分布式一致性

一、概述

分布式一致性，简单的说就是在一个或多个进程提议了一个值后，使系统中所有进程对这个值达成一致。

为了就某个值达成一致，每个进程都可以提出自己的提议，最终通过分布式一致性算法，所有正确运行的进程学习到相同的值。

工业界对分布式一致性的应用，都是为了构建多副本状态机模型（Replicated State Machine），实现高可用和强一致。

分布式一致性使多台机器具有相同的状态，运行相同的确定性状态机，在少数机器故障时整体仍能正常工作。

分布式系统的设计目标，一般包括如下几个方面：

可用性:可用性是分布式系统的核心需求,其用于衡量一个分布式系统持续对外提供服务的能力。
可扩展性:增加机器后不会改变或极少改变系统行为,并且能获得近似线性的性能提升。
容错性:系统发生错误时,具有对错误进行规避以及从错误中恢复的能力。
性能:对外服务的响应延时和吞吐率要能满足用户的需求。

二、理论

1、ACID

数据库系统中为保证事务是正确可靠的，所必须具备的四个特性：原子性(atomicity)、一致性(consistency)、隔离性(isolation)、持久性(durability)。

原子性(atomicity)：一个事务（transaction）中的所有操作要么全部成功，要么全部回滚。
一致性(consistency)：一个事务在执行前后，数据库都必须处于正确的状态，满足完整性约束。
隔离性(isolation)：多个事务并发执行时，一个事务的执行不应影响其他事务的执行。
持久性(durability)：事务处理结束后，对数据的修改就是永久的，即便系统故障也不会丢失。

事务隔离分为不同级别，包括未提交读（Read uncommitted）、提交读（read committed）、可重复读（repeatable read）和串行化（Serializable）。

2、CAP理论

在理论计算机科学中，CAP定理（CAP theorem），又被称作布鲁尔定理（Brewer’s theorem），它指出对于一个分布式计算系统来说，最多只能满足一下两点，不可能同时满足以下三点：

一致性（Consistency）：等同于所有节点访问同一份最新的数据副本。
可用性（Availability）：每次请求都能获取到非错的响应，但是不保证获取的数据为最新数据。
分区容错性（Partition tolerance）：分布式系统在遇到任何网络分区故障的时候,仍然需要能够保证对外提供满足一致性和可用性的服务,除非是整个网络环境都发生了故障。

分布式系统必然会出现网络问题，所以必须保证分区容错，因此只能在 C 和 A 直接寻找平衡。

3、BASE理论

BASE 理论是 eBay 的架构师 Dan Pritchett 提出的，它的核心思想是：“即使无法做到强一致性，但每个应用都可以根据自身的业务特点，采用适当的方式来使系统达到最终一致性” 。

BASE 理论有三项指标：

基本可用（Basically Available）：是指分布式系统在出现不可预知故障的时候，允许损失部分可用性：比如响应时间、功能降级等；
软状态（ Soft State）：也称为弱状态，是指允许系统中的数据存在中间状态，并认为该中间状态的存在不会影响系统的整体可用性，即允许系统在不同节点之间进行数据同步的过程存在延时；
最终一致性（ Eventual Consistency）：强调的是系统中所有的数据副本，在经过一段时间的同步后，最终能够达成一致的状态。最终一致性是一种特殊的弱一致性

BASE 理论面向的是大型高可用、可扩展的分布式系统。BASE 通过牺牲强一致性来获得可用性，并允许数据短时间内的不一致，但是最终达到一致状态。

三、分布式一致性

注意分布式系统下的一致性和单机维度的一致性是不一样的。

分布式系统中的一致性（strong consistency）按照对一致性要求的不同，主要分为：强一致性，弱一致性。

1、强一致性

分布式系统中某个节点数据发生改变，后续任何对该数据访问都能获得更新后的值，简而言之，在任意时刻，所有节点访问的数据是一样的。

常见的强一致性算法（共识算法）： Paxos、Raft 、 Zab 。

2、弱一致性

也叫最终一致性，是指系统并不保证后续访问都会返回最新的数据，但随着时间的推移，最终的数据是一致的。

常见的弱一致性算法： Gossip 、distro 。

对于非持久化数据，如需要客户端上报心跳进行服务实例续约，可以采用最终一致性共识算法，可以更多保障服务的可用性，常见Nacos服务注册采用的distro ；
对于持久化数据，如分布式数据库，强一致性的共识算法保证了数据的正确性，不可避免的损失可用性，在系统数据同步期间是不能对外提供服务的，如Zookeeper的 Zab协议。