CAP理论
10分钟搞懂CAP理论：https://www.bilibili.com/video/BV1Rb4y1W7CD
CAP理论基本概念
维基百科中的内容：
在理论计算机科学中，CAP定理（CAP theorem），又被称作布鲁尔定理（Brewer’s theorem），它指出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） ：等同于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）：以实际效果而言，分区相当于对通信的时限要求。系统如果不能在时限内达成数据一致性，就意味着发生了分区的情况，必须就当前操作在C和A之间做出选择；（简单解释：分区容错性是尽管任意数量的消息被节点间的网络丢失或者延迟，系统仍然是正确运行的！）
根据定理，分布式系统只能满足三项中的两项而不可能满足全部三项；
一致性C
有两个关键字：同一份、最新；
同一份意味着所有数据节点中的数据都要是一致的，最新意味着这些数据不能都是错误的；
可用性A
意味着每次请求都能够获取到非错的响应，但是获取到的数据不一定是最新的，只要是成功的响应即可；
分区容错性P
从实际效果而言，分区相当于对通信时限的要求；即：
系统如果不能在某个时间内达成一致性，就意味着发生了分区的情况，必须就当前操作，在C和A中做出选择！
更具体的说：分区容错性就是指，尽管任意数量的消息被节点之间的网络问题造成丢失或者延迟（网络丢包，网络中断），但是仍然要保证系统不能崩溃（系统能够容忍这些问题）；
在一个上千台设备组成的大集群中，网络、硬件设备几乎是无时不刻都在发生的！
CAP理论理解
首先要注意：CAP 理论中的 C 和数据库事务ACID 中的 C 完全不是一个意思！
ACID 中 C 的一致性指的是事物的一致性状态，即：
数据库任何数据库事务修改数据必须满足定义好的规则，包括数据完整性（约束）、级联回滚、触发器等！
例如：
a 向 b 转账 100 块钱，事物一致性(C) 要求在事务前、中、后都要保证
a+b的和相同！
而CAP中的C可以理解为：
副本一致性：所有集群中的所有副本的值都是一样的！
为什么CAP三者无法共存？
在没有网络分区和网络波动的情况下，我们无需为了P而舍弃C或者A；
但是一个大集群中的网络几乎无时不刻都存在问题（网络分区或者网络波动时刻发生），因此：
为了保证P（即，整个分布式系统还是可用的），就要舍弃C和A中的一个；
例如：存在三个副本，则对于这三个副本的写入有两种可能的方案：
- W=1（一写）：向三个副本写入，只要一个副本返回写入成功即认为成功；
- W=3（三写）：向三个副本写入，必须三个副本都写入成功才认为成功；
在不考虑副本投票选举（Quorum Replication）和共识（Consensus）算法的情况下：
在一写的情况下（W=1）：
由于只要有一个副本写入成功即可返回成功；
当存在网络分区后（如上图S1的网络和其他节点中断），三台机器的数据就可能出现不一致的情况，因此无法保证C
但是由于可以正常的返回写入成功，所以A可以保证！
在三写的情况下（W=3）：
此方案要求三个副本都要写入成功才可以返回成功；
当出现网络分区后，由于无法保证三个节点都写入成功，因此最终会返回错误；
所以此时失去了A，但是由于数据没有被成功写入，因此保证了C！
CAP理论在分布式数据库下的场景
前文提到了，在现实生活中由于集群网络的复杂性 P 是一定存在的！
因此一旦出现了网络分区，那么一致性和可用性就要抛弃一个！
通常情况下：
- 对于 NoSQL 数据库，由于更加注重可用性（例如：缓存等场景），因此会是一个AP系统；
- 对于分布式关系型数据库，必须要保证一致性，因此就是一个 CP 系统；
需要注意的是：
虽然分布式关系型数据库是一个 CP 系统，但是仍然是具有高可用性需求的，虽然达不到理论上 100% 的可用性，但是一般都具备5个9（99.999%）以上的高可用！
我们可以将关系型数据库看作是 CP + HA（Hign Availability） 的系统，因此产生了两个重要且广泛使用的指标：
- RPO（Recovery Point Objective，恢复点目标）：指数据库在灾难发生后会丢失多长时间的数据，对于分布式数据库基本上 RPO=0；
- RTO（Recovery Time Objective，恢复点时间）：指数据库在灾难发生后到整个系统恢复正常所需要的时间，对于分布式数据库通常情况下 RTO<几分钟；
可以认为：
- RPO对应了CAP中的C，因此一般情况下 RPO 都是0，因为数据一致性是保证的，没有副本丢失数据；
- RTO对应 HA，虽然不能完全保证A，但是可以达到高可用；
辩证看待CAP理论
CAP 理论是一个证明在现实场景下你无法达到什么的理论（即：追求CAP都保证），这个理论限制了分布式系统设计者的行为；
类似于能量守恒理论限制了你无法设计出永动机；
但是由于其 C 和 A 的条件都太过极端，就导致有些理解不深入的设计者认为选取了一个，就一定抛弃了另一个；
实际上在现实生活中，我们是根据实际场景，在保证一个指标的同时，对另一个指标进行 降级 处理，以此进行妥协，是一个trade off的过程
CAP理论下目前成熟的分布式方案
前面提到了副本投票选举（Quorum Replication）和共识（Consensus）算法，这里来简单看一下；
Quorum Replication
Quorum Replication 主要包括三个部分：
- N：副本数；
- W：写入成功副本数；
- R：读取成功副本数；
简单可知，当 W+R>N 时，在系统中永远都存在至少一个副本是最新且正确的！
因此，对于系统中的多个节点，只需要保证
W+R>N即可（大多数成功即成功）！
当 N=3 时有两种设计：
- W=1，R=3：写可用AP，读一致CP，如：记录流水系统，需要快速写入但是可以暂时无法读取，并且不可以读到老旧的错误流水；
- W=3，R=1：写一致CP，读可用AP，如：电子商务系统，商家修改商品金额，可以容许暂时失败，但是会有大量客户去查看商品，需要保证读可用；
Consensus
在共识算法中，各个副本之间存在交互；
通常情况下，整个集群中会选举出一个 leader（例如：raft、paxos算法），所有操作由leader提供（读写操作）；
- 当 leader 没有出现故障的情况下，整个集群的 CA 都可以得到保障！
- 当 leader 由于部分原因宕机，集群选举新的 leader，而此时系统在选举的短暂过程中不可用；
因此，共识算法通常都是一个 CP + HA 的系统；
