分布式理论基础

1、理论基础

在计算机科学领域，分布式一致性是一个相当重要的问题。

分布式系统要解决的一个重要问题是数据复制。

数据复制为分布式系统带来了高可用、高性能，但也同时带来了分布式一致性挑战：在对一个副本数据进行更新时，必须确保也更新其他副本，否则不同副本的数据将不一致。

如何解决这个问题 ？

一种思路是：阻塞 “写” 操作，直到数据复制完成。

但这个思路在解决一致性问题的同时，又带来了 “写” 操作性能低的问题。

如果有高并发的 “写” 请求，则在使用这个思路之后，大量 “写” 请求阻塞，导致系统整体性能急剧下降。

如何既保证数据的一致性，又不影响系统运行的性能，是每一个分布式系统都需要重点考虑和权衡的问题。

如何实现一种既能保证ACID特性，又能保证高性能的分布式事务处理系统是一个世界性难题。

在技术演进过程中，出现了诸如CAP和BASE 这样的分布式系统理论。

2、CAP定理

1998年，加州大学的计算机科学家 Eric Brewer 提出，分布式系统有三个指标。

• Consistency（一致性）
• Availability（可用性）
• Partition tolerance （分区容错性）

它们的第一个字母分别是 C、A、P。

Eric Brewer 说，这三个指标不可能同时做到，这个结论就叫做 CAP 定理。

CAP定理是分布式系统的指导理论，它指出：一个分布式系统不可能同时满足 一致性(C: Consistency)、可用性(A: Availability) 和 分区容错性(P: PartitionTolerance) 这3个需求，最多只能同时满足其中两项。

1_一致性

Consistency (一致性)：指 "all nodes see the same data at the same time"，即更新操作成功并返回客户端后，所有节点在同一时间的数据完全一致，这就是分布式的一致性。

一致性的问题在并发系统中不可避免，对于客户端来说，一致性指的是并发访问时更新过的数据如何获取的问题。

从服务端来看，则是更新如何复制分布到整个系统，以保证数据最终一致。

这里的一致性是指强一致性，一般关系型数据库就具有强-致性特性。

2_可用性

Availability (可用性)：指 "Reads and writes always succeed"，即服务一直可用，而且是正常响应时间。

好的可用性主要是指系统能够很好的为用户服务，不出现用户操作失败或者访问超时等用户体验不好的情况。

3_分区容错性

Partition Tolerance (分区容错性)：指 "the system continues to operate despite arbitrary message loss or failure of part of the system"，即分布式系统在遇到某节点或网络分区故障的时候，仍然能够对外提供满足一致性和可用性的服务。

分区容错性要求能够使应用虽然是一个分布式系统，而看上去却好像是在一个可以运转正常的整体。

比如现在的分布式系统中有某一个或者几个机器宕掉或失联了，其他剩下的机器还能够正常运转满足系统需求，对于用户而言并没有什么体验上的影响。

因为分布式系统无法同时满足一致性、可用性、分区容错性这3个基本需求，所以我们在设计分布式系统时就必须有所取舍。

对于分布式系统而言，分区容错性是最基本的要求，因为既然是一个分布式系统，那么分布式系统中的组件必然会被部署到不同的节点，否则也就无所谓分布式系统了，因此必然会出现子网络。

而对于分布式系统而言，网络又必定会出现异常情况因此，分区容错性就成为了分布式系统必然需要面对和解决的问题。

4_总结

在分布式系统中，系统间的网络不能100%保证健康，一定会有故障的时候，而服务有必须对外保证服务。因此Partition Tolerance 不可避免。

当节点接收到新的数据变更时，就会出现问题了：

如果此时要保证一致性，就必须等待网络恢复，完成数据同步后，整个集群才对外提供服务，服务处于阻塞状态，不可用。

如果此时要保证可用性，就不能等待网络恢复，那 node01、node02 与 node03 之间就会出现数据不一致。

也就是说，在P一定会出现的情况下，A和C之间只能实现一个。

CP without A，即实现一致性和分区容错性。

• 此组合为数据强一致性模式，即要求在多服务之间数据一定要一致，弱化了可用性。

• 一些对数据要求比较高的场景(比如金融业务等)使用此模式，这种模式性能偏低。

• 常用方案有 XA 两阶段提交、Seata AT 模式的“读已提交”级别等。

AP without C，即实现可用性和分区容错性。

• 此组合为数据最终一致性模式，即要求所有服务都可用，弱化了一致性。

• 互联网分布式服务多数基于AP，这种模式性能高，可以满足高并发的业务需求。

• 常用方案有TCC、基于消息的最终一致性、Saga等。

CA without P，即实现一致性和可用性:

• 如果不要求P(不允许分区)，则C(强一致性）和A(可用性）是可以保证的。

• 但放弃P的同时也就意味着放弃了系统的扩展性，也就是分布式节点受限，没办法部署子节点，这是违背分布式系统设计的初衷的。

系统架构师往往需要把精力花在如何根据业务特点在 C(一致性) 和 A(可用性) 之间做选择，即选择 CP 还是 AP。

3、BASE理论

BASE是 Basically Available(基本可用)、Soft State(软状态) 和 EventuallyConsistency(最终一致性) 这3个短语的缩写。

BASE理论是对CAP中的一致性及可用性进行权衡的结果，其核心思想是：无法做到强一致性，那么可以通过牺牲强一致性来获得可用性。

BASE理论是对CAP的一种解决思路，包含三个思想：

1_Basically Available（基本可用）

基本可用是对 A(可用性) 的一个妥协，即在分布式系统出现不可预知故障时，允许损失部分可用性。比如在秒杀场景和雪崩的业务场景下进行降级处理，使核心功能可用，而不是所有的功能可用。

分布式系统在出现故障时，允许损失部分可用性，即保证核心可用。

2_Soft State（软状态）

软状态是相对于原子性而言的。

要求多个节点的数据副本是一致的，这是一种“硬状态”。

“软状态” 指的是：允许系统中的数据存在中间状态，并认为该状态不影响系统的整体可用性，即允许系统在多个不同节点的数据副本上存在数据延时。

在一定时间内，允许出现中间状态，比如临时的不一致状态。

3_Eventually Consistent（最终一致性）

不可能一直是 “软状态” ，必须有个时间期限。

在时间期限过后，应当保证所有副本保持数据一致性，从而达到数据的最终一致性。

这个时间期限取决于网络延时、系统负载、数据复制方案设计等因素。

虽然无法保证强一致性，但是在软状态结束后，最终达到数据一致。

不只是分布式系统使用最终一致性，关系型数据库在某个功能上也使用最终一致性。

比如在备份时，数据库的复制过程是需要时间的，在这个复制过程中，业务读取的值就是“旧”的。

当然，最终还是达到了数据一致性。

4_总结

总体来说，BASE 理论面向的是大型高可用、可扩展的分布式系统。

不同于 ACID，BASE 理论提出通过牺牲强一致性来获得可用性，并允许在一定时间内的不一致，但是最终达到一致。

在实际的分布式场景中，不同业务对数据的一致性要求不一样。因此在设计时，往往结合使用 ACID 和 BASE 理论。