分布式基础理论——CAP理论和BASE理论

本文主要是介绍分布式基础理论——CAP理论和BASE理论，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

- - CAP 理论
  - BASE 理论
  - 参考资料

CAP 理论

CAP定理（CAP theorem）指出，在分布式系统中，设计读写操作时只能同时满足以下三个特性中的两个：

一致性（Consistency） : 所有节点访问同一份最新的数据副本。需要强调的是，这里的一致性指的是线性一致性。
可用性（Availability）: 非故障的节点在合理的时间内返回合理的响应（不是错误或者超时的响应）。
分区容错性（Partition Tolerance） : 在出现网络分区的时候，节点之间的通信出现失败的情况，分布式系统仍然能够对外提供服务。

注意，这里的”三选二“ 理解如下：

在CAP理论中，分区容错性（P）是必须满足的。因为在大规模分布式系统中，网络分区是不可避免的。
在满足分区容错性的前提下，分布式系统只能在一致性（C）和可用性（A）之间进行权衡。
当网络分区正常（即系统在大多数时间内处于稳定的网络状态）时，C 和 A 是可以同时满足的，因为此时无需考虑分区容错性（P）的影响。

在这里插入图片描述

因此，分布式系统理论上不可能选择 CA 架构，只能选择 CP 或者 AP 架构。因为 CA 架构的系统不再是标准的分布式系统，主数据库和从数据库不在进行同步。

CP 架构案例：ZooKeeper、HBase、Nacos
AP 架构案例：Cassandra、Eureka、Nacos

BASE 理论

BASE（Basically Available, Soft State, Eventually Consistent）是 CAP 理论中 AP 方案的延伸，通过牺牲强一致性来获取可用性，但会保证最终一致性。由于分布式系统在CAP理论中最多只能同时满足两个特性，在实际场景中，大多数分布式系统会选择AP方案，即牺牲强一致性以确保系统的可用性和分区容错性。然而，在这种架构设计中，系统通常会采用最终一致性策略。最终一致性允许多个节点的数据在短时间内存在差异，但经过一段时间后，这些数据会自动同步，最终达到一致的状态。

BASE(BasicallyAvailable, Soft State, Eventually Consistent) 的具体特点如下：

Basically Available（基本可用）：系统保证在大多数情况下可用，即便在某些异常情况下，部分功能可能无法正常工作，但不会导致整个系统不可用。例如，在线购物平台在高峰期可能会延迟订单处理，但用户仍然能够浏览商品和提交订单。
Soft State（软状态）：系统中的数据状态可以在某个时间点不同步，允许不同节点之间的数据存在短暂的不一致性。这种不一致性是暂时的，最终会被解决。
Eventually Consistent（最终一致性）：虽然系统可能在一段时间内处于不一致的状态，但经过一段时间后，所有数据节点最终会达到一致的状态。这意味着系统不会始终保持一致性，但在没有进一步的输入时，最终会达到一致性。