三：CAP与Base理论

2019独角兽企业重金招聘Python工程师标准>>>

CAP:

  C：一致性：在分布式系统中是指多个副本之间能否保持一致性；

  A：可用性：系统提供的服务必须一直处于可用的状态,对于用户的每一个请求总是在有限的时间内返回结果；

  P：分区容错性：该特性约束了分布式系统需要具备以下特性：分布式系统遇到网络分区故障的时候，仍然需要能保证对外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故障。

 

CAP定理示意图

 

由此可见要想三方面都与考虑到，那是不可能，我们只能妥协，

放弃CAP	说明
放弃A	如果希望能够避免分区容错性，那么最简单的方法就是将所有的数据放到分布式的一个节点上，但是有一点就是放弃P就意味着放弃了系统扩展的可能性。
放弃C	相对于放弃“分区容错性”来说，放弃可用性正好相反，其做法就是一旦系统遇到网络分区或其他故障的时候，那么影响的服务就需要等待一段时间，因为等待期间系统无法对外提供服务，即不可用。
放弃P	这里说的放弃一致性，并不是完全不需要数据一致性，如果是那样的话，系数据就没有什么意义，系统也就没有什么意义。     事实上，此处所说的放弃一致性是指放弃强一致性，保存了数据最终一致性，这样的系统无法保证数据实时一直，但是承诺的是，数据最终会达到一个一致的状态。具体多久能达到一致性，取决于系统的设计，主要就是不同副本之间数据的复制时间长短

 

由此可以看出，我们不可能丢弃A和C，只能在P上面做文章，

Base定理：

     Basically Available：基本可用，分布式系统出现不可预知的错误的时候，允许损失部分可用性，但是绝对不等于系统不可用；

     Soft State：软状态：和强状态对应，是指允许系统中的数据存在中间状态，并且认为该中间状态不会影响系统的可用性，即允许系统不同节点之间的数据副本复制存在延时；

     Eventually consistent：最终一致性  ，最终一致性强调的是系统中所有的数据副本，在经过一段时间的同步过后，最终能达到一个一致性的状态。因此最终一致性的本质就是需要系统保证数据最终能达到一致，但是不需要实时保持数据一致的情况。

 

综上我们会发现基本都是在分区一致性上做文章，待续...

 

 

 

 

 

 

 

 

 

转载于:https://my.oschina.net/u/1034481/blog/824355