知序
返回
保存草稿
发布
H1
H2
H3
1
2
3
Excalidraw 图
AI 写作
AI 优化
目录
输入内容后显示目录
Markdown
# 02 - CAP 与一致性模型 ## CAP 定理 CAP 定理是分布式系统领域最重要的理论之一,由 Eric Brewer 在 2000 年提出,2002 年被 Seth Gilbert 和 Nancy Lynch 证明。 ### CAP 三要素  *图:CAP 定理:一致性、可用性、分区容错不可兼得* ``` CAP 定理 C ─────────────────────── A ╱ ╲ 不可能 ╱ ╲ ╱ ╲ 三者兼得 ╱ ╲ ╱ ╲ ╱ ╲ ╱ ╲ ╱ ╲ ╱ ╲ ╱ ╲ ╱ ╲ ╱ ╲ C─────────────P───────────A C = Consistency(一致性) A = Availability(可用性) P = Partition Tolerance(分区容错性) ``` | 属性 | 含义 | 详细解释 | |------|------|----------| | **C (一致性)** | 所有节点看到相同的数据 | 任何读操作都能读到最新写入的数据 | | **A (可用性)** | 每个请求都能得到响应 | 非故障节点必须在合理时间内响应 | | **P (分区容错)** | 网络分区时系统仍能运行 | 部分消息丢失或延迟时系统不崩溃 | > 💬 **Q:举出具体的场景示例说明 C、A、P** > > 用一个统一场景:银行转账系统,部署在两个机房(Node A、Node B),用户余额 = 1000 元。 > > **C(一致性)示例**: > 用户在 Node A 转出 500 元,立刻在 Node B 查询 → 必须看到余额 500 元。如果 Node B 还显示 1000 元,就违反了一致性。 > > **A(可用性)示例**: > 不管请求打到 Node A 还是 Node B,都必须在合理时间内返回结果。如果用户查余额一直转圈或返回"服务不可用",就违反了可用性。 > > **P(分区容错)示例**: > Node A 和 Node B 之间的网络断了(光纤被挖断),系统不能直接崩溃,必须继续运行。 > > 💬 **Q:网络断了 A 和 B 通信不就有问题了吗,数据不就不一致了?** > > 没错,这正是 CAP 要表达的核心矛盾。P(分区容错)不是说"数据不会不一致",而是说"网络断了系统不崩溃,还能做出选择"。 > > ``` > 没有 P 的系统: > 网络断了 → 整个系统直接崩溃 → 谁也用不了 > (连选择的机会都没有) > > 有 P 的系统: > 网络断了 → 系统还活着 → 现在你必须做选择: > > 选 C:两边都拒绝写入,等网络恢复再说 > → 数据一致 ✓,但用户用不了 ✗ > > 选 A:两边各自继续服务,网络恢复后再合并冲突 > → 用户能用 ✓,但数据暂时不一致 ✗ > ``` > > 所以 P 是前提条件,不是解决方案。有了 P,你才有资格在 C 和 A 之间做选择。网络分区期间数据不一致是必然的物理现实,CAP 定理告诉你的是:面对这个现实,你选择牺牲哪一个。 > > **CAP 的核心矛盾 — 网络分区时 C 和 A 只能二选一**: > > ``` > 网络断了!Node A 和 Node B 无法通信 > > 选 CP(保一致性,牺牲可用性): > 用户在 Node A 转出 500 → 发现无法同步到 Node B > → 拒绝操作,返回"服务暂不可用" > → 数据一致 ✓,但用户体验差 ✗ > → 典型:银行、ZooKeeper、etcd > > 选 AP(保可用性,牺牲一致性): > 用户在 Node A 转出 500 → 本地扣款成功,返回"转账成功" > → 同时用户在 Node B 查询,还是 1000 元 > → 用户能正常操作 ✓,但数据不一致 ✗(可能超额转账) > → 典型:电商商品页、DNS、Cassandra > ``` ### CAP 定理的理解 **核心观点:在网络分区发生时,只能在 C 和 A 之间选择一个。