分布式系统非常关注三个指标：
- 数据一致性
- 系统可用性
- 节点连通性与扩展性
关于一致性
数据“强一致性”，是希望系统只读到最新写入的数据，例如：通过单点串行化的方式，就能够达到这个效果。
关于session一致性，DB主从一致性，DB双主一致性，DB与Cache一致性，数据冗余一致性，消息时序一致性，分布式事务一致性，库存扣减一致性
关于可用性
如果系统每运行100个时间单位，会有1个时间单位无法提供服务，则说系统的可用性是99%。
可用性和可靠性是比较容易搞混的两个指标，以一台取款机为例：
- 正确的输入，能够取到正确的钱，表示系统可靠
- 取款机7*24小时提供服务，表示系统可用
保证系统高可用的方法是
- 冗余
- 故障自动转移
反向代理层，站点层，服务层，缓存层，数据库层各层保证系统高可用的方法，详见文章《究竟啥才是互联网架构“高可用”》。
关于连通性与扩展性
分布式系统，往往有多个节点，每个节点之间，都不是完全独立的，需要相互通信，当发生节点无法联通时，数据是否还能保持一致，系统要如何进行容错处理，是需要考虑的。
同时，连通性和扩展性紧密相关，想要加机器扩展性能，必须有良好的连通性。当一个节点脱离系统，系统就出现问题，往往意味着系统是无法扩展的。
反向代理层，站点层，服务层，缓存层，数据库层各层保证系统扩展性的方法，详见文章《究竟啥才是互联网架构“可扩展”》。
什么是CAP定理？
CAP定理，是对上述分布式系统的三个特性，进行了归纳：
- 一致性(Consistency)
- 可用性(Availability)
- 分区容忍性(Partition Tolerance)
并且，定理指出，在系统实现时，这三者最多兼顾两点。
一致性，可用性，多节点扩展性三者只能取其二，既然加锁已经加上，常见的最佳工程架构实践是什么呢？
互联网，最常见的实践是这样的：
- 节点连通性，多节点扩展性，连通性异常的处理必须保证，满足P
- 一致性C与可用性A一般二选一
- 选择一致性C，举例：传统单库水平切分，就是这类选型的典型
- 选择可用性A，举例：双主库同步高可用，就是这类选型的典型
强一致很难怎么办？
单点串行化，虽然能保证“强一致”，但对系统的并发性能，以及高可用有较大影响，互联网的玩法，更多的是“最终一致性”，短期内未必读到最新的数据，但在一个可接受的时间窗口之后，能够读到最新的数据。
例如：数据库主从同步，从库上的数据，就是一个最终的一致。
总结
- CAP可以理解为一致性，可用性，联通与扩展性
- CAP三者只能取其二
- 最常见的实践是AP+最终一致性
微服务治理
对于微服务的治理而言，核心就是服务的注册和发现。所以选择哪个组件，很大程度上要看它对于服务注册与发现的解决方案。在这个领域，开源架构很多，最常见的是Zookeeper，但这并不是一个最佳选择。
在分布式系统领域有个著名的CAP定理：C——数据一致性，A——服务可用性，P——服务对网络分区故障的容错性。这三个特性在任何分布式系统中不能同时满足，最多同时满足两个。
Zookeeper是著名Hadoop的一个子项目，很多场景下Zookeeper也作为Service发现服务解决方案。Zookeeper保证的是CP，即任何时刻对Zookeeper的访问请求能得到一致的数据结果，同时系统对网络分割具备容错性，但是它不能保证每次服务请求的可用性。从实际情况来分析，在使用Zookeeper获取服务列表时，如果zookeeper正在选主，或者Zookeeper集群中半数以上机器不可用，那么将就无法获得数据了。所以说，Zookeeper不能保证服务可用性。
诚然，对于大多数分布式环境，尤其是涉及到数据存储的场景，数据一致性应该是首先被保证的，这也是zookeeper设计成CP的原因。但是对于服务发现场景来说，情况就不太一样了：针对同一个服务，即使注册中心的不同节点保存的服务提供者信息不尽相同，也并不会造成灾难性的后果。因为对于服务消费者来说，能消费才是最重要的——拿到可能不正确的服务实例信息后尝试消费一下，也好过因为无法获取实例信息而不去消费。所以，对于服务发现而言，可用性比数据一致性更加重要——AP胜过CP。而Spring Cloud Netflix在设计Eureka时遵守的就是AP原则。