CAP定理|理论
在一个分布式系统中，
- Consistency（数据一致性）
- Availability（服务可用性）
- Partition tolerance（分区容错性）
三者不可兼得，最多只能同时满足二点，没法三者兼顾。
一致性(Consistency)
在分布式系统中的所有数据备份，在同一时刻是否具有相同的值（所有节点持有的是否都是同一份最新的数据）。
比如数据库主库写，从库读，用户完成支付再查询订单状态，主库执行写操作把订单状态改为了已支付，从从库查询订单状态时要是已支付，数据是一致的、同步的。
更新操作执行成功后所有的用户都应该读到最新的数据，即所有数据备份都是最新的数据，这样的系统被认为具有强一致性。
优点： 数据一致，数据不会出错；缺点： 效率低下。
- 强一致性（strong consistency）
任何时刻，所有用户都能读取到最近一次成功更新的数据，所有用户读取的数据都是最新的。
- 单调一致性（monotonic consistency）
任何时刻，用户一旦读取到某个数据在某次更新后的值，就不会再读到比这个值更旧的值，即读取到的数据的版本是单调递增的。
- 会话一致性（session consistency）
在某次会话中，用户一旦读取到某个数据在某次更新后的值，在本次会话中就不会再读取到比这个值更旧的值。
会话一致性是在单调一致性的基础上进一步放松约束，只保证单个用户、单个会话内的单调性，在不同用户或同一用户的不同会话之间则没有保障。
- 最终一致性（eventual consistency）
不能保证用户读取到的是最近一次更新后的数据，但系统可以保证数据最终会达到完全一致的状态，只是所需时间不能保障。
- 弱一致性（weak consistency）
用户无法在确定时间内读到最新的数据。
不满足强一致性，但一般都要使用一些方式（加锁），使数据具有最终一致性。
可用性(Availablity)
负载过大后，系统是否还能响应客户端的读写请求，响应指的是在正常时间内处理完请求。
比如原来qps（每秒访问量）是1000，现在涨到10000，依然能正常访问。
分区容错性(Partition-torlerance)
即高可用性，一个节点崩溃、故障，不会影响到其它节点。
怎么才能做到？增加机器数量，做集群，少数节点挂掉，集群整体依然可用。
集群节点越多，分区容错性越强，但完成这些机器数据同步花费的时间也越多，IO压力大，数据一致性越得不到保证（越差）。
满足CA，不满足p
满足A=>在指定时间内处理完请求，满足C=>完成机器的数据同步，要在指定时间内处理完请求、并完成数据同步，那集群的机器就得少（机器多了同步要花大量时间、时间不够），所以不满足P。
满足CP，不满足A
满足P=>集群、机器多，满足C=>数据同步、要花时间，机器又多、还要等这些机器完成数据同步才处理请求，那完成响应的时间就得不到保证，所以不满足A。
满足AP，不满足C
满足A=>指定时间内完成，满足P=>集群、机器多，机器又多、还要再指定时间内完成这些机器的数据同步，指定时间内数据可能复制不完、同步得不到保证，所以不满足C。
一台机器肯定是不行的，一旦发生什么故障，比如该服务器网络故障，系统就挂了。
一般都要做集群来保证分区容错性（P，高可用），所以往往是在A、C之间取舍。
ZK保证了数据一致性（C），但选举新的leader时集群不能对外提供服务，不满足可用性（A）。
Eureka保证了可用性（A），Eureka是去中心化的，集群每个节点的地位都是一样的，一个Eureka Server挂了，其它的Eureka Server不受影响，依然能对外提供服务，
但每个Erueka Server都需要从其它所有的Eureka Server上同步数据，容易受网络故障影响，网络波动一下数据就不一致了，不满足数据一致性（C）。
选择注册中心时，看项目对A、C中哪一个需求更高：
对C要求高的，比如银行的项目都涉及钱财，优先选择ZK。负载大了大不了用户访问不了，钱财好歹是安全的、账目好歹是对的。
对A要求高的，比如选课系统，高考、四六级查分，电商系统，负载大时依然要可用、扛得住，优先选Eureka。