最近在实践分布式和微服务系统，总算是能够把课本上学到的知识学以致用了。于是打算开一个系列来随机聊一聊分布式系统的一些知识。
CAP 理论
CAP 理论中给出了 CAP 布鲁尔定理（Brewer’s theorem），它指对于一个分布式计算系统来说，不可能同时满足以下三点：
- 一致性（Consistency） （所有节点访问同一份最新的数据副本）
- 可用性（Availability）（每次请求都能获取到非错的响应——但是不保证获取的数据为最新数据）
- 分区容错性（Partition tolerance）（如果不能在时限内达成数据一致性，则发生分区，必须就当前操作在 C 和 A 之间做出选择。）
证明：反证法。不妨设三个性质均满足（即满足原子性、可用性以及分区容错）。那么任何包含至少两个节点的网络可以分隔为两个非空集合 $G_1, G_2$，我们将网络定义成此种形式。对于一个原子对象 $o$ 的初值 $v_0$。定义 $\alpha_1$ 为一个执行步骤的一部分，并包含了一个对原子对象的写操作，使得原子对象的值变为 $v_1$ 且在 $G_1$ 中 $v_1 \neq v_0$。 假设 $\alpha_1$ 为当前时间段内唯一的客户端请求。那么假设 $G_1$ 和 $G_2$ 之间没有通信。由于满足可用性要求，于是对象 $o$ 在 $G_1$ 中具有值 $v_1$。
同法，不妨设 $\alpha_2$ 是另一个执行步骤的一部分，作用在 $G_2$ 上，于是 $o$ 在 $G_2$ 中具有值 $v_2$。
这时，如果执行一个包含 $\alpha_1$ 和 $\alpha_2$ 的步骤，那么 $G_e$ 仅能观察到 $\alpha_2$ （没有获得关于 $\alpha_1$ 的消息）。从而在 $\alpha_2$ 上的读操作会返回 $v_0$。考虑到读请求仅发生在写操作结束后，这与原子性相违背，证明完毕。
CAP 理论的普遍误解
CAP 理论的完整表述为：Any networked shared-data system can have at most two of the three desired properties。换句话说，CAP 定律的前提是 P，当 P 决定后才有 CA 的抉择。通常人们所理解的三选二其实是一种比较大的误解。分区如果很少发生，那么在系统不存在分区的情况下没什么理由牺牲 C 或 A。其次，C 与 A 之间的取舍可以在同一系统内以非常细小的粒度反复发生，而每一次的决策可能因为具体的操作，乃至因为牵涉到特定的数据或用户而有所不同。最后，这三种性质都可以在程度上衡量，并不是非黑即白的有或无。对于可用性而言，这一指标则是在 0% 到 100% 之间连续变化的，而一致性也分很多级别，甚至连分区也可以细分为不同含义，如系统内的不同部分对于是否存在分区可以有不一样的认知。
ACID 理论与 AC 系统
早期的软件复杂度很低，我们的系统通常满足 ACID 理论。即 CAP 理论中 A+C 可用并一致，ACID 指：
- 原子性（Atomicity）：要么事务执行成功、要么事务不执行（失败回滚），不存在中间状态；
- 一致性（Consistency）：数据库要么是执行成功的最终结果状态，要么是不执行的状态。数据库不存在事务的中间执行状态；
- 隔离性（Isolation）：多个事务之间执行过程中隔离不可见
- 持久性（Durability）：事务一旦提交，数据就会落地，即使发生宕机，重启后看到的也是事务提交后的状态
AC 系统在业务相对简单时几乎所向披靡，但一旦业务面临增长，强一致性的原子锁会造成大量的性能消耗。
BASE 理论与 AP 系统
ACID 理论早期服务于 SQL 型数据库，但当引入了分区后事情就变得复杂了起来，根据 CAP 理论，当存在 P 后，需要在 A 与 C 中进行抉择，不能同时满足。AP 系统即为满足 BASE 理论的系统。BASE 则指下面三个方面：
- 基本可用（Basically Available）：允许损失部分可用性，即保证核心可用
- 软状态（Soft State）：允许系统存在中间状态，不会影响系统整体可用性
- 最终一致性（Eventual Consistency）：数据副本经过一定时间后，最终能够达到一致的状态
这里的最终一致性是一个很有意思的话题，围绕一致性的内容有很多可以展开讨论的点。这里的最终一致性其实是弱一致性的一种特殊状况，对于一致性的具体讨论，我们留到以后讨论分布式一致性算法的时候再细说。简单来说，BASE 理论放弃了数据的强一致性，通过最终一致性来保证系统再分区异常时的基本可用性。
评述
总的来说，ACID 和 BASE 代表了两种截然相反的设计哲学，分处一致性-可用性分布图谱的两极。ACID 注重数据的一致性，是数据库的传统设计思路。而 BASE 的目的是抓住当时正逐渐成型的一些针对高可用性的设计思路，并且把不同性质之间的取舍和消长关系摆上台面。对于大规模跨区域分布的系统，包括云在内，则同时运用了这两种思路。
在实际的分布式系统实践中，CAP 理论演变为发生操作的那个短暂的间歇中，系统究竟是选择取消操作从而降低可用性，还是继续操作来冒险损失系统一致性为代价。有时系统依靠多次尝试通信的方法来达到一致性，在 Paxos 算法或者两阶段事务提交，这样的做法仅仅是推迟了决策的时间，但分布式系统终究要做一个决定；而无限期地尝试下去，本身就是选择一致性牺牲可用性的表现。这也是为什么我们说分区其实相当于对通信时限制定了一些要求。如果系统不能在规定的时间内达成数据一致，就认为发生了分区，必须在 C 和 A 之间进行决定。
