• 分布式系统怎样体现了CAP


     `references:`
    
      1. http://zh.wikipedia.org/wiki/CAP%E5%AE%9A%E7%90%86
      2. http://en.wikipedia.org/wiki/CAP_theorem
      3. http://www.royans.net/arch/brewers-cap-theorem-on-distributed-systems/
      4. http://tianhailong.com/cap%e7%90%86%e8%ae%ba.html
    
      **Brewers CAP Theorem on distributed systems**
      
      Large distributed systems run into a problem which smaller systems don’t usually have to worry about.
      
      >It states, that though its desirable to have Consistency, High-Availability and Partition-tolerance in every system, unfortunately no system can achieve all three at the same time.
      
      ![ex1](http://www.royans.net/arch/wp-content/uploads/2010/02/image2.png)
      ![ex2](http://www.royans.net/arch/wp-content/uploads/2010/02/image3.png)
      ![ex3](http://www.royans.net/arch/wp-content/uploads/2010/02/image4.png)
      
      - `Consistency` : 所有节点在同一时间具有相同的数据
      
        Example1: 只有单独一个节点,自然满足一致性
        Example2: 假设要存放的数据的keys为A-Z,将key为A-M的数据存放在节点1,将key为N-Z的数据存放在节点2,这样系统也能保证一致性
        Example3: Master-Master replicas, 每一个节点存放的是相同的副本。当要插入一条数据时,必须两个节点都完成该插入操作,这个插入才算完成。在这种存在副本的系统里,为了保证100%的一致性,节点之间的通信就十分重要,整个系统的性能也会随着副本的增加而降低。
      - `Availability` : 保证每个请求不管成功还是失败都有响应
      
        Example1: not hightly **Available**,如果节点宕机,100%的数据将会unavailable
        Example2: not hightly **Available**,如果有一个节点宕机, 50%的数据将unavailable
        Example3: 单独一个节点就能保证100%的**availability**,增加备份节点数,将直接增加系统的**availability**
      - `Partition tolerance` : 系统中任意信息的丢失或失败不会影响系统的继续运作
      
        我们选择Example3中的架构来得到**Consistency**和**Availability**,假设Example3中的两个节点存在两个不同的数据中心,并且假设两个数据中心之间的网络连接中断,也即两个数据中心无法同步它们之间的状态。在这种情况下,如果系统允许读写操作,那么在这两个数据中心之间的数据就无法保持**Consistency**,如果系统不允许读写操作,那么虽然系统保持了**Consistency**,但却失去了**Availability**
    
        举个例子:对于银行系统来说,数据的一致性显示十分重要。比如某个客户在广州取钱,那么在北京必须在限定时间内正确的反映该客户的余额数。那么如果广州的数据节点和北京的数据节点出现网络不顺畅时,系统必须禁止写入操作来保证Consistency,这就失去了Availability
        
      **Usage of CAP Theorem in Today's Distributed Storage Systems**
      
        因为CAP理论中的三点只能同时满足两点,而在现实世界中,由于机器故障是一直存在着的,所以必须满足Partition tolerance,那么就只有在剩下的Consistency和Availability根据不同应用的需求做权衡了。当然选择其中的一个,并不意味着彻底放弃另一个。
    
       1. 如果某个应用更重视Availability,比如说购物车。那么它应该先优化Availability,然后再解决Consistency问题(eventually consistent)
       2. 如果某个应用更重视Consistency,比如说银行取款机。那么它应该优先考虑Consistency,而放弃Availability
       
      © `Senlie Zheng` 转载请注明出处
    
  • 相关阅读:
    java基础高级
    Elasticsearch
    Nginx
    go语言基础
    elasticsearch启动失败
    redis基础
    数据结构(java版)
    mysql实现两个字段合并成一个字段查询
    StringBuffer 字符串截取从后往前,从前往后
    ERROR c.j.e.m.g.h.GatewayExceptionHandler [handle,52] [网关异常处理]请求路径
  • 原文地址:https://www.cnblogs.com/senlie/p/3348415.html
Copyright © 2020-2023  润新知