常见数据多副本一致性方案

在分布式系统中，选择采用多副本方案，就要面对数据一致性问题；数据一致性主要是指在多副本的情况下，如何保证各个副本间数据的一致性。数据的一致性是一个很难解决的问题，受CAP【C:一致性，A:可用性:，P:分区容忍性】原则的限制，同时只能满足其中两项指标。对于一致性我们需要根据不同的业务场景进行选择。

以数据为中心的一致性模型
1.严格一致性（strict consistency）：对于数据项x的任何读操作将返回最近一次对x进行写操作的结果所对应的值。严格一致性是限制性最强的模型，但是在分布式系统中实现这种模型代价太大，所以在实际系统中运用有限。
2.顺序一致性：任何执行结果都是相同的，就好像所有进程对数据存储的读、写操作是按某种序列顺序执行的，并且每个进程的操作按照程序所制定的顺序出现在这个序列中。也就是说，任何读、写操作的交叉都是可接受的，但是所有进程都看到相同的操作交叉。顺序一致性由Lamport（1979）在解决多处理器系统的共享存储器时首次提出的。
3.因果一致性：所有进程必须以相同的顺序看到具有潜在因果关系的写操作。不同机器上的进程可以以不同的顺序看到并发的写操作（Hutto和Ahamad 1990）。
假设P1和P2是有因果关系的两个进程，例如P2的写操作信赖于P1的写操作，那么P1和P2对x的修改顺序，在P3和P4看来一定是一样的。但如果P1和P2没有关系，那么P1和P2对x的修改顺序，在P3和P4看来可以是不一样的。

以客户为中心的一致性模型
1.最终一致性：最终一致性指的是在一段时间内没有数据更新操作的话，那么所有的副本将逐渐成为一致的。例如OpenStack Swift就是采用这种模型。以一次写多次读的情况下，这种模型可以工作得比较好。
2.单调读：如果一个进程读取数据项x的值，那么该进程对x执行的任何后续读操作将总是得到第一次读取的那个值或更新的值
3.单调写:一个进程对数据x执行的写操作必须在该进程对x执行任何后续写操作之前完成。
4.写后读:一个进程对数据x执行一次写操作的结果总是会被该进程对x执行的后续读操作看见。
5.读后写:同一个进程对数据项x执行的读操作之后的写操作，保证发生在与x读取值相同或比之更新的值上。

多副本情况下的读写一致性：

• 一主多从：只读副本保证强一致性
• 对等副本：W+R>N保证绘画一致性
• 提高可靠性: 增加副本数、提高副本修复速度

在实现数据一致性的方案中主要有以下几种：

采用链式请求，只有所有的副本都保存成功，才能返回成功；
优点：能够保证数据的强一致性
缺点：性能较差，整个更新过程依赖于所有节点的成功

采用多扇出的方式，主节点保存成功，然后同时向多个副本发送数据；
优点：性能较好，时间取决于主节点的保存时间和副本中最长的保存时间
确定：严重依赖主节点，高扇出，数据量大时对网络有压力
所以可以采用下图的方案，采用数据库采用的方式，先写日志再执行同步操作

由client负责向各个服务并行发送数据;
优点：速度最快，受限于最慢节点；可以采用变通的方案（如果节点中超过一定的阀值的数量已经成功，就认为成功）
缺点：client端扇出很大，如果数据量不是很大，这确实是不错的方案

实际使用过程中每种方案都是可以变通的，根据实际业务场景以及对数据一致性的要求来确定自己的方案。
在分布式系统的设计和开发中，工程师们有一个通病，起码大多数人都会犯的错，就是过度设计；在数据一致性方案中，不同的需求对方案的影响很大，过度设计和开发会造成资源的浪费。