**  *图:正常时 C+A+P 都满足,分区时必须二选一* ``` 正常情况: 网络分区时: ┌─────────┐ ┌─────────┐ ┌─────────┐ ╳ ┌─────────┐ │ Node A │←──→│ Node B │ │ Node A │ ─── │ Node B │ │ x = 5 │ │ x = 5 │ │ x = 5 │ │ x = 5 │ └─────────┘ └─────────┘ └─────────┘ └─────────┘ C + A + P 都满足 此时必须选择: - 选 C:拒绝写入,等待恢复 - 选 A:允许写入,数据不一致 ```  ### CAP 选择示例 ```java // 选择 CP:保证一致性,牺牲可用性 public void writeCP(String key, String value) { if (!canReachMajorityNodes()) { throw new UnavailableException("Cannot reach quorum"); // 拒绝写入,保证一致性 } writeToMajority(key, value); } // 选择 AP:保证可用性,牺牲一致性 public void writeAP(String key, String value) { writeToLocalNode(key, value); // 先写本地,异步复制到其他节点 asyncReplicateToOthers(key, value); // 可能出现数据不一致 } ``` ### 常见系统的 CAP 选择 | 系统 | CAP 选择 | 说明 | |------|----------|------| | ZooKeeper | CP | 保证一致性,分区时可能不可用 | | etcd | CP | Raft 协议,强一致性 | | Consul | CP | 默认 CP,可配置为 AP | | Cassandra | AP | 最终一致性,高可用 | | DynamoDB | AP | 可调一致性级别 | | Redis Cluster | AP | 异步复制,可能丢数据 | | MySQL 主从 | CA* | 单数据中心假设不分区 | > *注:CA 只在不考虑网络分区时成立,实际分布式环境中 P 是必须的。  ### CAP 三种组合的典型场景  *图:CP、AP、CA 系统的取舍与代表系统选型* ``` CP 系统(一致性 + 分区容错,牺牲可用性): ┌──────────────────────────────────────────────────────┐ │ 网络分区时:拒绝请求,保持数据一致 │ │ ┌─────────┐ ╳ ┌─────────┐ │ │ │ 北京机房 │ 断路 │ 上海机房 │ │ │ │ (主) │ ←────→ │ (从) │ │ │ └─────────┘ └─────────┘ │ │ 写入被拒绝 无法写入 │ │ "请稍后重试" "请稍后重试" │ │ │ │ 代表:ZooKeeper、etcd、Consul(默认)、HBase │ │ 场景:配置中心、分布式锁、金融交易、选主 │ └──────────────────────────────────────────────────────┘ AP 系统(可用性 + 分区容错,牺牲强一致性): ┌──────────────────────────────────────────────────────┐ │ 网络分区时:各自继续服务,等恢复后合并冲突 │ │ ┌─────────┐ ╳ ┌─────────┐ │ │ │ 北京机房 │ 断路 │ 上海机房 │ │ │ │ x = 6 │ ←────→ │ x = 7 │ │ │ └─────────┘ └─────────┘ │ │ 写入成功 ✓ 写入成功 ✓ │ │ 但两地数据不一致! 各自看到不同的值 │ │ 网络恢复 → 用向量时钟/CRDT 合并 → 最终一致 │ │ │ │ 代表:Cassandra、DynamoDB、Redis Cluster、Eureka │ │ 场景:商品页浏览、社交 feed、DNS、服务注册发现 │ └──────────────────────────────────────────────────────┘ CA 系统(一致性 + 可用性,假设无分区): ┌──────────────────────────────────────────────────────┐ │ 单数据中心内:用 2PC 保证 ACID 事务 │ │ ┌─────┐ ┌─────┐ ┌─────┐ │ │ │主库 │──│从库1 │──│从库2 │ 所有节点在同一机房 │ │ └─────┘ └─────┘ └─────┘ │ │ │ │ 代表:MySQL 主从(单机房)、Oracle RAC │ │ 一旦跨机房/网络分区,就会崩溃或退化 │ └──────────────────────────────────────────────────────┘ 实际选型决策树: 你的系统跨机房部署吗? ├── Yes → P 必须考虑 │ ├── 能接受几秒不可用吗?→ Yes → 选 CP(etcd/ZK) │ └── 不可用比不一致更糟?