目錄
線性一致性（強一致性，strict consistency）
一致性模型分析
線性一致性（強一致性，strict consistency）
對一致性的要求：
- 任何一次讀都能讀到某個數據的最近一次寫的數據。
- 系統中的所有進程，看到的操作順序，都和全局時鐘下的順序一致。
顯然這兩個條件都對全局時鐘有非常高的要求。強一致性只是存在理論中的一致性模型，比它要求更弱一些的，是順序一致性。
順序一致性(Sequential Consistency)
對一致性的要求：
- 任何一次讀都能讀到某個數據的最近一次寫的數據。
- 允許系統中的所有進程形成自己合理的統一的一致性，不需要與全局時鐘下的順序都一致。
在設計和證明運行在該計算機上的多進程算法[1]-[3]的正確性時，通常基於如下假設：執行結果與這些處理器以某一串行順序執行的結果相同，同時每個處理器內部操作的執行看起來又與程序描述的順序一致。滿足該條件的多處理器系統我們就認爲是sequential consistent的"。這裏的處理器就代表了一個獨立的執行進程(或線程)，每個進程(線程)內部是串行執行的。如果並行執行的結果與某個合法的串行執行順序(在這個執行順序中每個線程內部的執行順序要保留)的執行結果一致，我們就認爲它是符合順序一致性的
- 圖a是滿足順序一致性，但是不滿足強一致性的。原因在於，從全局時鐘的觀點來看，P2進程對變量X的讀操作在P1進程對變量X的寫操作之後，然而讀出來的卻是舊的數據。但是這個圖卻是滿足順序一致性的，因爲兩個進程P1,P2的一致性並沒有衝突。從這兩個進程的角度來看，順序應該是這樣的：Write(y,2) , Read(x,0) , Write(x,4), Read(y,2)，每個進程內部的讀寫順序都是合理的，但是顯然這個順序與全局時鐘下看到的順序並不一樣。
- 圖b滿足強一致性，因爲每個讀操作都讀到了該變量的最新寫的結果，同時兩個進程看到的操作順序與全局時鐘的順序一樣，都是Write(y,2) , Read(x,4) , Write(x,4), Read(y,2)。
- 圖c不滿足順序一致性，當然也就不滿足強一致性了。因爲從進程P1的角度看，它對變量Y的讀操作返回了結果0。那麼就是說，P1進程的對變量Y的讀操作在P2進程對變量Y的寫操作之前，這意味着它認爲的順序是這樣的：write(x,4) , Read(y,0) , Write(y,2), Read(x,0)，顯然這個順序又是不能被滿足的，因爲最後一個對變量x的讀操作讀出來也是舊的數據。因此這個順序是有衝突的，不滿足順序一致性。
因果一致性(Casual Consistency)
又比順序一致性降低：它僅要求有因果關係的操作順序得到保證，非因果關係的操作順序則無所謂。
因果相關的要求是這樣的：
- 本地順序：本進程中，事件執行的順序即爲本地因果順序。
- 異地順序：如果讀操作返回的是寫操作的值，那麼該寫操作在順序上一定在讀操作之前。
- 閉包傳遞：和時鐘向量裏面定義的一樣，如果a->b，b->c，那麼肯定也有a->c。
圖a滿足順序一致性，因此也滿足因果一致性，因爲從這個系統中的四個進程的角度看，它們都有相同的順序也有相同的因果關係。
圖b滿足因果一致性但是不滿足順序一致性，這是因爲從進程P3、P4看來，進程P1、P2上的操作因果有序，因爲P1、P2上的寫操作不存在因果關係，所以它們可以任意執行。不滿足一致性的原因，同上面一樣是可以推導出衝突的情況來。
騰訊朋友圈的例子
在infoq分享的騰訊朋友圈的設計中，他們在設計數據一致性的時候，使用了因果一致性這個模型。用於保證對同一條朋友圈的回覆的一致性，比如這樣的情況：
A發了朋友圈內容爲梅里雪山的圖片。
B針對內容a回覆了評論：“這裏是哪裏?”
C針對B的評論進行了回覆：”這裏是梅里雪山“。
那麼，這條朋友圈的顯示中，顯然C針對B的評論，應該在B的評論之後，這是一個因果關係，而其他沒有因果關係的數據，可以允許不一致。
微信的做法是：
每個數據中心，都自己生成唯一的、遞增的數據ID，確保能排重。在下圖的示例中，有三個數據中心，數據中心1生成的數據ID模1爲0，數據中心1生成的數據ID模2爲0，數據中心1生成的數據ID模3爲0，這樣保證了三個數據中心的數據ID不會重複全局唯一。
每條評論都比本地看到所有全局ID大，這樣來確保因果關係，這部分的原理前面提到的向量時鐘一樣。
有了這個模型和原理，就很好處理前面針對評論的評論的順序問題了。
假設B在數據中心1上，上面的ID都滿足模1爲0，那麼當B看到A的朋友圈時，發表了評論，此時給這個評論分配的ID是1，因此B的時鐘向量數據是[1]。
假設C在數據中心2上，上面的ID都滿足模2爲0，當C看到了B的評論時，針對這個評論做了評論，此時需要給這個評論分配的ID肯定要滿足模2爲0以及大於1，評論完畢之後C上面的時鐘向量是[1,2]。
假設A在數據中心3上，上面的ID都滿足模3爲0，當A看到B、C給自己的評論時，很容易按照ID進行排序和合並--即使A在收到C的數據[1,2]之後再收到B的數據[1]，也能順利的完成合並。
參考資料
微信朋友圈技術之道 http://www.infoq.com/cn/presenta ... y-of-weixin-moments
《分佈式計算-原理、算法與系統》
《分佈式系統一致性的發展歷史 (一)》
https://blog.csdn.net/hit_shaoqi/article/details/79515335