分佈式系統的CAP理論
2000年7月，加州大學伯克利分校的Eric Brewer教授在ACM PODC會議上提出CAP猜想。2年後，麻省理工學院的Seth Gilbert和Nancy Lynch從理論上證明了CAP。之後，CAP理論正式成爲分佈式計算領域的公認定理。
CAP理論概述
一個分佈式系統最多隻能同時滿足一致性（Consistency）、可用性（Availability）和分區容錯性（Partition tolerance）這三項中的兩項。
讀者需要注意的的是，CAP理論中的CA和數據庫事務中ACID的CA並完全是同一回事兒。兩者之中的A都是C都是一致性(Consistency)。CAP中的A指的是可用性（Availability），而ACID中的A指的是原子性（Atomicity)，切勿混爲一談。
CAP的定義
Consistency 一致性
一致性指“all nodes see the same data at the same time”，即更新操作成功並返回客戶端完成後，所有節點在同一時間的數據完全一致。分佈式的一致性
對於一致性，可以分爲從客戶端和服務端兩個不同的視角。從客戶端來看，一致性主要指的是多併發訪問時更新過的數據如何獲取的問題。從服務端來看，則是更新如何複製分佈到整個系統，以保證數據最終一致。一致性是因爲有併發讀寫纔有的問題，因此在理解一致性的問題時，一定要注意結合考慮併發讀寫的場景。
從客戶端角度，多進程併發訪問時，更新過的數據在不同進程如何獲取的不同策略，決定了不同的一致性。對於關係型數據庫，要求更新過的數據能被後續的訪問都能看到，這是強一致性。如果能容忍後續的部分或者全部訪問不到，則是弱一致性。如果經過一段時間後要求能訪問到更新後的數據，則是最終一致性。
Availability 可用性
可用性指“Reads and writes always succeed”，即服務一直可用，而且是正常響應時間。
對於一個可用性的分佈式系統，每一個非故障的節點必須對每一個請求作出響應。所以，一般我們在衡量一個系統的可用性的時候，都是通過停機時間來計算的。
| 可用性分類 | 可用水平（%） | 年可容忍停機時間 |
|---|---|---|
| 容錯可用性 | 99.9999 | <1 min |
| 極高可用性 | 99.999 | <5 min |
| 具有故障自動恢復能力的可用性 | 99.99 | <53 min |
| 高可用性 | 99.9 | <8.8h |
| 商品可用性 | 99 | <43.8 min |
通常我們描述一個系統的可用性時，我們說淘寶的系統可用性可以達到5個9，意思就是說他的可用水平是99.999%，即全年停機時間不超過 (1-0.99999)*365*24*60 = 5.256 min，這是一個極高的要求。
好的可用性主要是指系統能夠很好的爲用戶服務，不出現用戶操作失敗或者訪問超時等用戶體驗不好的情況。一個分佈式系統，上下游設計很多系統如負載均衡、WEB服務器、應用代碼、數據庫服務器等，任何一個節點的不穩定都可以影響可用性。
Partition Tolerance分區容錯性
分區容錯性指“the system continues to operate despite arbitrary message loss or failure of part of the system”，即分佈式系統在遇到某節點或網絡分區故障的時候，仍然能夠對外提供滿足一致性和可用性的服務。
分區容錯性和擴展性緊密相關。在分佈式應用中，可能因爲一些分佈式的原因導致系統無法正常運轉。好的分區容錯性要求能夠使應用雖然是一個分佈式系統，而看上去卻好像是在一個可以運轉正常的整體。比如現在的分佈式系統中有某一個或者幾個機器宕掉了，其他剩下的機器還能夠正常運轉滿足系統需求，或者是機器之間有網絡異常，將分佈式系統分隔未獨立的幾個部分，各個部分還能維持分佈式系統的運作，這樣就具有好的分區容錯性。
