分布式系统的核心问题一致性与共识
区块链系统是一个分布式系统，而分布式系统的首要问题是一致性的保障。
一致性
定义：一致性（consistency），早期也叫agreement，是指对于分布式系统中的多个服务节点，给定一系列操作，在约定协议的保障下，试图使得他们对处理结果达成“某种程度”的认同。
一致性并不代表结果正确与否，而是系统对外呈现的状态一致与否；例如，所有节点都达成失败状态也是一种一致。
将可能引发不一致的并行操作进行串行化 是现代分布式系统处理一致性问题的的基础思路。
事件的先后顺序十分重要，这也是解决分布式系统领域很多问题的核心秘诀：把多件事情进行排序，并且这个顺序还得是大家都认可的。
共识算法
共识（consensus）在很多时候会与一致性（consistency）术语放在一起讨论。严谨地讲，两者的含义并不完全相同。
一致性往往指分布式系统中多个副本对外呈现的数据的状态。共识则描述了分布式系统中多个节点之间，彼此对某个状态达成一致结果的过程。因此，一致性描述的是结果状态，共识则是一种手段。达成某种共识并不意味着就保障了一致性。
在实践中，要保障系统满足不同程度的一致性，核心过程往往需要通过共识算法来达成。共识算法解决的是对某个提案（proposal）大家达成一致意见的过程。
提案的含义在分布式系统中十分宽泛，比如多个事件发生的顺序、某个键对应的值、谁是领导等等。可以认为任何可以达成一致的信息都是一个提案。
对于分布式系统来讲，各个节点通常都是相同的确定性状态机模型，从相同的初始状态开始接收的相同顺序的指令，则可以保证相同的结果状态。因此，系统中多个节点最关键的是对多个事件的顺序进行共识，即排序。
问题
可惜的是现实中不存在这样的“理想”系统，问题一般包括：（1）出现故障（crash或fail-stop，即不响应）但不会伪造信息的情况称为“非拜占庭错误”（non-byzantine fault）或“故障错误”（Crash Fault）；（2）伪造信息恶意响应的情况称为“拜占庭错误”（Byzantine Fault）。
常见算法
根据解决的是非拜占庭错误，共识算法可以分为Crash Fault Tolerance（CFT）类算法和Byzantine Fault Tolerance（BFT）类算法。
针对非拜占庭错误，有一些经典解决算法，包括Paxos、Raft及其变种等。这类容错算法性能比较好，容忍不超过一半的故障节点。
对于要能容忍拜占庭错误的情况，一般包括PBFT（Practical Byzantine Fault Tolerance）为代表的确定性系列算法、PoW为代表的概率算法等。对于确定性算法，一旦达成了对某个结果的共识就不可逆转，即共识的是最终结果；而对于概率类算法，共识结果则是临时的，随着时间的推移或某种强化，共识结果被推翻的概率越来越小，成为事实上的最终结果。拜占庭类容错算法往往性能比较差，容忍不超过1/3的故障节点。
FLP不可能原理
FLP不可能原理：在网络可靠，但允许节点失效（即便只有一个）的最小化异步模型系统中，不存在一个可以解决一致性问题的确定性共识算法。
先说一下什么是“同步”“异步”，同步是指系统中的各个节点的时钟误差存在上限；并且消息传递必须在一定时间内完成；否则认为失败；同时各个节点完成处理消息的时间是一定的。同步系统很容易判断消息是否丢失。异步是指系统中的各个节点可能存在较大的时钟差异，同时消息传输时间是任意长的，各个节点对消息进行处理的时间也可能是任意长的，就无法判断收不到消息响应式节点故障还是传输故障。
FLP不可能原理是否意味着研究共识算法没有意义？这只是学术界研究的最极端情形。
科学告诉你什么是不可能的；工程则告诉你，付出一些代价，可以把它变成可行。
在付出一些代价的情况下，我们在共识的达成上，能做到多好？回答这个问题的一个很有名的原理：CAP原理。
CAP原理
CAP原理：分布式计算系统不可能同时确保以下三个特性：一致性（consistency）、可用性（availability）和分区容忍性（partition）。
1）分区容忍性：网络可能发生分区，即节点之间的通信不可保障。
大多数分布式系统都分布在多个子网络。每个子网络就叫做一个区（partition）。比如，一台服务器放在中国，另一台服务器放在美国，这就是两个区，它们之间可能无法通信。
上图中，G1 和 G2 是两台跨区的服务器。G1 向 G2 发送一条消息，G2 可能无法收到。系统设计的时候，必须考虑到这种情况。
一般来说，分区容错无法避免，因此可以认为 CAP 的 P 总是成立。CAP 定理告诉我们，剩下的 C 和 A 无法同时做到。
2）一致性：任何操作应该都是原子的，发生在后面的事件能看到前面事件发生导致的结果，这指的是强一致性。
写操作之后的读操作，必须返回该值。举例来说，某条记录是 v0，用户向 G1 发起一个写操作，将其改为 v1。
接下来，用户的读操作就会得到 v1。这就叫一致性。
问题是，用户有可能向 G2 发起读操作，由于 G2 的值没有发生变化，因此返回的是 v0。G1 和 G2 读操作的结果不一致，这就不满足一致性了。
为了让 G2 也能变为 v1，就要在 G1 写操作的时候，让 G1 向 G2 发送一条消息，要求 G2 也改成 v1。
这样的话，用户向 G2 发起读操作，也能得到 v1。
3）可用性：在有限时间内，任何非失败节点都能应答请求。
只要收到用户的请求，服务器就必须给出回应。用户可以选择向 G1 或 G2 发起读操作。不管是哪台服务器，只要收到请求，就必须告诉用户，到底是 v0 还是 v1，否则就不满足可用性。
一致性和可用性，为什么不可能同时成立？答案很简单，因为可能通信失败（即出现分区容错）。
如果保证 G2 的一致性，那么 G1 必须在写操作时，锁定 G2 的读操作和写操作。只有数据同步后，才能重新开放读写。锁定期间，G2 不能读写，没有可用性不。
如果保证 G2 的可用性，那么势必不能锁定 G2，所以一致性不成立。
综上所述，G2 无法同时做到一致性和可用性。系统设计时只能选择一个目标。如果追求一致性，那么无法保证所有节点的可用性；如果追求所有节点的可用性，那就没法做到一致性。
应用场景
弱化一致性的场景，例如网站静态页面内容，实时性较弱的查询类数据库等对一致性不敏感的。
弱化可用性的场景，例如银行取款机，对一致性很敏感。
弱化分区容忍性，某些关系型数据库及ZooKeeper主要考虑这种设计。网络可以通过双通道等机制增强可靠性，达到高稳定的网络通信。
ACID原则
ACID原则指的是：Atomicity（原子性）、Consistency（一致性）、Isolation（隔离性）、Durability（持久性）。
这是比较有名的描述一致性的原则，通常出现在分布式数据库领域。满足一致性需求，但是允许付出可用性的代价。
A：每次操作是原子的，要么成功，要么不执行；
C：数据库的状态是一致的，无中间状态；
I：各种操作之间互不影响；
D：状态的改变是持久的，不会失效。
与ACID相对的一个原则是BASE（Basic Availability， Soft-state， Eventual Consistency）原则，牺牲对一致性约束（但实现最终一致性），来换取一定的可用性。
该文主要摘自：
《区块链原理、设计与应用》
http://www.ruanyifeng.com/blog/2018/07/cap.html
