分布式理论

一、一致性

基于集群角度来考虑，如果集群中同步慢，会有多种情况

1、强一致性：集群中的两个节点数据必须一致

例如：从A节点新增一条数据后，我从B节点必须能够读到此数据，才算满足强一致性。通常使用分布式锁达到强一致性。代表算法为：paxos算法

2、弱一致性：集群中的两个节点数据可以不一致

相当于不需要一致性。

3、最终一致性：

通常遇到的都是最终一致性。

例如：从A节点新增一条数据后，我从B节点暂时没有读取到，稍后我读取到了，这就算满足了最终一致性。

包括mysql中的主从同步。

二、CAP理论

在设计和部署分布式系统时，存在三个明显的需求:

1. C(Consistency)一致性。即分布式数据应该同步，保存一致。
2. A(Availability)可用性。指系统能够很好的为用户提供服务，主要体现在用户访问之后能很
3. 快的得到响应。
4. P(Oartition Tolerance)分区容错性。若在系统运行过程中，有部分主机宕机，依然不会影响整个系统的运行。

CAP理论认为在一个系统中对某个数据不存在一个算法同时满足一致性，可用性，分区容错性。往往需要牺牲某一项来满足其他两项。

• 满足CA的例子：MySQL
• 满足CP的例子：Zookeeper（先同步数据，成功后再返回客户端响应）
• 满足AP的例子：Eureka、redis（先返回客户端响应，再同步数据）

由于CAP定理限制了我们三者无法同时满足，这种情况，我们会选择尽量靠近CAP定理，即尽量让C、A、P都满足，在此大势所趋下，出现了BASE定理。

三、BASE理论

1. Basically， Available（基本可用），支持分区失败。也就是说，在一定程度上牺牲了可扩展性。例如：响应时间变慢，限流，降级等
2. Soft State（软状态），状态可以有一段时间不同步，异步同步。（允许系统中的数据存在中间状态,并认为该状态不影响系统的整体可用性）
3. Eventually Consistent（最终一致）。保证数据在最终是一致的，而无需保证实时数据一致。通常用mq来实现

BASE理论的核心思想：即使无法做到强一致性，但每个应用都可以根据自身业务特点，采用适当的放松来使系统达到最终一致性