分布式之CAP理论

CAP分别指的是C（Consistency，一致性）、A（Availability，可用性）、P（Partition tolerance，分区容错性）。
CAP理论指的是，在分布式系统的指标计算规则下，CAP三者无法同时达到100%，需要对某个指标降级处理，比如：CP+HA（一致性100% + 分区容错性100% + 高可用性99.999%）。

三者关系示意图

在分布式系统中，分区容错性P是绝大部分场景首要的考虑因素，剩下的两个指标中会有一个根据场景进行保留和降级处理，形成CP+HA或者AP+HC。

分布式系统中的C（Consistency，一致性）追求的是数据副本的一致性，不是数据变更过程中数据值的一致性，后者是数据库中事务ACID中的C（Consistency，一致性）。这里是对于新接触分布式系统相关最容易让人误导的。

可以参考文章《ACID和CAP的详尽比较》

关于CAP导出的一些内容有：

• 共识算法
  • paxos
  • raft： Raft Consensus Algorithm
  • eraft
• 分布式数据一致性
• 主从复制

关于分布式系统，最重要的还是要理解一致性诉求，关于一致性，从数学原理上来说本质是排序问题，即如何将不同服务中的事件或者消息进行合理的排序，如此就涉及偏序和全序的概念。

偏序：集合的子集才具备某种关系
全序：集合自身及子集均具备某种关系

比如：复数域中的数值大小关系，它只对复数的部分子集如实数集成立，所以大小关系是复数的一个偏序关系；而对于实数域，不管是自身，还是子集有理数集，大小关系均成立，所以大小关系是实数域的全序关系。