做pc网站排名,万网是什么,wordpress mu模式,北京网优化seo优化公司文章目录 1、理论基础2、CAP定理1_一致性2_可用性3_分区容错性4_总结 3、BASE理论1_Basically Available#xff08;基本可用#xff09;2_Soft State#xff08;软状态#xff09;3_Eventually Consistent#xff08;最终一致性#xff09;4_总结 1、理论基础
在计算机… 文章目录 1、理论基础2、CAP定理1_一致性2_可用性3_分区容错性4_总结 3、BASE理论1_Basically Available基本可用2_Soft State软状态3_Eventually Consistent最终一致性4_总结 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 ACIDBASE 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。
