分布式理论（一） CAP理论
一．CAP理论前言
CAP原则又称为CAP理论，主要思想是在任何一个分布式系统中都无法同时满足CAP。
C（Consistency）：表示一致性，所有的节点同一时间看到的是相同的数据。
A（Avaliablity）：表示可用性，不管是否成功，确保一个请求都能接收到响应。
P（Partion Tolerance）：分区容错性，系统任意分区后，在网络故障时，仍能操作。
如上所述，正如Gilbert认为，一致性其实就是关系型数据库所讲的ACID，一个用户请求要么是成功，要么是失败的，不能有处于一个中间状态；一旦一个事务完成，将来所有事务都必须基于这个完成后的状态；未完成的事务不会互相影响；一旦一个事务完成，就是持戒的。可用性其实就是对于一个系统而言，所有的请求都应该“成功”并且收到“响应”。分区容错性其实就是指分布式系统的容错性，一个节点出现了故障，不影响整个集群的正常使用。
二．CAP理论介绍
如图，在一个网络中，N1和N2即分布式系统中的两个节点，他们都共享数据块V，其中有一个值是为V0。
l 在满足一致性的时候，A中的V0应该和B中的V0保持一致的，即V0=V0
l 在满足可用性的时候，无论请求访问A或者是B都应该得到响应。
l 在满足分区可用性的时候，A和B随便一个出现宕机或者网络不通的情况下，都不应该影响整个系统的可用性。
上述描述如果A程序更新V0值为V1，然后在更新B上的副本为V1，当一个请求访问B时，得到的结果是V1。如下图所示：
但是分布式系统中，有些时候这些并不能按照你想的这样进行，在分布式系统中通常情况下网络是分区的，如果出现了网络延迟，导致N1上更新的消息无法到达N2上，即N2上的数据副本依然是V0，当一个请求访问B时，获取到的结果是V0，而访问A时，获取到的结果是V1，这就导致了在用户看来是同一个请求，得到的结果是不一样的。如下图
在这个时候，方案的设计者就应该在这里做出两种选择：
（1）牺牲数据一致性，保证可用性。响应旧的数据V0给用户。
（2）牺牲可用性，保证数据一致性。阻塞等待，直到网络连接恢复，数据更新操作M完成之后，再给用户响应最新的数据V1
三．CAP之间取舍
接下来我们就谈一谈CAP，这三者之间是如何取舍的：
（1）CA without P
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。但其实分区不是你想不想的问题，而是始终会存在，因此CA的系统更多的是允许分区后各子系统依然保持CA。
常见模型例子：
单站点数据库；集群数据库等，网上找的还有：LDAP协议，xFS文件系统
实现方式：
两阶段提交；缓存验证协议
（2） CP without A
如果不要求A（可用），相当于每个请求都需要在节点之间强一致，而P（分区）会导致同步时间无限延长，如此CP也是可以保证的。很多传统的数据库分布式事务都属于这种模式，以及Zookeeper等中间件
常见模型例子：
分布式数据库；分布式锁；大部分的协议；Zookeeper
实现方式：
悲观锁；少数分区不可用
（3） AP wihtout C
要高可用并允许分区，则需放弃一致性。一旦分区发生，节点之间可能会失去联系，为了高可用，每个节点只能用本地数据提供服务，而这样会导致全局数据的不一致性。现在众多的NoSQL都属于。
常见模型例子：
Web缓存；DNS；NoSQL；
实现方式：
到期或者租赁；解决冲突；乐观锁
CAP的意义：
在系统架构时，应该根据具体的业务场景来权衡CAP，就拿大多数的门户网站来说，因为机器数量庞大，部署节点分散，网络故障时常态，可用性是必须要保证的，所以在设计的时候就会考虑舍弃一些一致性而选择AP模型。但是对于数据一致性较高的银行系统来说，可以用于系统临时不可用，但是数据必须要保持一致来说，选择CP模型无可厚非。