Distributed theory (a) CAP theory
One. CAP theory Introduction
CAP principle, also known as CAP theory, the main idea is in any distributed system can not be met simultaneously CAP .
C ( Consistency ): indicates that consistency, all the nodes at the same time see the same data.
A ( Avaliablity ): indicates availability of, whether or not successful, to ensure that a request can receive a response.
P ( Partion Tolerance ): partitioning fault tolerance, the system any partition, when a network failure, can still operate.
As described above, as Gilbert believes that consistency is actually a relational database talked about the ACID , a user request either a success or a failure, and can not have in an intermediate state; once a transaction is complete, all transactions must be based on the future after the completion of this state; incomplete transactions do not affect each other; once a transaction is completed, that is, the precepts. Availability in fact, for a system, all requests should be "success" and receive a "response." Partition fault tolerance actually refers to the fault-tolerant distributed system, one node fails, it does not affect the normal use of the entire cluster.
two. CAP Introduction to the Theory
As shown, in a network, Nl and N2 that is two nodes in a distributed system, they are shared data block V , which is a value of V0 .
l when satisfied consistency, A of V0 should be and B is V0 consistent, i.e. V0 = V0
l when meet availability, both requesting access to A or B should get a response.
l When satisfied the availability of the partition, A and B just a case where the network is down or the occurrence of nowhere, should not affect the overall system availability.
If the above-described A program update V0 value Vl , and then update the B copies of Vl , when a request for access to B , the result is Vl . As shown below:
但是分布式系统中，有些时候这些并不能按照你想的这样进行，在分布式系统中通常情况下网络是分区的，如果出现了网络延迟，导致N1上更新的消息无法到达N2上，即N2上的数据副本依然是V0，当一个请求访问B时，获取到的结果是V0，而访问A时，获取到的结果是V1，这就导致了在用户看来是同一个请求，得到的结果是不一样的。如下图
在这个时候，方案的设计者就应该在这里做出两种选择：
（1）牺牲数据一致性，保证可用性。响应旧的数据V0给用户。
（2）牺牲可用性，保证数据一致性。阻塞等待，直到网络连接恢复，数据更新操作M完成之后，再给用户响应最新的数据V1
三．CAP之间取舍
接下来我们就谈一谈CAP，这三者之间是如何取舍的：
（1）CA without P
如果不要求P（不允许分区），则C（强一致性）和A（可用性）是可以保证的。但其实分区不是你想不想的问题，而是始终会存在，因此CA的系统更多的是允许分区后各子系统依然保持CA。
常见模型例子：
单站点数据库；集群数据库等，网上找的还有：LDAP协议，xFS文件系统
实现方式：
两阶段提交；缓存验证协议
（2） CP without A
如果不要求A（可用），相当于每个请求都需要在节点之间强一致，而P（分区）会导致同步时间无限延长，如此CP也是可以保证的。很多传统的数据库分布式事务都属于这种模式，以及Zookeeper等中间件
常见模型例子：
分布式数据库；分布式锁；大部分的协议；Zookeeper
实现方式：
悲观锁；少数分区不可用
（3） AP wihtout C
要高可用并允许分区，则需放弃一致性。一旦分区发生，节点之间可能会失去联系，为了高可用，每个节点只能用本地数据提供服务，而这样会导致全局数据的不一致性。现在众多的NoSQL都属于。
常见模型例子：
Web缓存；DNS；NoSQL；
实现方式：
到期或者租赁；解决冲突；乐观锁
CAP的意义：
在系统架构时，应该根据具体的业务场景来权衡CAP，就拿大多数的门户网站来说，因为机器数量庞大，部署节点分散，网络故障时常态，可用性是必须要保证的，所以在设计的时候就会考虑舍弃一些一致性而选择AP模型。但是对于数据一致性较高的银行系统来说，可以用于系统临时不可用，但是数据必须要保持一致来说，选择CP模型无可厚非。