→ 选 AP(Cassandra/Redis Cluster) └── No → CA 可行(MySQL 主从在同一机房) ``` ## PACELC 定理 CAP 的扩展,由 Daniel Abadi 提出:  *图:PACELC:分区时选 A 或 C,正常时选 L 或 C* ``` 如果发生分区(P): 选择可用性(A)或一致性(C) 否则(E - Else): 选择延迟(L)或一致性(C) ┌─────────────────────────────────────────────┐ │ PACELC 定理 │ ├─────────────────────────────────────────────┤ │ 分区时 (P) │ 正常时 (E) │ │ │ │ │ ┌─────┐ ┌─────┐ │ ┌─────┐ ┌─────┐ │ │ │ A │ or│ C │ │ │ L │ or│ C │ │ │ └─────┘ └─────┘ │ └─────┘ └─────┘ │ │ │ │ │ 可用性 vs 一致性 │ 低延迟 vs 一致性 │ └─────────────────────────────────────────────┘ 示例: - DynamoDB: PA/EL(分区时选A,正常选低延迟) - MongoDB: PA/EC(分区时选A,正常选一致性) - ZooKeeper: PC/EC(始终选一致性) ```  ## 一致性模型 ### 一致性级别谱系  *图:一致性模型从线性到最终的强度谱系* ``` 强 ←────────────────────────────────────────────→ 弱 线性一致性 > 顺序一致性 > 因果一致性 > 最终一致性 ┌─────────────────────────────────────────────────────────┐ │ 线性一致性 │ │ (Linearizability) │ │ - 所有操作按全局时间顺序执行 │ │ - 读总是返回最新写入的值 │ │ - 最强,但性能最差 │ ├─────────────────────────────────────────────────────────┤ │ 顺序一致性 │ │ (Sequential Consistency) │ │ - 所有进程看到相同的操作顺序 │ │ - 不要求实时性 │ ├─────────────────────────────────────────────────────────┤ │ 因果一致性 │ │ (Causal Consistency) │ │ - 有因果关系的操作顺序一致 │ │ - 并发操作可以有不同顺序 │ ├─────────────────────────────────────────────────────────┤ │ 最终一致性 │ │ (Eventual Consistency) │ │ - 最终所有副本会一致 │ │ - 中间状态可能不一致 │ │ - 最弱,但性能最好 │ └─────────────────────────────────────────────────────────┘ ```  ### 线性一致性(Linearizability) 最强的一致性保证,操作看起来是原子的、瞬时完成的。  *图:线性一致性的时间轴与三条判定规则* ``` 时间轴 ──────────────────────────────────────────────→ 客户端1: ─────[write x=1]───── ↓ 操作完成点(线性化点) 客户端2: ─────[read x]───── 返回 x=1 ✓ 规则: 1. 每个操作在调用和响应之间某个点原子生效 2. 如果操作 A 在操作 B 开始前完成,A 必须在 B 之前生效 3. 读操作必须返回最近写入的值 ``` ### 顺序一致性(Sequential Consistency) 所有进程看到相同的操作顺序,但不要求与实际时间一致。 ``` 实际执行: P1: write(x=1) write(x=3) P2: write(x=2) P3: read(x) → 3 合法的顺序一致性执行顺序(可以是以下任一种): - write(x=1) → write(x=2) → write(x=3) → read(x)=3 ✓ - write(x=2) → write(x=1) → write(x=3) → read(x)=3 ✓ - write(x=1) → write(x=3) → write(x=2) → read(x)=2 ✗ (违反,因为 P1 的两次写顺序颠倒了) ``` ### 因果一致性(Causal Consistency) 只保证有因果关系的操作顺序一致。 ``` 因果关系判断: 1. 同一进程内,先发生的操作 → 后发生的操作 2. 写操作 → 读到该值的读操作 3. 