分布式基本原则之“三选二”的CAP理论

---

前言

在大数据应用落地日益成熟的今天，通过网络查阅理解大数据的一些基本概念显得十分重要。
提起大数据，就离不开它的分布式架构，而把握着分布式大门的几把钥匙中无比重要的那一把，就是我们今天要讲的CAP理论（本文主要参考了《大数据日知录：架构与算法》)。

---

一、什么是CAP定理？

准确来说，CAP 是对“ Consistency/Availability/Partition Tolerance" 的一种简称， 其分别代表：强一致性、可用性和分区容忍性。

强一致性(Consistency)： 即在分布式系统中的同一数据多副本情形下， 对千数据的更新操作体现出的效果与只有单份数据是一样的。

可用性(Availability)： 客户端在任何时刻对大规模数据系统的读／写操作都应该保证在限定延时内完成。

分区容忍性(Partition Tolerance)： 在大规模分布式数据系统中， 网络分区现象， 即分区间的机器无法进行网络通信的情况是必然会发生的， 所以系统应该能够在这种情况下仍然继续工作。

二、为什么“三选二”？

1.三选二的由来

CAP 最初是由Eric Brewer于1999 年首先提出的， 他同时证明了：对于一个大规模分布式数据系统来说， CAP 三要素不可兼得， 同一个系统至多只能实现其中的两个， 而必须放宽第3 个要素来保证其他两个要素被满足。

即要么AP, 要么CP, 抑或AC, 但是不存在CAP, 这就是CAP 原则的精髓所在。

2.定理证明

我们为了证明它的结论可以进行棋盘推演：

情形一： 如果在这个分布式系统中数据无副本， 那么系统必然满足强一致性条件， 因为只有独本数据不会出现数据不一致的可能。
此时C和P两要素具备 ， 但是如果系统发生了网络分区状况或者机器宕机 ， 必然导致某些数据不可访问 ， 此时可用性条件是不能被满足的， 即在此情形下获得了CP系统， 但CAP不可同时满足。

情形二： 如果系统中数据有副本（见下图） ， 假设变量x存在两份副本并分别存储在不同机器上 ， 最初数据保持一致， 其值都为v1。在Time=t1的时刻， 在机器l上发生对x的数值更新操作 ， 此操作要将x的值赋为v2。时间推移到Time=t2时刻 ， 机器l上的x已经被赋予新值v2, 如果此时未发生网络分区状况 ， 系统可以将x的新值v2同步到机器2, 达到数据一致性要求。但是如果此时发生了网络分区导致两台机器无法通信， 那么无法将x的新值同步到机器2，这个时刻我们不得不在 C或A之间做个权衡和选择。

如果希望系统高可用（选择A)， 那么对于读取机器2上的x的查询请求必须在限定时间内返回值 ， 此时返回的并非是最新的值v2, 所以出现了数据不一致的间题（抛弃 C)。 如果选择强一致性（选择 C) ， 那么在两台机器恢复通信并将数据同步到一致状态前， 对于机器2的x读请求必须予以拒绝， 此时无法保证系统的可用性（抛弃A)。所以不论选择哪一个，必然以牺牲另外一 个因素作为代价 ， 也就是说要么AP, 要么CP, 但是没有完美的CAP。

3.天然存在的“P”

为什么现在我们都说要么AP，要么CP，而不说AC呢？

其实，在一般的网络环境中，网络出现分区问题是在所难免的，所以我们的分布式系统必须具有分区容忍性，也就是P，所以架构师们往往只能在AP和CP之间进行权衡。

三、解决方案——走出“三选二”的误区

前面我们讲到P是天然存在的，所以我们要么选择A，要么选择C，但实际上，网络出问题的概率还是比较小的，我们不可能为此完全地放弃A或者C。

Eric Brewer提出CAP三者并非是绝对二元式地有或没有、 而是应该将其看作连续变量， 即可以看作在一定程度上的有或没有 ， 比如可用性指标中(A)延时长度多少算可用这都是可以看作连续变量的，类似地，C和P也可以如此对待， 在实际进行取舍时并非加以完全舍弃， 而是可以考虑在多大程度上进行舍弃。

在绝大多数 系统未产生网络分区的情形下， 应该尽可能保证AC两者兼得，也即大多数情况下考虑CAP三者兼得， 当发生网络分区时，系统应该能够识别这种状况并对其进行正确处理， 具体而言，应该分为3个步骤：

首先能够识别网络分区发生， 然后在网络分区场景下进入明确的分区模式 ， 此时可能会限制某些系统操作 ， 最后在网络分区解决后能够进行善后处理， 即恢复数据的一致性或者弥补分区模式中产生的错误。

---

写在最后

如果以上内容对你有帮助的话，欢迎点赞关注！祝大家都能学有所成。