CAP 理论、BASE 理论、FLP 理论_flp理论

CAP 理论、BASE 理论、FLP 理论

CAP 理论、BASE 理论、FLP 理论

1.CAP 理论

C(Consistency) 一致性:

在写操作之后的所有读操作，必须要返回写入的值。

A(Availability) 可用性：

只要收到用户的请求，服务端就必须给出回应。

P(Partition tolerance) 分区容错性：

一个分布式系统里面，节点组成的网络本来应该是连通的。然而可能因为一些故障，使得有些节点之间不连通了，整个网络就分成了几块区域。数据就散步在了这些不连通的区域中。这就叫分区；当你一个数据项只在一个节点中保存，那么分区出现后，和这个节点不连通的部分就访问不到这个数据了。这个时候分区就是无法容错的。

---

notes：数据存在的节点越多，分区容错性越高，但要复制更新的数据就越多，一致性就越难保证。为了保证一致性，更新所有节点数据所需要的时间就越长，可用性就会降低。

2.BASE 理论

BASE(Basically Availabl, Softstate, Eventually consistent)：

CAP 理论的延申，核心思想是即使无法达到强一致性，但也可以采用适合的方式牺牲一定的一致性，从而达到最终一致性，以及换取一定的可用性。

---

Basically Available： 基本可用。是指分布式系统在出现故障的时候，允许损失部分可用性，即保证核心可用。

Softstate： 软状态。是指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，即允许系统在多个不同节点的数据副本存在数据延时。

Eventual Consistency：
最终一致性。是指分布式系统处于软状态的时间必须是有限的，在期限过后，应当保证所有副本保持数据一致性，从而达到数据的最终一致性。这个时间期限取决于网络延时、系统负载、数据复制方案设计等因素。

最终一致性在实际工程实践中，分为5种：

1.因果一致性（Causal consistency）：

如果节点A在更新完某个数据之后通知了节点 B，那么节点B之后对该数据的访问和修改都是基于A更新后的值。与此同时，和节点A无因果关系的节点C的数据访问则没有这样的限制。

2.读己之所写（Read Your writes）

节点A更新一个数据后，它自己总是能访问到自身更新过的最新值，而不会看到旧值。属于因果一致性的一种特殊情况。

3.会话一致性（Session consistency）

会话一致性将对系统数据的访问过程框定在了一个会话当中：系统能保证在同一个 有效 的会话中实现“读己之所写”的一致性，也就是说，执行更新操作之后，客户端能够在同一个会话种 始终读取到该数据项的最新值。（PS:其实这很像关系型数据库中的可重复读事务隔离级别。）

4.单调读一致性（Monotonic read consistency）

如果一个节点从系统中读取出一个数据项的某个值之后，那么系统对于该节点后续的任何数据访问都不应返回更旧的值。

5.单调写一致性（Monotonic write consistency）

一个系统要能够保证来自同一个节点的写操作被顺序的执行（与禁止指令重排序有点像）。

在实际的项目中，这五种方案往往会结合使用，用以构建分布式系统的最终一致性。

---

ACID 和 BASE的区别和联系：

ACID 是传统数据库常用的设计理念，追求强一致性模型；

BASE 是大型分布式系统，用最终一致性代替强一致性，来获取一定的可用性的新模型。

3.FLP理论

FLP理论（FLP Imposibility）：
在异步通信的场景中，因为各个节点之间的延时，是否宕机等不确定因素的存在，所以不存在任何算法能达到强一致性。简而言之在实际的分布式系统中，一致性算法的可靠性是无法保证的，即不存在一个能在异步网络上能够容忍各种故障并保持一致的分布式系统。