传递性:A → B 且 B → C,则 A → C 示例: 用户 A 发帖: "今天天气真好" ← 操作 1 用户 B 回复: "是的,适合出去玩" ← 操作 2(因果依赖操作 1) 用户 C 点赞用户 B 的回复 ← 操作 3(因果依赖操作 2) 因果一致性保证: - 任何人看到操作 2,必定先看到操作 1 - 任何人看到操作 3,必定先看到操作 1 和 2 - 无因果关系的操作(如另一个帖子)可以以任意顺序出现 ``` ### 最终一致性(Eventual Consistency) 最弱但最常用的一致性模型。 ```java // 最终一致性示例 public class EventuallyConsistentStore { private Map<String, VersionedValue> localData = new HashMap<>(); private Queue<WriteOperation> replicationQueue = new LinkedList<>(); // 写入立即返回 public void write(String key, String value) { long version = System.currentTimeMillis(); localData.put(key, new VersionedValue(value, version)); // 异步复制到其他节点 replicationQueue.add(new WriteOperation(key, value, version)); } // 读取可能返回旧值 public String read(String key) { VersionedValue vv = localData.get(key); return vv != null ? vv.value : null; } // 后台线程:最终会同步所有数据 @Scheduled(fixedDelay = 100) public void syncReplicas() { while (!replicationQueue.isEmpty()) { WriteOperation op = replicationQueue.poll(); replicateToOtherNodes(op); } } } ``` ### 最终一致性的变体 | 变体 | 保证 | 用例 | |------|------|------| | **Read Your Writes** | 用户总能读到自己写入的数据 | 社交媒体发帖 | | **Monotonic Reads** | 一旦读到某版本,不会读到更老版本 | 浏览历史记录 | | **Monotonic Writes** | 同一用户的写按顺序应用 | 消息发送 | | **Write Follows Reads** | 写入基于之前读到的值 | 评论回复 | ## ACID vs BASE ### ACID(传统数据库)  *图:ACID 四特性与转账事务示例* ``` A - Atomicity(原子性) 事务要么全部成功,要么全部失败 C - Consistency(一致性) 事务前后数据库保持一致状态 I - Isolation(隔离性) 并发事务互不干扰 D - Durability(持久性) 已提交的事务永久保存 ┌─────────────────────────────────────────┐ │ 转账事务:A 向 B 转账 100 元 │ ├─────────────────────────────────────────┤ │ BEGIN TRANSACTION │ │ UPDATE accounts SET balance -= 100 │ │ WHERE id = 'A'; │ │ UPDATE accounts SET balance += 100 │ │ WHERE id = 'B'; │ │ COMMIT; │ │ │ │ 原子性:两条 UPDATE 要么都执行,要么都不执行│ │ 一致性:A+B 的余额总和不变 │ │ 隔离性:其他事务看不到中间状态 │ │ 持久性:提交后断电数据也不丢失 │ └─────────────────────────────────────────┘ ``` ### BASE(分布式系统)  *图:BASE 三要素与电商下单异步流程* ``` BA - Basically Available(基本可用) 系统保证可用性,允许部分功能降级 S - Soft State(软状态) 允许系统存在中间状态,不影响整体可用性 E - Eventually Consistent(最终一致性) 经过一定时间后,数据最终达到一致状态 ┌─────────────────────────────────────────┐ │ 电商下单示例(BASE) │ ├─────────────────────────────────────────┤ │ 1. 