CAP

定义

C，Consistency，“all nodes see the same data at the same time”，即更新操作成功并返回客户端之后，所有节点在同一时间的数据完全一致。即所有节点拥有数据的最新版本。

A，Availability，可用性：“Reads and writes always succed”，即服务一直可用，而且是正常响应时间。

对于一个可用性的分布式系统，每个非故障节点必须对每一个请求做出响应。即，该系统使用的任何算法必须最终终止。当同事要求分区容忍性时，这是一个很强的定义：即使是严重的网络错误，每个请求也必须能够终止。

P，Partition Tolerance，分区容忍性：“the system continues to operate despite arbitrary message loss or failure of part of the system”，即系统容忍网络出现分区、分区之间网络不可达的情况。分区容忍性和可扩展性紧密相关。整体来说指的是，在遇到特定节点或网络分区故障时，仍然能够对外提供满足一致性和可用性的服务。

P，分区容忍性

什么是分区容忍性：

• 一个分布式系统中，节点组成的网络本来应该是连通的。然而可能因为一些故障，使得有的节点之间不再连通，整个网络就分成了几块区域。数据就散步在这些不连通的区域中，就成为分区现象。
• 当一个数据项只在一个节点中保存，那么分区出现后，和这个节点不连通的部分就无法访问到该数据项。这时分区是无法容忍的。
• 提高分区容忍性的办法就是将一个数据项复制到多个节点上，那么在出现分区之后，这一数据项就可能分布在各个区域中，容忍性就提高了。
• 然而，要把数据复制到多个节点，就会带来一致性的问题，就是多个节点之上的数据可能是不一致的。
• 要保证一致，每次写操作就要等待所有节点写成功，则这种等待又会带来可用性问题。
• 总的来说就是，数据存在的节点越多，分区容忍性就越高，但是要复制的数据就越多，一致性就越难保证。为了保证一致性，更新所有节点数据的操作就会耗时更长，导致可用性降低。

不能同时满足的证明

假设系统中有 5 个节点，N1~N5，N1/N2/N3 在物理机房 A，N4/N5 在物理机房 B。现在发生了网络分区，机房 A 和机房 B 之间的网络不互通。

保证一致性：此时客户端在 A 机房写入数据，不能同步到 B 机房。写入失败。此时失去了可用性。

保证可用性：数据在 A 机房的 N1~N3 节点都写入成功并返回完成。数据在 B 机房的 N4~N5 节点也写入数据成功并返回完成。同一份数据在 A 和 B 机房出现了不一致的情况。

比如想象 ZK，当一个节点宕机，系统将其踢出集群，然后其他一般以上的节点写入成功即可。是不是 ZK 就满足了 CAP 呢。其实这里有一个误区，系统将其踢出集群，有一个隐含条件，系统引入了一个调度者——一个踢出失败节点的调度者。如果调度者和 ZK 节点出现网络分区时，整个系统是不可用的。

常见场景

在网络分区无法避免的情况下，一致性和可用性必须二选一。而在没有发生网络故障时，即分布式系统正常运行时，一致性和可用性是可以被同时满足的。但是，对于大多数互联网应用来说，因为规模比较大，部署节点分散，网络故障是常态，可用性是必须要保证的，所有只有舍弃一致性来保证服务的 AP。但是对于一些金融相关的行业来说，有很多场景需要保证一致性，这种情况下通常会考虑 CA 和 CP 模型，CA 模型在网络故障时完全不可用，CP 模型具备部分可用性。

CA without P：关注一致性和可用性，需要非常严格的全体一致性协议，比如“2PC”。 CA 系统不能容忍网络错误或节点错误，一旦出现这样的问题，整个系统就会拒绝写请求，因为它并不知道对面的那个节点是否挂掉了，还是只是网络问题。唯一安全的方式就是把自己设置为只读。

CP without A：关注一致性和分区容忍性。关注的是系统中大多数节点的一致性协议，比如 Paxos 算法。这样的系统只需要保证大多数节点数据一致，而少数节点会在没有同步到最新数据版本时变为不可用状态，从而提供部分可用性。

AP without C：关注可用性和分区容忍性。因此，这样的系统不能达成一致性，需要给出数据冲突，给出数据冲突就需要维护数据版本。Dynamo 就是这样的系统。

对于分布式系统分区容忍性是天然具备的要求，否则一旦出现网络分区，系统就拒绝所有写入只允许可读，这对大部分的场景是不可接收的，因此，在设计分布式系统时，更多的情况下是选举 CP 还是 AP，要么选择强一致性弱可用性，要么选择高可用性容忍弱一致性。