上面2个一致性最大的问题就是慢，对每个必要的操作都需要发送网络请求去询问。而且依赖于高可靠的网络连接。
当出现下面的一些情况就不太适用：
如 断掉的CLIENT，如自己的手机笔记本，会有断网的时候
还有购物车，对一致性要求不这么高的应用。用户可以自己把需要的东西加回来。
那么为了支持上述情况，也就是支持断线的（本地的）操作。还有一些对一致性不敏感希望性能更好的应用。
出现了最终一致性的模型。
最终一致性是乐观的，认为冲突的写不怎么发生，如果发生了，只要担心最终会不会一致就可以。
最终一致性可以接受一个写不马上去和别的机器同步，同时也能容忍读到一个旧的数据。这些的牺牲都是为了更好的性能。
举一个相册APP的例子。
传统的解决方案是用一个SERVER一次处理一个请求，然后保持所有操作有序。
如果是在分布式的SERVER上，就可以均摊负载。但是会有下面的问题
当遇到了写写冲突该怎么解决呢？
解决方案 是用UPDATE FUNCTIONS，也就是2 台机器把自己的更新操作 都发送给别的机器，让他们也去做。但是不用等他们回复，就可以直接返回给CLIENT。
这样的同步可能就无法保证顺序。如下图
那么我们必须对每一个UPDATE FUNCTION 的log 进行排序。
如果时间一样，ID小的机器 的LOG放在前面。
再看这个例子
当发现顺序不一致的时候，就需要对不一致的那方ROLL BACK and replay
这个方案看似能保证2边一致，但是有些操作包含了因果关系。比如你发了条朋友圈，人家对你的朋友圈做评论。如果人家的手机时间是早5分钟的（相比你的手机时间）经过上述算法进行重排。反而会得到，人家先评论了你的朋友圈，你再把朋友圈发出来的奇怪事情。
下面的这个例子也是讲了这个问题。
就会先删除，后ADD。造成没有删除成功。
解决方案是不能用直接时间，而是逻辑时间。
上一节的LAMPORT时间戳就可以用了。
上述方案的一个问题是：我们可能永远不知道有一个其他SERVER的照片你还没有SYNC到。这样如果你很久才去把那张照片SYNC过来，你会RERUN 大量的UPDATE FUNCTION。
所以更好的做法是我们可以知道哪些UPDATE 是STABLE了。那么这之前的UPDATE FUNCTION就可以扔掉了。因为不再需要RERUN这些FUNCTION了。
第一种解决思路是分布式的。
如果有一个节点SYNC到某条LOG的时候发现，所有的SERVER 的TS 都 >N,那么这个N就是个STABLE的点。之前的UPDATE FUNCTION 都可以丢了。
这个有个问题，就是一旦有一个NODE OFFLINE了。所有的节点的STABLE 位置都不再变化了。
那么集中式的可以解决这个问题吗？
集中式的SERVER会为每一个COMMIT 都分配一个CSN，所有的写带一个CSN的都是STABLE的。
比如一个SERVER本地写了10，SERVER2本地写了20.然后去和PRIMARY SYNC。一旦SYNC到PRIMARY了，就可丢UPDATE FUNCTION了。
这个时候如果有一个OFFLINE 的节点会如何？那么当挂掉的节点连上来后，会把自己的UPDATE FUNCTION去和PRIMARY SYNC。 那么这个CSN 肯定比他在挂掉时的那些CSN要大了。所以其他SERVER 在SYNC他的这个U F的时候，丢掉比这个CSN 小的UF 也没关系了。
但是会遇到PRIMARY 的顺序 和 本地的顺序不一致的CASE。如下图，最右边的SERVER 和最左边的SERVER 同时朝PRIMARY 和中间的SERVER SYNC，
中间的收到的顺序是SRV 1, SRV2 ； PRIMARY 收到的是SRV2 SRV1。
此时PRIMARY 要去SYNC中间的SERVER的时候，就会不一致。所以还是需要ROLL BACK 并且REPLAY。
最后做个总结。
最终一致性：
使用UPDATE FUNCTION ，然后过度到用排序的UPDATE LOG，基于ROLL BACK and REPLAY。同时排序是根据逻辑时间。