分布式基础-CAP理论
对于刚进入分布式领域的你来说，常会怀有一系列错误的假设。
基本上每个人都会预设下面的8条假定：
- 网络是稳定的
- 网络传输的延迟是零
- 网络的带宽是无穷大
- 网络是安全的
- 网络的拓扑不会改变
- 只有一个系统管理员
- 传输数据的成本是零
- 整个网络是同构的
而有了这些错误假定，就是系统设计悲剧的开始。
相应地，为了设计好一个分布式系统，你应该牢记以下的前提：
- 网络不总是稳定的
- 网络传输的延迟不可能为零
- 网络的带宽是有限的，要充分利用
- 网络的默认设置是非安全的
- 网络的拓扑会改变
- 会有多个系统管理员
- 传输数据的成本是需要考虑的
- 整个网络是非同构的
为啥要有CAP
有了以上的8条前提，可以想象设计一个好的分布式系统是非常困难的。
当你遇到巨大难题的时候，如果有人提纲挈领的给一个指导，那么想必你的工作会顺利不少。
那么在业界，存不存在这样的理论指导呢？
当然是有的，这要感谢Eric Brewer教授，他在2000年7月，提出了著名的CAP猜想：
在一个不稳定（消息要么乱序要么丢了）的网络环境里（分布式异步模型），能否始终保持数据一致
2年后，Seth Gilbert和Nancy Lynch从理论上证明了CAP理论，原始论文请点击查看。
CAP理论告诉你，不要幻想了，在分布式环境中，不能既要...又要...还要，做系统要有所取舍。
什么是CAP
CAP分别表示：
- 一致性（Consistency）：也就是一个副本修改数据时，其他副本也要更新；一般用到的方式是：等其他副本也写入完成，才算真正写入成功
- 可用性（Available）：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在有限时间内返回结果
- 分区容错（Partition Tolerance）：是指分布式系统在遇到任何网络分区故障的时候，仍然需要能保证对外提供满足一致性和可用性的服务，除非是整个网络环境都发生了故障
用图片表示是这样的：
这里就不给出CAP理论的证明了，我们主要来讨论CAP理论的应用
为何选择CA：放弃分区容错性，加强一致性和可用性
选择CA的系统，就是要放弃分区容错，那么简单理解，可以说你放弃了系统是分布式的，而追求一个单体架构。
最容易想到的就是单节点的关系型数据库，保持了强一致性和可用性，但天生不支持分布式。
那不禁要问，没有了分区容忍，还叫分布式系统么？ 确实不能叫分布式系统了。
其实对于分布式系统工程实践，CAP 理论更合适的描述是：在满足分区容错的前提下，没有算法能同时满足数据一致性和服务可用性。
为何选择CP：放弃可用性，或部分可用
对于做网站的工程师来说，CP是最先被摒弃的模式。因为可用性对网站来说是生命线，运维同学对此应该深有体会，如果网站服务宕机，那将是最严重的生产事故。
那么放弃可用性，就没有存在的场景了么？
大千世界，如此复杂，肯定还是会有CP发展的空间的。比如说银行系统来说，一致性是其生命线，分区容错也是要保证的，这时候允许出现不可用，当出现故障的时候，客户需要耐心等待一下，但是金融数据绝对不能出错。
同时你还需要注意到，关于可用性，其中有一些弹性空间的。也就是好的系统，会出现部分不可用，而不是完全不可用。这方面，著名的Paxos就是其中翘楚。
Paxos
Mike Burrows说世界上只有一种一致性算法，就是Paxos。
Paxos算法基本上是一个民主选举算法--大多数的决定会成为整个集群的统一决定。任何一个点都可以提出要修改某个数据的提案，是否通过这个提案取决于这个集群中是否有超过半数的结点同意。
在业界，Paxos算法因为Google的chubby和ZooKeeper而被人熟知。
关于Paxos算法的详解，参考维基百科
