分布式系列：分布式系统之聊聊CAP理论

本文于2019年11月25日首发于公众号“码农的修炼之道”，欢迎关注！

在分布式系统中有一个重要的理论，这就是CAP理论。其中C代表单词Consistency，一致性。是指所有节点在同一时刻的数据是相同的，比如更新数据库集群，更新成功后，该集群中的其他数据库也要数据一致。

A代表单词Availability，可用性。是指系统提供的服务一直是可用状态，对于客户端的请求必须有响应。

P代表Partition，分区容错性。在分布式系统中，遇到网络问题仍然可以响应用户的请求。

一致性，可用性，分区容错性构成了分布式系统的CAP理论，在CAP理论中得出结论，C、A、P三者只能满足两个，至于为什么只能满足两个，本文先不介绍了。

CAP理论的选择策略一般有以下三种，也就是CA、AP、CP三种组合。

1、CP组合

对于金钱相关的交易来说，数据一致性就是最重要的。比如2015年发送的支付宝光缆被挖断的情况，当时支付宝的策略就是CP，导致很多用户当时使用支付宝都不是很方便。保证CP的系统一旦发送网络分区会导致数据无法同步，降低系统可用性，直到数据完全同步才提供服务。

保证CP的系统很多，比如Redis系统，zookeeper等。

在Zookeeper集群中包括多个节点，这些节点通过选举算法选出一个Lead节点，这里采用的是ZAB算法。Lead节点之外的是Follower节点，Lead节点专门负责处理用户的写请求。

• 当用户向节点发送写请求，如果节点是Lead则之间处理。
• 如果是Follow节点，则转发请求给Lead节点，Lead先向所有的节点发送Proposal（提案），等超过一半节点同意后就进行提交这次写操作，从而保证了数据的强一致性。如下图所示。
  
  这种方案保证了分区容错性，牺牲了一定的系统可用性。比如，出现了网络分区（脑裂问题），该方案在小范围内还是进行选举出新Lead提供对外服务。只有分区内都不满足选举，才会导致完全不可用。

2、AP组合

对于大部分应用场景来说，只需要做到最终一致性即可。也就是可以容忍短时间内数据的不一致。

这种场景其实也很多，比如很多电商网站或查询系统中，为了用户体验好，会牺牲一定的数据一致性。比如，某电商有三大仓库A,B,C。假设A的网络与B,C发生了故障，导致数据无法互相同步。假如此时出售了一个电风吹，但是A区域的用户可能查询到库存还是之前的结果。只有最终网络恢复了才会进行同步，此时用户刷新一下界面就可以看到现在的库存。但是对于用户来说并不会感知网络故障。

如果此时采用强一致性，A区服务器阻塞进行数据同步，那么无法响应A区域的响应，用户刷半天刷不出来商品，肯定不想看了。

3、CA组合

在分布式系统中，系统之间通过网络进行连接，而网络的不通或故障是很常见的，如果不需要P，也就是放弃了分区容错性，也就意味着放弃了分布式系统，这种情况对应于单机下的应用程序，比如MySQL部署在单机上，因为不存在不同机器的数据库集群相互通信问题，因此保证CA很容易。