3、BASE理论1_Basically

数据复制为分布式系统带来了高可用、高性能但也同时带来了分布式一致性挑战在对一个副本数据进行更新时必须确保也更新其他副本否则不同副本的数据将不一致。

如何解决这个问题

如何既保证数据的一致性又不影响系统运行的性能是每一个分布式系统都需要重点考虑和权衡的问题。

如何实现一种既能保证ACID特性又能保证高性能的分布式事务处理系统是一个世界性难题。

2、CAP定理

Consistency一致性Availability可用性Partition

tolerance

CAP定理是分布式系统的指导理论它指出一个分布式系统不可能同时满足

一致性(C:

time即更新操作成功并返回客户端后所有节点在同一时间的数据完全一致这就是分布式的一致性。

一致性的问题在并发系统中不可避免对于客户端来说一致性指的是并发访问时更新过的数据如何获取的问题。

从服务端来看则是更新如何复制分布到整个系统以保证数据最终一致。

Availability

好的可用性主要是指系统能够很好的为用户服务不出现用户操作失败或者访问超时等用户体验不好的情况。

3_分区容错性

system即分布式系统在遇到某节点或网络分区故障的时候仍然能够对外提供满足一致性和可用性的服务。

分区容错性要求能够使应用虽然是一个分布式系统而看上去却好像是在一个可以运转正常的整体。

比如现在的分布式系统中有某一个或者几个机器宕掉或失联了其他剩下的机器还能够正常运转满足系统需求对于用户而言并没有什么体验上的影响。

因为分布式系统无法同时满足一致性、可用性、分区容错性这3个基本需求所以我们在设计分布式系统时就必须有所取舍。

对于分布式系统而言分区容错性是最基本的要求因为既然是一个分布式系统那么分布式系统中的组件必然会被部署到不同的节点否则也就无所谓分布式系统了因此必然会出现子网络。

而对于分布式系统而言网络又必定会出现异常情况因此分区容错性就成为了分布式系统必然需要面对和解决的问题。

4_总结

在分布式系统中系统间的网络不能100%保证健康一定会有故障的时候而服务有必须对外保证服务。

因此Partition

Tolerance

如果此时要保证一致性就必须等待网络恢复完成数据同步后整个集群才对外提供服务服务处于阻塞状态不可用。

node01、node02

此组合为数据强一致性模式即要求在多服务之间数据一定要一致弱化了可用性。

一些对数据要求比较高的场景(比如金融业务等)使用此模式这种模式性能偏低。

常用方案有

互联网分布式服务多数基于AP这种模式性能高可以满足高并发的业务需求。

without

如果不要求P(不允许分区)则C(强一致性和A(可用性是可以保证的。

但放弃P的同时也就意味着放弃了系统的扩展性也就是分布式节点受限没办法部署子节点这是违背分布式系统设计的初衷的。

C(一致性)

BASE理论是对CAP中的一致性及可用性进行权衡的结果其核心思想是无法做到强一致性那么可以通过牺牲强一致性来获得可用性。

1_Basically

的一个妥协即在分布式系统出现不可预知故障时允许损失部分可用性。

比如在秒杀场景和雪崩的业务场景下进行降级处理使核心功能可用而不是所有的功能可用。

2_Soft

指的是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上存在数据延时。

3_Eventually

在时间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。

不只是分布式系统使用最终一致性关系型数据库在某个功能上也使用最终一致性。

比如在备份时数据库的复制过程是需要时间的在这个复制过程中业务读取的值就是“旧”的。

4_总结

理论提出通过牺牲强一致性来获得可用性并允许在一定时间内的不一致但是最终达到一致。

在实际的分布式场景中不同业务对数据的一致性要求不一样。

因此在设计时往往结合使用

ACID