其实Zookeeper也未完全实现Paxos，而是使用了ZAB协议，参考Zookeeper协议篇-Paxos算法与ZAB协议
为何选择AP：放弃一致性，追求分区容错性和可用性
你首先要明确，CAP中的C值得是强一致性，也就是要求多节点组成的被调要能像单节点一样运作、操作具备原子性，数据在时间、时序上都有要求。
前面讲到的可用性，显然是在 0% 到 100% 之间连续变化的。对于一致性来说，也是如此，大多数情况下，工程实现上是灵活的，一致性也可以分为多个不同的含义。
- Weak 弱一致性：当你写入一个新值后，读操作在数据副本上可能读出来，也可能读不出来。比如说一些日志系统
- Eventually 最终一致性：当你写入一个新值后，有可能读不出来，但在某个时间窗口之后保证最终能读出来。比如说事务补偿
- Strong 强一致性：新的数据一旦写入，在任意副本任意时刻都能读到新值。比如说文件系统
当可用性和一致性含义增加的时候，情况变得复杂了。
你做系统设计的时候，要根据自己的业务系统选择适当的方式来实现最终的目标，这就需要创意思考，谨慎权衡了。
这也是为什么做架构设计的时候会有3种或以上的方案，多个技术方案进行评审无疑会增强决策的准确性，减少出错概率。
BASE理论
既然可用性和一致性是灵活的，业界也发展出来了基于CAP的其他最佳实践，BASE就是其中的代表。
BASE是Basically Available（基本可用）、Soft state（软状态）和Eventually consistent（最终一致性）三个短语的缩写，他的核心思想是：强一致性是困难的，那么就要根据业务特定，采用适当的方式来使系统达到最终一致性。
- 基本可用：是指分布式系统在出现不可预知的故障时，允许损失部分可用性。例如响应时间的损失、功能上的损失
- 软状态：是指允许系统数据存在的中间状态，并认为该中间状态的存在不影响系统的整体可用性，及允许系统主机间进行数据同步的过程存在一定的延时。软状态，其实就是一种灰度状态，过渡状态。
- 最终一致性：其强调的是系统中所有的数据副本，在经过一段时间的同步后，最终能达到一个一致的状态。因此，最终一致性的本质是需要系统保证最终数据能够达到一致，而不需要实时保证系统数据的强一致性
对于BASE理论的应用，工程实践可以参考Eureka原理
跳出CAP
CAP只是一种理论指导，有了他，你对问题理解的更加深刻，但也不意味着你就要固步自封了。
跳出CAP，思路延伸为如何规划分区期间的操作和分区之后的恢复。例如，Oracle数据库的DataGuard复制组件包含三种模式：
- 最大保护模式（Maximum Protection）：即强同步复制模式，写操作要求主库先将操作日志（数据库的 redo/undo 日志）同步到至少一个备库才可以返回客户端成功。这种模式保证即使主库出现无法恢复的故障，比如硬盘损坏，也不会丢失数据；
- 最大性能模式（Maximum Performance）：即异步复制模式，写操作只需要在主库上执行成功就可以返回客户端成功，主库上的后台线程会将重做日志通过异步的方式复制到备库。这种方式保证了性能及可用性，但是可能丢失数据；
- 最大可用性模式（Maximum Availability）：上述两种模式的折中。正常情况下相当于最大保护模式，如果主备之间的网络出现故障，切换为最大性能模式。
这就是一种经典的用法。
你会发现，在很多时候通过细致地管理分区期间的不变性约束，两方面的性质都可以取得最佳的表现。
总结
回到最初的问题，CAP理论就像是经济学中蒙代尔不可能三角一样，带你进入了更高的层面分析问题，让你知道设计一个系统时的基础约束，前辈走过了很多路，帮你剔除了很多错误答案，接下来的路上就要靠你自己了。
本文的分析和总结也是挂一漏万，要多研究现有的优秀分布式系统，分析其设计理念和对CAP的实现，你才可以更快地成长。
祝你变得更强！