CAP的證明
如上圖，是我們證明CAP的基本場景，網絡中有兩個節點N1和N2，可以簡單的理解N1和N2分別是兩臺計算機，他們之間網絡可以連通，N1中有一個應用程序A，和一個數據庫V，N2也有一個應用程序B2和一個數據庫V。現在，A和B是分佈式系統的兩個部分，V是分佈式系統的數據存儲的兩個子數據庫。
在滿足一致性的時候，N1和N2中的數據是一樣的，V0=V0。在滿足可用性的時候，用戶不管是請求N1或者N2，都會得到立即響應。在滿足分區容錯性的情況下，N1和N2有任何一方宕機，或者網絡不通的時候，都不會影響N1和N2彼此之間的正常運作。
如上圖，是分佈式系統正常運轉的流程，用戶向N1機器請求數據更新，程序A更新數據庫Vo爲V1，分佈式系統將數據進行同步操作M，將V1同步的N2中V0，使得N2中的數據V0也更新爲V1，N2中的數據再響應N2的請求。
這裏，可以定義N1和N2的數據庫V之間的數據是否一樣爲一致性；外部對N1和N2的請求響應爲可用行；N1和N2之間的網絡環境爲分區容錯性。這是正常運作的場景，也是理想的場景，然而現實是殘酷的，當錯誤發生的時候，一致性和可用性還有分區容錯性，是否能同時滿足，還是說要進行取捨呢？
作爲一個分佈式系統，它和單機系統的最大區別，就在於網絡，現在假設一種極端情況，N1和N2之間的網絡斷開了，我們要支持這種網絡異常，相當於要滿足分區容錯性，能不能同時滿足一致性和響應性呢？還是說要對他們進行取捨。
假設在N1和N2之間網絡斷開的時候，有用戶向N1發送數據更新請求，那N1中的數據V0將被更新爲V1，由於網絡是斷開的，所以分佈式系統同步操作M，所以N2中的數據依舊是V0；這個時候，有用戶向N2發送數據讀取請求，由於數據還沒有進行同步，應用程序沒辦法立即給用戶返回最新的數據V1，怎麼辦呢？
有二種選擇，第一，犧牲數據一致性，響應舊的數據V0給用戶；
第二，犧牲可用性，阻塞等待，直到網絡連接恢復，數據更新操作M完成之後，再給用戶響應最新的數據V1。
這個過程，證明了要滿足分區容錯性的分佈式系統，只能在一致性和可用性兩者中，選擇其中一個。
CAP權衡
通過CAP理論，我們知道無法同時滿足一致性、可用性和分區容錯性這三個特性，那要捨棄哪個呢？
CA without P：如果不要求P（不允許分區），則C（強一致性）和A（可用性）是可以保證的。但其實分區不是你想不想的問題，而是始終會存在，因此CA的系統更多的是允許分區後各子系統依然保持CA。
CP without A：如果不要求A（可用），相當於每個請求都需要在Server之間強一致，而P（分區）會導致同步時間無限延長，如此CP也是可以保證的。很多傳統的數據庫分佈式事務都屬於這種模式。
AP wihtout C：要高可用並允許分區，則需放棄一致性。一旦分區發生，節點之間可能會失去聯繫，爲了高可用，每個節點只能用本地數據提供服務，而這樣會導致全局數據的不一致性。現在衆多的NoSQL都屬於此類。
CA without P
這種情況在分佈式系統中幾乎是不存在的。首先在分佈式環境下，網絡分區是一個自然的事實。因爲分區是必然的，所以如果捨棄P，意味着要捨棄分佈式系統。那也就沒有必要再討論CAP理論了。這也是爲什麼在前面的CAP證明中，我們以系統滿足P爲前提論述了無法同時滿足C和A。
比如我們熟知的關係型數據庫，如My Sql和Oracle就是保證了可用性和數據一致性，但是他並不是個分佈式系統。一旦關係型數據庫要考慮主備同步、集羣部署等就必須要把P也考慮進來。
其實，在CAP理論中。C，A，P三者並不是平等的，CAP之父在《Spanner，真時，CAP理論》一文中寫到：
如果說Spanner真有什麼特別之處，那就是谷歌的廣域網。Google通過建立私有網絡以及強大的網絡工程能力來保證P，在多年運營改進的基礎上，在生產環境中可以最大程度的減少分區發生，從而實現高可用性。
從Google的經驗中可以得到的結論是，無法通過降低CA來提升P。要想提升系統的分區容錯性，需要通過提升基礎設施的穩定性來保障。
