CAP理论：一个分布式系统最多能同时满足一致性、可用性、分区容错性这三项中的两项。CAP中的一致说的是强一致性。
Consistency 一致性 ： 所有节点上的数据，时刻保持一致
一致性分为强一致性、弱一致性、最终一致性
例子：有一个mysql集群（a,b), mysql中有一份数据初始值为1，现有一个用户User,User有两步操作：
1. 修改mysql集群中的数据为2（假设修改的是a, b中的更改需要同步）
2. 读取mysql集群中的数据（假设读取的是b)
强一致性：要求步骤2读取的时候，一定要读取的是2，那么要求mysql之间同步非常迅速或在步骤2上加锁以待数据同步完成
弱一致性：允许步骤2读取的时候，可以读取的是1，其实就是不需要一致
最终一致性：允许步骤2读取的时候，可以先读到1，过一段时间再读到2
Availablility可用性 ：每个请求在正常响应时间内都能够收到一个响应，无论响应成功或者失败。
Partion Tolerance分区容错性：分布式系统在遇到某节点或网络分区故障的时候，仍然能够对外提供满足一致性和可用性的服务。
CAP证明
CAP权衡
1. CA without P : 这种情况在分布式系统中几乎是不存在的。分布式环境下，分区是必然的，如果舍弃P，意味着要舍弃分布式系统。
2. CP without A : 一旦发生网络故障或信息丢失等情况，就要牺牲用户的体验，等待所有数据全部一致了之后再让用户访问。如Rediszookeeper
3. AP without C: 一旦发生网络问题，为了保证高可用，需要在用户访问时马上得到响应，则每个节点只能用本地数据提供服务，这样会导致全局数据的不一致性。
适用场景
对于涉及到钱财这样不能有一丝让步的场景，C必须保证。网络发生故障宁可停止服务。
对于其他场景，比较普遍的做法是AP，舍弃强一致性，使用最终一致性来保证数据的安全。
BASE理论
即使无法做到强一致性（CAP的一致性就是强一致性），但应用可以采用合适的方式达到最终一致性。
BASE是指基本可用、软状态、最终一致性。
基本可用：分布式系统在出现故障时，允许损失部分可用性，保证核心可用。比如
数据库采用分片模式， 把100W的用户数据分布在5个实例上。如果破坏了其中一个实例，仍然可以保证80%的用户可用
软状态：允许系统存在中间状态，该状态不会影响系统整体可用性。分布式存储中一般数据至少会有三个副本，允许不同节点间副本同步的延时就是软状态的体现。
最终一致性：系统中所有数据副本经过一定时间后，最终能达到一致的状态。弱一致性和强一致性相反，最终一致性是弱一致性的一种特殊情况。