CAP

CAP理论：一个分布式系统不可能同时满足一致性，可用性和分区容错性，最多只能同时满足其中的两项。

一致性(Consistency) (所有节点在同一时间具有相同的数据)

对于一个将数据副本分布在不同分布式节点上的系统来说，如果对第一个节点的数据进行了更新操作并且更新成功后，却没有在的第二个节点上的数据得到相应的更新，于是在第二个节点上的数据进行读取操作时，获取的依然是旧数据（脏数据），这就是典型的分布式数据不一致的情况。在分布式系统中，如果能够做到针对一个数据项的更新操作执行成功后，所有的用户都可以读取到更新后的值，那么这样的系统就被认为具有严格的一致性（强一致性）。

可用性(Availability) (保证每个请求不管成功或者失败都有响应)

可用性是指系统提供的服务必须一直处于可用的状态，对于用户的每一个操作请求总是能够在有限的时间内返回结果。
其中“有限的时间内”是指，对于用户的一个操作请求，系统必须能够在指定的时间内返回对应的处理结果，如果超出这个时间范围，系统则被认为是不可用的。
“返回结果”是可用性的一个重要指标，要求系统在完成对用户请求的处理后，返回一个正常的相应结果。正常的响应结果通常能够明确的反应出对请求的处理结果，即成功或失败。

分区容错性(Partition tolerance) (系统中任意信息的丢失或失败不会影响系统的继续运作)

分区容错性约束了一个分布式系统需要具有如下特性：分布式系统在遇到任何网络分区故障的时候，仍然需要能够保证对外提供满足一致性的可用性的服务，除非整个网络环境都发生故障。

CAP定理应用：

放弃CAP定理	说明
CA 放弃P	放弃p的同事也就意味着放弃了系统的可扩展性，即尽可能的将所有的数据（或者仅仅是那些与事务相关的数据）都存放在一个分布式节点上。 数据同步C需要时间，也要正常的时间内响应A，那么机器数量就要少，所以P就不满足
CP 放弃A	相对于放弃P，放弃可用性则正好相反，其做法是一旦系统遇到网络分区或其他故障，那么受到影响的服务需要等待一定的时间，因此在等待时间内，系统不可用。 数据同步C需要时间, 机器数量也多P，但是同步数据需要时间，所以不能再正常时间内响应，所以A就不满足
AP 放弃C	事实上，放弃一致性指的是放弃数据的强一致性，而保留数据的最终一致性。即虽然数据不能保证实时一致性，但能保证数据最终会达到一个一致的状态。 机器数量也多P，正常的时间内响应A)，那么数据就不能及时同步到其他节点，所以C不满足

事实上，放弃一致性指的是放弃数据的强一致性，而保留数据的最终一致性。即虽然数据不能保证实时一致性，但能保证数据最终会达到一个一致的状态。