分布式系统基础理论之CAP理论

概述

• 2000年7月，加州大学伯克利分校的 Eric Brewer 教授在 ACM PODC 会议上提出 CAP 猜想。
• 2年后，麻省理工学院的 Seth Gilbert 和 Nancy Lynch 从理论上证明了 CAP。之后，CAP 理论正式成为分布式计算领域的公认定理。

CAP理论定义

1.CAP定理

一个分布式系统最多只能同时满足一致性（Consistency）、可用性（Availability）和分区容错性（Partition tolerance）这三项中的两项。

2.Consistency（一致性）

分布式系统中，不论有多少个节点，所有节点在同一时间的数据完全一致。

3.Availability（可用性）

对于一个可用性的分布式系统，每一个非故障的节点必须对每一个请求作出响应，不论该应答是成功还是失败。

4.Partition Tolerance（分区容错性）

分布式系统中，在出现网络终端，消息丢失，节点故障等“分区”情况时，系统还能够对外提供满足一致性和可用性的服务。

证明

如上图，是我们证明CAP的基本场景，网络中有两个节点N1和N2，可以简单的理解N1和N2分别是两台计算机，他们之间网络可以连通，N1中有一个应用程序A，和一个数据库V，N2也有一个应用程序B2和一个数据库V。现在，A和B是分布式系统的两个部分，V是分布式系统的数据存储的两个子数据库。

在满足一致性的时候，N1和N2中的数据是一样的，V0=V0。在满足可用性的时候，用户不管是请求N1或者N2，都会得到立即响应。在满足分区容错性的情况下，N1和N2有任何一方宕机，或者网络不通的时候，都不会影响N1和N2彼此之间的正常运作。

如上图，是分布式系统正常运转的流程，用户向N1机器请求数据更新，程序A更新数据库Vo为V1，分布式系统将数据进行同步操作M，将V1同步的N2中V0，使得N2中的数据V0也更新为V1，N2中的数据再响应N2的请求。

这里，可以定义N1和N2的数据库V之间的数据是否一样为一致性；外部对N1和N2的请求响应为可用行；N1和N2之间的网络环境为分区容错性。这是正常运作的场景，也是理想的场景，然而现实是残酷的，当错误发生的时候，一致性和可用性还有分区容错性，是否能同时满足，还是说要进行取舍呢？

作为一个分布式系统，它和单机系统的最大区别，就在于网络，现在假设一种极端情况，N1和N2之间的网络断开了，我们要支持这种网络异常，相当于要满足分区容错性，能不能同时满足一致性和响应性呢？还是说要对他们进行取舍。

假设在N1和N2之间网络断开的时候，有用户向N1发送数据更新请求，那N1中的数据V0将被更新为V1，由于网络是断开的，所以分布式系统同步操作M，所以N2中的数据依旧是V0；这个时候，有用户向N2发送数据读取请求，由于数据还没有进行同步，应用程序没办法立即给用户返回最新的数据V1，怎么办呢？有二种选择，第一，牺牲数据一致性，响应旧的数据V0给用户；第二，牺牲可用性，阻塞等待，直到网络连接恢复，数据更新操作M完成之后，再给用户响应最新的数据V1。

这个过程，证明了要满足分区容错性的分布式系统，只能在一致性和可用性两者中，选择其中一个。

CAP权衡与折衷

传统的单机系统满足CA，而没有P。在分布式系统中，首先必须要满足P（分布式系统一定要考虑part failure），所以C，A需要根据具体场景进行折衷。

C的折衷

• 强一致性
  任何时刻，任何用户能读取到最近一次成功更新的数据。

• 单调一致性
  也叫因果一致性，任何时刻，任何用户一旦读到某个数据在某次更新后的值，那么就不会再读到比这个值更旧的值

• 会话一致性
  任何用户在某次会话中，一旦读到某个数据在某次更新后的值，那么在本次会话中不会再读到比这值更旧的值。

• 最终一致性
  用户只能读到某次更新后的值，但系统保证数据将最终达到完全一致的状态，只是所需时间不能保障。

• 弱一致性
  用户无法在确定时间内读到最新更新的值

A的折衷

• 部分数据可用

• 部分时间所有数据不可用

参考资料

• 分布式系统的CAP理论
  http://www.hollischuang.com/archives/666