一致性原则

基础内容

定义：确保系统中的数据在任何时候都是一致的

关键概念

• 强一致性（Strong Consistency）：所有节点在同一时间看到的数据是相同的
  • 实现方式
    • 同步更新：每次写操作都会同步更新所有副本，确保所有节点数据一致
    • 读操作的一致性：无论在哪个节点进行读操作，都能立即获得最新的数据
    • 严格的顺序：读写操作严格按照顺序执行，确保数据的一致性
  • 实现技术
    • 分布式数据库：通过分布式事务和同步复制实现强一致性。工具：Google Spanner, CockroachDB
    • 共识算法：使用共识算法确保所有节点达成一致。算法：Paxos, Raft
• 最终一致性（Eventual Consistency）：在没有新的更新的情况下，所有节点最终会达到一致的状态
  • 实现方式
    • 异步更新：写操作异步传播到其他节点，各节点的数据可能在短时间内不一致
    • 容忍短暂不一致：系统允许在短时间内存在数据不一致，但最终会达到一致状态
    • 高可用性：相比强一致性，最终一致性系统具有更高的可用性和性能
  • 实现技术
    • 异步复制：数据更新异步复制到其他节点。工具：Amazon DynamoDB, Cassandra
    • 矛盾解决机制：使用冲突检测和解决机制来处理数据不一致。算法：Vector Clocks, Conflict-Free Replicated Data Types (CRDTs)
• CAP定理（CAP Theorem）：一致性（Consistency）、可用性（Availability）、分区容错性（Partition Tolerance）三者不可兼得
  • 定义
    • 一致性（Consistency）：所有节点在同一时间看到的数据是相同的
    • 可用性（Availability）：每个请求都能收到非错误响应，但不保证返回最新的数据
    • 分区容错性（Partition Tolerance）：系统在网络分区发生时仍能继续运行
  • CAP三选二：在分布式系统中，只能同时满足一致性、可用性和分区容错性中的两项，不能同时满足三者
    • CA（一致性+可用性）
      • 放弃分区容错性，适用于单机系统或对网络分区容忍度低的场景
      • 比如：传统关系型数据库（单机部署）
    • CP（一致性+分区容错性）
      • 放弃可用性，确保数据一致性和分区容错性，适用于数据一致性要求高的场景
      • 工具：HBase, MongoDB（在强一致性配置下）
    • AP（可用性+分区容错性）
      • 放弃一致性，确保系统高可用性和分区容错性，适用于高可用性要求高的场景
      • 工具：Cassandra, DynamoDB

保证一致性常用技术方案

• 分布式事务：确保跨多个节点的数据一致性
  • 二阶段提交（2PC）
  • 三阶段提交（3PC）
• 数据复制：通过复制确保数据一致性
  • 主从复制
  • 多主复制
• 一致性哈希（Consistent Hashing）：一种分布式哈希技术，减少数据迁移