所以，對於一個分佈式系統來說。P是一個基本要求，CAP三者中，只能在CA兩者之間做權衡，並且要想盡辦法提升P。
CP without A
如果一個分佈式系統不要求強的可用性，即容許系統停機或者長時間無響應的話，就可以在CAP三者中保障CP而捨棄A。
一個保證了CP而一個捨棄了A的分佈式系統，一旦發生網絡故障或者消息丟失等情況，就要犧牲用戶的體驗，等待所有數據全部一致了之後再讓用戶訪問系統。
設計成CP的系統其實也不少，其中最典型的就是很多分佈式數據庫，他們都是設計成CP的。在發生極端情況時，優先保證數據的強一致性，代價就是捨棄系統的可用性。如Redis、HBase等，還有分佈式系統中常用的Zookeeper也是在CAP三者之中選擇優先保證CP的。
無論是像Redis、HBase這種分佈式存儲系統，還是像Zookeeper這種分佈式協調組件。數據的一致性是他們最最基本的要求。一個連數據一致性都保證不了的分佈式存儲要他有何用？
在我的Zookeeper介紹（二）——Zookeeper概述一文中其實介紹過zk關於CAP的思考，這裏再簡單回顧一下：
ZooKeeper是個CP（一致性+分區容錯性）的，即任何時刻對ZooKeeper的訪問請求能得到一致的數據結果，同時系統對網絡分割具備容錯性。但是它不能保證每次服務請求的可用性，也就是在極端環境下，ZooKeeper可能會丟棄一些請求，消費者程序需要重新請求才能獲得結果。ZooKeeper是分佈式協調服務，它的職責是保證數據在其管轄下的所有服務之間保持同步、一致。所以就不難理解爲什麼ZooKeeper被設計成CP而不是AP特性的了。
AP wihtout C
要高可用並允許分區，則需放棄一致性。一旦網絡問題發生，節點之間可能會失去聯繫。爲了保證高可用，需要在用戶訪問時可以馬上得到返回，則每個節點只能用本地數據提供服務，而這樣會導致全局數據的不一致性。
這種捨棄強一致性而保證系統的分區容錯性和可用性的場景和案例非常多。前面我們介紹可用性的時候說到過，很多系統在可用性方面會做很多事情來保證系統的全年可用性可以達到N個9，所以，對於很多業務系統來說，比如淘寶的購物，12306的買票。都是在可用性和一致性之間捨棄了一致性而選擇可用性。
你在12306買票的時候肯定遇到過這種場景，當你購買的時候提示你是有票的（但是可能實際已經沒票了），你也正常的去輸入驗證碼，下單了。但是過了一會系統提示你下單失敗，餘票不足。這其實就是先在可用性方面保證系統可以正常的服務，然後在數據的一致性方面做了些犧牲，會影響一些用戶體驗，但是也不至於造成用戶流程的嚴重阻塞。
但是，我們說很多網站犧牲了一致性，選擇了可用性，這其實也不準確的。就比如上面的買票的例子，其實捨棄的只是強一致性。退而求其次保證了最終一致性。也就是說，雖然下單的瞬間，關於車票的庫存可能存在數據不一致的情況，但是過了一段時間，還是要保證最終一致性的。
對於多數大型互聯網應用的場景，主機衆多、部署分散，而且現在的集羣規模越來越大，所以節點故障、網絡故障是常態，而且要保證服務可用性達到N個9，即保證P和A，捨棄C（退而求其次保證最終一致性）。雖然某些地方會影響客戶體驗，但沒達到造成用戶流程的嚴重程度。
適合的纔是最好的
上面介紹瞭如何CAP中權衡及取捨以及典型的案例。孰優孰略，沒有定論，只能根據場景定奪，適合的纔是最好的。
對於涉及到錢財這樣不能有一絲讓步的場景，C必須保證。網絡發生故障寧可停止服務，這是保證CA，捨棄P。比如前幾年支付寶光纜被挖斷的事件，在網絡出現故障的時候，支付寶就在可用性和數據一致性之間選擇了數據一致性，用戶感受到的是支付寶系統長時間宕機，但是其實背後是無數的工程師在恢復數據，保證數數據的一致性。
對於其他場景，比較普遍的做法是選擇可用性和分區容錯性，捨棄強一致性，退而求其次使用最終一致性來保證數據的安全。這其實是分佈式領域的另外一個理論——BASE理論。我們下一篇文章再來介紹。