立即可以读到最新写入的值，也不会具体的承诺多久之后可以读到。但会尽可能保证在某个时间级别（比如秒级别）之后，可以让数据达到一致性状态。

最终一致性

最终一致性也是弱一致性的一种，它无法保证数据更新后，所有后续的访问都能看到最新数值，而是需要一个时间，在这个时间之后可以保证这一点，而在这个时间内，数据也许是不一致的，这个系统无法保证强一致性的时间片段被称为「不一致窗口」。不一致窗口的时间长短取决于很多因素，比如备份数据的个数、网络传输延迟速度、系统负载等。

CAP定理(强一致性)

• 一致性(Consistence)：所有节点在同一时间的看到的数据相同。
• 可用性(Availability)：client任何时刻的读写操作永远都能在限定的时间内完成，即服务一直可用。
• 分区容错性(Partition tolerance)：即使系统的某个分区遇到严重的故障，系统能继续提供服务。

BASE定理(弱一致性)

BASE是指

• 基本可用(Basically Available): 出现故障的时候，允许损失部分可用性，即，保证核心可用。

  如，电商大促时，为了应对访问量激增，部分用户可能会被引导到降级页面，服务层也可能只提供降级服务

• 软状态(Soft State): 本质上是一种弱一致性，允许的软状态不能违背“基本可用”的要求。

  如，分布式存储中一般一份数据至少会有三个副本,允许不同节点间副本同步的延时（某些时刻副本数低于3）.允许系统存在中间状态，而该中间状态不会影响系统整体可用性.

• 最终一致性(Eventual Consistency)。系统中的所有数据副本经过一定时间后，最终能够达到一致的状态。软状态的终极目标是最终一致性。

  如，分布式存储的副本数最终会达到稳定状态。

Reference

• 分布式系统的一致性协议之 2PC 和 3PC
• 分布式理论