CAP和BASE原理

https://www.cnblogs.com/mingorun/p/11025538.html
https://www.cnblogs.com/duanxz/p/5229352.html

一.CAP理论

1.介绍

CAP理论是分布式系统的理论基础。CAP理论表明：最多满足其中两个特性，不能够同时满足这三个特性。

• C:一致性(Consistency)
• A:可用性(Available)

• P:分区容错性(Partition tolerance)

  
  
  深度截图_选择区域_20201225140735.png

2.理解

1. 分区容错性(P)：指的是分布式系统中某个节点或者网络出现故障的时候，整个系统仍能够对外提供满足一致性和可用性的服务。也就是说：部分故障不影响整体使用。
   Ｐ不满足：表示出现部分故障，则整个系统不可用。相当于只有一个分区，也就没有后续的一致性和可用性了。
2. 可用性(A):一直可以征程的做读写操作。不会出现系统不可用情况。
3. 一致性(C):这里的一致性是指强一致性。表示：在分布式系统完成某写操作后，任何读操作都应该获取最新写入的值。相当于要求分布式系统中的各个节点时刻保持数据一致性(强一直性)

3.CAP如何取舍

1. CA:优先保持一致性和可用性，放弃分区容错。这也意味着放弃系统的扩展性，系统不再是分布式的，有违设计的初衷。
2. CP:优先保证一致性和分区容错性。在数据一致性要求比较高的场合(zk)是比较常见的做法，一旦发生网络故障或者消息丢失，就会出现牺牲用户体验，等恢复之后用户才能逐渐访问。
3. AP:优先保证可用性和分区容错性，放弃一致性。NoSQL中的Cassandra就是这种架构。跟CP一样，放弃一致性不是说一致性就不保证了，而是逐渐变的一致。

4.副本一致性

1. 强一致性(strong consistency)：任何时刻任何用户或节点都可以读到最近一次成功更新的副本数据。强一致性是程度最高的一致性要求，也是实践中最难以实现的一致性。
2. 单调一致性(monotonic consistency)：任何时刻任何用户一旦读到某个数据再某次更新后的值，这个用户不会再读到比这个值更旧的值。
   单调一致性是弱于强一致性却非常实用的一种一致性级别。
3. 会话一致性(session consistency)：任何用户在某一次会话内一旦读到某个数据在某次更新后的值，这个用户再这次会话过程中，就不会读到比这个值更旧的值。会话一致性：只保证单个用户单次会话内的单调一致性。
4. 最终一致性(eventual consistency)：最终一致性要求一旦更新成功，各个副本数据最终将会达到一致状态，但达到完全一致状态所需要的时间不能保障。
   对于最终一致性系统而言，一个用户只要始终读取某一个副本数据，则可以实现类似单调一致性的效果，但一旦用户更换数据副本，则无法保障任何一致性。
5. 弱一致性(week consistency):一旦某个更新成功，用户无法在一个确定时间内读到这次更新的值，且即使在某个副本上读到更新的值，也不能保证在其他富恩尚可以读到新的值。

二.BASE理论

1.介绍

• BA:基本可用(Basically Available)
• S:软状态(Soft state)
• E:最终一致性(Eventually consistent)

BASE是对CAP中一致性和可用性权衡的结果，是基于CAP定理逐渐演化而来。其核心思想：即使无法做到强一致性，但每个应用都可以结合自身业务特点，采用适当的方式来达到最终一致性。

2.解释

1. 基本可用
   基本可用是指分布式系统在出现不可预知的故障时，运行损失部分可用性。但绝不等价于系统不可用。比如：

• 响应时间上的损失：正常一次响应0.5s，但由于异常，查询结果的响应时间增加到2s
• 功能上的损失:正常情况下，顺利完成一笔购物订单。但是在大促期间，部分消费者可能会被引导在一个降级页面。

2. 弱状态：也称为软状态，和硬状态相对。是指允许系统中的数据存在中间状态，并认为该中间状态不会影响整体可用性。即允许系统在不同节点的数据副本之间进行同步存在延迟。
3. 最终一致性：最终一致性强带哦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保证最终数据达到一致，而不需要实时保证系统数据的强一致性。

总的来说，BASE理论面向的是大型高可用可扩展的分布式系统，和传统事物的ACID特性是相反的，它完全不同于ACID的强一致性模型，而是提出通过牺牲强一致性来获得可用性，并允许数据在一段时间内是不一致的，但最终达到一致状态。