分布式 CAP+Base 理论
参考资料
【腾讯文档】分布式理论 CAP + Base
https://docs.qq.com/doc/DQWJiUGp0Vm5RcHRo
什么是 CAP 理论和 BASE 理论，看这一篇就够了 (360doc.com)
CAP 理论
| CAP | 描述 |
|---|---|
| C（最终一致性）Consistency | 一致性强调的不是数据完整，而是各节点间的数据一致； 一致性看成是分布式系统对客户端的一种承诺：不管访问哪个节点，返回的都是绝对一致的数据，因为数据不一致的时候会读取失败（拒绝提供服务） |
| A（可用性） | 可用性说的是任何来自客户端的请求，不管访问哪个节点，都能得到响应数据，但不保证是同一份最新数据。 因此可用性这个指标强调的是服务可用，但不保证数据的绝对一致。 |
| P（分区容错性） | 分区容错性说的是，当节点间出现任意数量的消息丢失或高延迟（网络障碍）的时候，系统仍然可以继续提供服务 |
| 组合 | 描述 |
|---|---|
| CA | 不可能存在，在分布式系统，P（分区容错性）网络故障不可能不出现，所以 P 一般情况下是必须的 |
| CP | 在分区容错性的基础，服务高可用，但是数据弱一致性 |
| AP | 在分区容错性的基础，数据强一致性，返回的都是绝对一致的数据，不一致的时候会读取失败（拒绝提供服务） |
Base 理论
Base：基本可用（Basically Available）和最终一致性（Eventually consistent）
是在 CAP 理论的 AP 模型下的延伸
最终一致性：也就是允许节点之间的数据出现短暂的数据不一致情况，但是节点高可用
总结
为什么 CAP 不可能同时符合
对于一个分布式系统而言，一致性、可用性、分区容错性 3 个指标不可兼得，只能在 3 个指标中选择两个。
这是因为在一个分布式系统中，数据通常会被分割成多个分区并存储在不同的节点上，这样可以提高系统的可扩展性和性能。但是，分区带来了数据一致性的问题。==当一个分区出现故障或网络分区时，不同的节点之间可能无法及时通信，从而导致数据的不一致性==。==因此，在分区容错的前提下，一致性和可用性之间必须进行权衡==。
==如果选择保证一致性和分区容错性，就必须放弃可用性，因为在出现分区时，系统必须停止服务以保证数据的一致性==。如果选择保证可用性和分区容错性，就必须放弃一致性，因为在出现分区时，不同节点之间可能会出现数据不一致的情况，但系统仍然可以继续提供服务。如果同时追求三个特性，就必须对其中的某一项进行妥协。
需要注意的是，CAP 定理是在理论上得出的结论，在实际系统中，并不是所有的系统都需要同时满足 CAP 中的三个特性。不同的应用场景可能需要不同的特性组合。因此，在设计分布式系统时，需要根据实际情况进行权衡和取舍，以满足应用的需求。
我们知道只要有网络交互就一定会有延迟和数据丢失，而这种状况我们必须接受，还必须保证系统不能挂掉。所以就像上面提到的，节点间的分区故障是必然发生的。也就是说，==分区容错性（P）是前提，是必须要保证的==，不能说某些节点之间无法正常通信（发生网络分区）就导致整个集群不可用。
现在就只剩下一致性（C）和可用性（A）可以选择了：要么选择一致性，保证数据绝对一致；要么选择可用性，保证服务可用。如果选择 C，那么就是 CP 模型；如果选择 A，那么就是 AP 模型。
- ==当选择一致性（C）的时候==，如果因为消息丢失、延迟过高发生了网络分区，部分节点无法保证特定信息是最新的。那么这个时候，当集群节点接收到来自客户端的请求时，==因为无法保证所有节点都是最新信息，所以系统将返回错误，也就是说拒绝请求==。
- ==当选择可用性（A）的时候==：如果发生了网络分区，一些节点将无法返回最新的特定信息，那么它们将返回自己当前相对新的信息。
这里需要再强调一点，有很多人对 CAP 理论有个误解，认为无论在什么情况下，分布式系统都只能在 C 和 A 中选择 1 个。其实在不发生网络分区的情况下，也就是分布式系统正常运行时（这也是系统在绝大部分时候所处的状态），C 和 A 是能够同时保证的（如果节点之间的数据同步很快的话）。只有当发生分区故障的时候，也就是说需要 P 时，才会在 C 和 A 之间做出选择
Redis 集群的采用的 CAP+Base 模型
AP+Base 模型：分区容错性 + 服务高可用 + 最终一致性
