分布式系统是一个硬件或软件组件分布在不同的网络计算机上，彼此之间仅仅通过消息传递进行通信和协调的系统。
分布式系统的设计目标一般包含如下：

• 可用性：可用性是分布式系统的核心需求，
• 可扩展性：增加机器后不会改变或减少改变系统行为，并且能获得近似线性性能提升
• 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

虽然分布式架构可以组建一个强大的集群，但实际工作中遇到的挑战要比传统单体架构大得多，具体表现如下：

• 节点之间的网络通信是不可靠的，存在网络延时和丢包等情况
• 存在节点工作出错的情况，节点自身随时也有宕机的可能
• 同步调用使系统变得不具备扩展性

CAP原理

C：Consistency（一致性）。强一致，就是所有节点上的数据时刻保持同步。原子读写，即所有读写都应该看起来是原子的，或串行的。所有的读写请求好像是经过全局排序一样，写后面的毒一定能读到前面所写的内容。
A：Availability（可用性）。任何非故障节点都应该在有限时间内给出请求的响应，不论请求是否成功。
P：Tolerance to the partition of network（分区容忍性）。当部分节点之间无法通信时，在丢失任意多消息的情况下，系统仍然能够正常工作。
在任何分布式系统中，可用性，一致性和分区容忍性是相互矛盾的，三者不可兼得，最多只能取其二。CAP理论只适用于原子读写场景，不支持数据库事务之类的场景。

P案例：G0与G1无法进行通信是可以容忍的。如果出现了分区问题，我们的分布式存储系统还需要继续运行

C案例：对系统G0写操作b，如果能读到b，则为一致性，如果读G1为a则不符合一致性，所以此时G0需要向G1发送消息。当然数据系统故障了，不返回任何数据，也是符合一致性的

A案例：只要收到用户的请求，服务器就必须给出回应。即使两个分布式节点数据不一致，需要返回数据

AP

AP满足但C不满足，如果要高可用和分区容错，那么就要放弃一致性了。因为一旦发生网络分区P，节点之间将无法通信，为了满足高可用A，每个节点只能用本地数据提供服务，这样就会导致数据的不一致性（！C）。经典案例：Eureka

CP

CP满足但A不满足，如果要求各个服务器上数据是强一致的C，然而网络分区P会导致同步时间无限延长，那么如果以来可用性就得不到保障了。经典案例：Zookeeper
坚持数据ACID（原子性，一致性，隔离性，持久性）的传统数据库以及对结果一致性非常敏感的应用（例如：金融业务）通常会做这样的选择

CA

CA满足但是P不满足，如果不存在网络分区，那么强一致性和可用性是可以同时满足的。

总结

但是在分布式系统内，实际上P是必然的，如果不选P，一旦发生分区错误，整个分布式系统完全无法使用了，这是不符合需要的，所以对于分布式系统，我们只能考虑当分区发生错误时，如果选择一致性和可用性。所以最后只有CP和AP系统了。

BASE理论

BASE：Basic Availability，Soft state，Eventually Consistency。是由CAP理论衍生出来的，即使无法做到强一致性（Strong Consistency），但应用可以采用适合的方式达到最终一致性（Eventual Consitency）。

一致性

拜占庭将军问题

描述：拜占庭帝国(Byzantine Empire)军队的几个师驻扎在敌城外，每个师都由各自的将军指挥。将军们只能通过信使相互沟通。在观察敌情之后，他们必须制定一个共同的行动计划，如进攻(Attack)或者撤退(Retreat)，且只有当半数以上的将军共同发起进攻时才能取得胜利。然而, 其中一些将军可能是叛徒，试图阻止忠诚的将军达成一致的行动计划。 更糟糕的是，负责消息传递的信使也可能是叛徒，他们可能篡改或伪造消息，也可能使得消息丢失