ZooKeeper学习——CAP与BASE理论详解

CAP与BASE理论

在学习大数据之前，首先要理解的两个理念——集群、分布式。

集群

        简单的说，集群就是一件事让一群人去做，即一个任务部署在多个服务器，每个服务器都能独立完成该任务。举个鲜明的例子，饭店后厨有三个厨师，他们都能洗菜、切菜、炒菜，每个人都能独立完成整个流程。

分布式

        分布式就是一群人协作干一件事，每人都有自己的分工。即一个任务拆分成若干个子任务，由若干服务器分别完成这些子任务，每个服务器只能完成某个特定的子任务。例如：后厨有三个人分别负责洗菜、切菜、炒菜，分工明确。这就是分布式。

        集群强调在多台服务器位置集中，并且容易统一管理，而分布式没有具体要求，不论放在哪个位置，只要通过网络连接起来就行。集群是通过调高单位时间内执行的任务数来提升效率，而分布式是以缩短单个任务的执行时间来提升销量。

CAP原则

        CAP原则，指的是在一个分布式系统中，Consistency（一致性），Availability（可用性），Partition tolerance（分区容错性）三者只能取其二，不可兼得。

一致性，系统在执行某一操作之后，各节点之间仍然保持数据状态一致。更新操作执行成功后所所有的用户都应该读到最新的值，这样的系统被认为是具有强一致性的。

可用性，每一个操作总是能在一定的时间之内返回结果。一定的时间指的是在可以容忍的时间范围内返回结果。结果是可以成功可以失败但是一定要有返回的结果。

分区容错性，分布式集群在遇到任何网络分区故障时，仍然能够对完提供满足一致性和可用性的服务，除非整个网络环境都发生了故障。这里可以理解为是否可以对数据进行分区，这是考虑到性能和可伸缩性。

取舍策略：

• CA without P：如果不要求 P（不允许分区），则 C（强一致性）和 A（可用性）是可以保证的。但放弃 P 的同时也就意味着放弃了系统 的扩展性，也就是分布式节点受限，没办法部署子节点，这是违背分布式系统设计的初衷的。
• CP without A：如果不要求 A（可用），相当于每个请求都需要在服务器之间保持强一致，而 P（分区）会导致同步时间无限延长（也就 是等待数据同步完才能正常访问服务），一旦发生网络故障或者消息丢失等情况，就要牺牲用户的体验，等待所有数据全部一致了之后 再让用户访问系统。设计成 CP 的系统其实不少，最典型的就是分布式数据库。对于分布式数据库来说，数据的一致性是最基本的要 求，因为如果连这个标准都达不到，那么直接采用关系型数据库就好，没必要再浪费资源来部署分布式数据库。
• AP without C：要高可用并允许分区，则需放弃一致性。一旦产生分区，节点之间可能会失去联系，为了高可用，每个节点只能用本地 数据提供服务，而这样会导致全局数据的不一致性。典型的应用就如某米的抢购手机场景，可能前几秒你浏览商品的时候页面提示是有 库存的，当你选择完商品准备下单的时候，系统提示你下单失败，商品已售完。这其实就是先在 A（可用性）方面保证系统可以正常的 服务，然后在数据的一致性方面做了些牺牲，虽然多少会影响一些用户体验，但也不至于造成用户购物流程的严重阻塞。

BASE理论

Base（基本服务可用） 当系统发生故障或者流量激增时，牺牲部分服务保证基本服务可用。

Soft（软状态） 当系统发生故障或者流量激增时，牺牲部分保基本。必须集群大于二分之一服务器写入。（少数服从多数）

Eventual consistency（最终一致性） 系统不能一直处于软状态，当获取到脏数据，触发后续逻辑时，再进一步同步。定时触发同步，比如系统闲事进行数据同步。

        总的来说，BASE 理论面向的是大型高可用可扩展的分布式系统，和传统事务的 ACID 是相反的，它完全不同于 ACID 的强一致性模型，而 是通过牺牲强一致性来获得可用性，并允许数据在一段时间是不一致的。