关于大数据的CAP理论

CAP理论在大数据领域知名度非常高，当前流行的大数据技术普遍把其当作理论基础，是NoSQL数据库的基石，很多架构师都会将其作为分布式系统设计的准则。CAP理论指出任何分布式系统在可用性、一致性、分区容忍性方面，不能兼得，最多只能得其二。但“三选二”的说法有其一定误导性，三特性之间的相互关系过于简单化了，比如业界一直存在一种认识，那就是传统关系型数据库设计选择了CA，NoSQL数据库设计选择了AP。在这里我们有必要深入解读下CAP理论，实际分布式系统中这三种特性都是可以在一定程度上平衡的，绝不是简单的选择其中两项来设计。

     “三选二”说法存在几个方面误导性。首先，分区在CAP的经典解释为某节点或网络分区故障，是忽略网络延迟的，但实际是会存在时限要求的，系统如果无法在时限内达成数据一致性，就意味着分区的发生，必须就当前操作在C和A之间做出选择。其次，C与A之间的取舍也会因为系统决策条件的不一样，涉及特定数据或用户而有所不同。最后，三种特性都是可以在一定程度上平衡的，可用性可以在一定区间连续变化，一致性又可分为多级别（强一致性、弱一致性、最终一致性等），连分区也可细分为不同含义（网络故障分区、网络延迟等），如系统内的不同部分是否存在分区也可以有不同的认知。

   要理解这些其中细微的差别，这就需要懂得分区的管理，如何处理分区对一致性和可用性的影响是对架构师的挑战。在分区未发生时，CAP允许完美的C和A。但当分区存在或可感知其影响的情况下，就需准备一套方法来探知分区的发生，并显式处理分区对其的影响。这样的策略可分为三个步骤：探知分区的发生，进入显式的分区模式以限制某些操作，启动恢复过程以恢复数据一致性并补偿分区期间发生的错误。在CAP从理论变为现实中，系统需要做出关于分区的一个重要决定，是应该取消操作（降低系统的可用性），还是应该继续操作（损失系统一致性为代价）。

    众所周知，依靠多次尝试通信的方法来达到一致性，比如分布式事务一般采用两阶段提交策略来实现，这是一个非常耗时的复杂过程，会严重影响系统效率，在实践中我们尽量避免使用它。在实践过程中，如果我们为了扩展数据容量将数据分布式存储，而事务的要求又完全不能降低。那么，系统的可用性一定会大大降低，在现实中我们一般都采用对这些数据不分散存储的策略。

    最后，我们还可以根据期望中的响应时间，有意识地设置时限；时限设得越短，系统进入分区模式越频繁，其中有些时候并不一定真的发生了分区的情况，可能只是网络变慢而已。有时候在跨区域的系统，放弃强一致性来避免保持数据一致所带来的高延迟是非常有意义的。
   比如对于分布式数据库系统来说，分区容忍性是基本要求，从而需在一致性和可用性之间取一个平衡，而对于大多数web应用，并不需要强一致性，因此牺牲一致性（强一致性）而换取高可用性，是目前多数分布式数据库产品的方向。

最后

以上就是忧虑水池为你收集整理的关于大数据的CAP理论的全部内容，希望文章能够帮你解决关于大数据的CAP理论所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。