用户下单 → 订单服务创建订单(成功) │ │ 2. 发送消息到消息队列 │ │ 3. 库存服务异步扣减库存 │ │ 4. 积分服务异步增加积分 │ │ │ │ 基本可用:订单创建成功即可响应用户 │ │ 软状态:库存和积分可能短暂不一致 │ │ 最终一致:所有服务最终状态一致 │ └─────────────────────────────────────────┘ ``` ### ACID vs BASE 对比 | 维度 | ACID | BASE | |------|------|------| | **一致性** | 强一致性 | 最终一致性 | | **可用性** | 可能牺牲可用性 | 优先保证可用性 | | **数据状态** | 硬状态(Hard State) | 软状态(Soft State) | | **事务范围** | 单库事务 | 跨服务分布式 | | **复杂度** | 相对简单 | 需要额外机制 | | **适用场景** | 金融、银行 | 电商、社交 | ## 一致性级别的选择  *图:按业务场景选择强、因果、最终一致性* ``` ┌─────────────────────────────────────────────────────────────┐ │ 如何选择一致性级别? │ ├─────────────────────────────────────────────────────────────┤ │ │ │ 强一致性 │ │ ├── 金融转账、库存扣减(不能超卖) │ │ ├── 分布式锁、Leader 选举 │ │ └── 配置中心、服务发现 │ │ │ │ 因果一致性 │ │ ├── 社交网络(评论和回复) │ │ ├── 协作编辑 │ │ └── 聊天应用(消息顺序) │ │ │ │ 最终一致性 │ │ ├── 用户头像更新 │ │ ├── 商品浏览量、点赞数 │ │ ├── 搜索索引更新 │ │ └── CDN 内容分发 │ │ │ └─────────────────────────────────────────────────────────────┘ ``` ## 本章小结 - **CAP 定理**:分区时只能在一致性和可用性之间选择 - **PACELC**:扩展 CAP,正常情况下是延迟与一致性的权衡 - **一致性谱系**:从强到弱为线性一致性 → 顺序一致性 → 因果一致性 → 最终一致性 - **ACID vs BASE**:强一致事务 vs 最终一致的分布式设计 - 选择一致性级别需要根据业务场景权衡 ## 思考题 1. 为什么说「网络分区是不可避免的」?在什么情况下可以忽略 P? 2. 假设你在设计一个电商的库存系统,应该选择 CP 还是 AP?为什么? 3. 如何在最终一致性系统中实现 "Read Your Writes" 语义? ## QA ### Q1:为什么说「网络分区是不可避免的」?在什么情况下可以忽略 P? 因为真实网络一定会出现链路抖动、交换机故障、跨机房中断、超时和丢包,只要节点之间靠网络通信,就必须接受“节点可能暂时互相看不见”这个事实,所以 P 在广义分布式系统里基本不可回避。只有在非常受控的场景下,比如单机、单进程,或同机房内把网络当作极低概率故障并愿意牺牲讨论完整性时,才会在工程分析里暂时弱化 P,但真正做系统设计时仍然不能彻底忽略。 ### Q2:电商库存系统应该选择 CP 还是 AP?为什么? 真正决定“能不能卖”的库存扣减链路更适合选 CP。因为超卖通常比短暂不可用更难接受,尤其是秒杀、订单提交、支付确认这些关键路径,需要优先保证库存判断和扣减结果一致。对于商品详情页展示库存、销量、热度这类非关键读场景,则可以接受 AP 或最终一致,以换取更高可用和更低延迟。 ### Q3:如何在最终一致性系统中实现 "Read Your Writes" 语义? 常见做法有三类。第一,用户写完后的短时间内强制读主库或读写同一个副本。第二,给请求带上版本号、时间戳或路由标记,让后续读取至少命中已经包含该版本的数据。第三,在客户端或会话层做粘性会话,把同一用户一段时间内的读写固定到同一节点。核心思想都是让“这次读”避开复制延迟窗口。 --- 下一篇:[03 - 分布式架构模式](./03-architecture-patterns.md)
预览
发布文章
添加摘要让读者更快了解文章内容
取消
确认发布
AI 写作助手
输入一个主题,AI 将为你生成一篇 Markdown 博客文章
AI 正在写作中...
取消
开始生成
AI 优化助手
描述你的修改需求,AI 将在原文基础上进行补充或微调
AI 正在优化中...
取消
开始优化
画布
从已有图里选
✕
图名
保存后生成 /images/excalidraw/<图名>.svg(只能用字母、数字、短横线、下划线、点)
取消
保存并插入