Appearance
6.1-1 CAP、BASE 与一致性模型
所属:06 分布式与架构 / 6.1 分布式理论 分级:A 状态:◐ 初稿 关联:4.1-6、4.2-4、6.1-3、6.1-7、6.5-7、6.5-13
题型:原理 / 问答 / 对比
一句话结论:CAP 不是“三选二”——网络分区(P)在分布式系统里无法避免,真正的选择是分区发生时保 C 还是保 A,而且这个选择是按操作、按分区、按时刻做的,不是给系统贴一个永久标签。工程上更实用的是 PACELC:分区时在 A/C 之间选,没有分区时在延迟 L 与一致性 C 之间选。BASE 是“用最终一致换可用与延迟”的设计哲学,不是协议;落到实现上要回答三件事:允许什么中间态、多久收敛、怎么发现不一致(对账)。
分层要点:
- CAP 的准确定义:C 是线性一致性(linearizability)——所有节点看到同一份数据的同一顺序,且读到的是最新已提交值;A 是每个非故障节点收到的请求都必须返回非错误响应;P 是网络分区时系统仍能继续运行。三者同时满足不可能,证明见 Gilbert & Lynch(2002)。“CA”只存在于单机,分布式系统只能 CP 或 AP。
- P 不是可选项:只要跨机器就有网络分区、丢包、超时。所以面试不要说“我们选 CA”,正确说法是“分区发生时我们选 C 还是 A”;而且 Kafka 的某个 Topic、Redis 的某条命令、MySQL 的某次读,都可以有不同选择。
- PACELC 补上了延迟:分区(P)时在 A 与 C 之间选(else),没有分区时在延迟(L)与一致性(C)之间选。比如同步复制(MySQL 半同步、Kafka
acks=all)在正常时也要多等一个 RTT;异步复制延迟低但可能读到旧值。大多数工程决策发生在“无分区”的日常路径上,这才是 PACELC 的价值。 - 一致性模型是一条光谱:从强到弱大致是 线性一致 → 顺序一致 → 因果一致 → 读己之写(read-your-writes)→ 单调读 → 最终一致。越强越贵(延迟、可用性、实现复杂度);面试被问“你们怎么保证一致”,要先说清业务需要哪一级,而不是一律“强一致”。
- BASE 是什么:Basically Available(基本可用:降级、限流、部分功能不可用)、Soft state(软状态:允许中间态)、Eventually consistent(最终一致:无新写入时最终收敛)。它和 ACID 是两种取向,不是“ACID 的替代品”;BASE 系统仍要保证不丢、不重、可对账。
- 常见系统的坐标:ZK/etcd 是 CP(多数派、分区时少数派不可用);Eureka 是 AP(自我保护、宁可返回旧实例);Nacos 可切 AP/CP;Redis 单机强、主从异步是 AP(
WAIT只能有限增强);MySQL 主从异步是 AP,半同步/组复制偏 CP;Kafka 配acks=all + minISR偏 CP,开unclean则偏 AP;Cassandra/DynamoDB 是 AP + 可调 quorum。 - Quorum 是折中手段:N 副本、写 W 个、读 R 个,R + W > N 时读写集合必有交集,能读到最新写入(但不是严格线性一致,缺少全局顺序与实时性保证)。例如 N=3、W=2、R=2;W=N、R=1 偏强一致但写可用性差;W=1、R=1 偏 AP。
- 工程落地:① 按业务定一致性级别(支付/库存偏 CP,Feed/点赞/统计偏 AP);② 弱一致要有补偿机制:版本号、读己之写、单调读、对账(6.5-13);③ 跨服务尽量用最终一致 + 幂等(5.1-2),而不是硬上分布式事务(6.1-3);④ 把“降级策略”写进设计:分区时是拒绝写、还是写本地稍后合并。
图/流程:
text
CAP 的真实选择:
正常时:C + A 都能有(P 未发生)
分区时:
├─ 保 C:少数派拒绝读写 → 可用性下降(CP:ZK/etcd)
└─ 保 A:两边都能读写 → 可能返回旧值/冲突(AP:Eureka/Cassandra)
“CA” = 单机,不存在于分布式text
PACELC:
if Partition:
A or C
else:
Latency or Consistency
例:Kafka acks=all → 无分区时也多等 ISR(L↑,C↑)
MySQL 异步复制 → 延迟低,但可能读到旧数据(L↓,C↓)text
一致性光谱:
线性一致 ── 顺序一致 ── 因果一致 ── 读己之写 ── 单调读 ── 最终一致
最强 最弱
贵 ←──────────────────── 成本 ────────────────────→ 便宜
etcd/Spanner ZK 顺序 会话保证 DNS/CDN/缓存text
Quorum(N=3):
W=2, R=2 → R+W=4 > 3 → 读写有交集,能读到最新
W=3, R=1 → 写要全副本,写可用性差
W=1, R=1 → 快,但可能读到旧值版本/源码锚点:
- 理论:Brewer 2000 提出 CAP;Gilbert & Lynch 2002 给出形式化证明;Abadi 2012 提出 PACELC;Dynamo 论文(2007)AP + 向量时钟;Spanner(2012)TrueTime + 外部一致性。
- 系统:ZooKeeper
sync()、etcd Raft 线性一致读(WithSerializable可降级);Eureka 自我保护阈值(85%);Nacosspring.cloud.nacos.discovery.ephemeral与 AP/CP 模式;RedisWAIT numreplicas timeout(3.0+);MySQL 半同步rpl_semi_sync_*、组复制;Kafkaacks/min.insync.replicas(5.4-3)。 - 相关:分布式事务见 6.1-3;分布式锁的 AP/CP 取舍见 6.1-7;多活与 RTO/RPO 见 6.5-7。
CAP vs BASE:
| 维度 | ACID | BASE |
|---|---|---|
| 核心 | 强一致、事务原子 | 可用、最终一致 |
| 一致性 | 强(事务内) | 弱(最终收敛) |
| 可用性 | 冲突时可能阻塞/失败 | 基本可用、可降级 |
| 状态 | 确定状态 | 允许软状态/中间态 |
| 典型 | 单库事务、NewSQL | 缓存、搜索、Feed、跨服务 |
| 代价 | 性能、扩展性 | 业务补偿、对账、复杂度 |
- 一致性模型:
| 模型 | 保证 | 典型实现 | 代价 |
|---|---|---|---|
| 线性一致 | 全局实时顺序,读最新 | etcd、Spanner、单机 DB | 延迟高、分区时不可用 |
| 顺序一致 | 所有节点同一顺序,不保证实时 | ZK | 中 |
| 因果一致 | 有因果关系的操作有序 | 部分分布式 DB | 中 |
| 读己之写 | 自己写完能读到 | 会话粘滞、主库读 | 低 |
| 单调读 | 不会读到更旧的值 | 固定副本、版本号 | 低 |
| 最终一致 | 无新写入时最终收敛 | DNS、缓存、异步复制 | 最低,需对账 |
- 系统坐标:
| 系统 | 分区时 | 说明 |
|---|---|---|
| ZooKeeper / etcd | CP | 多数派可用,少数派拒绝 |
| Eureka | AP | 自我保护,返回旧实例 |
| Nacos | AP / CP 可切 | 临时实例 AP,持久实例 CP |
| Redis 主从 | AP | 异步复制,可能丢写/读旧 |
| MySQL 异步复制 | AP | 半同步/组复制偏 CP |
| Kafka(acks=all+minISR) | 偏 CP | unclean 选举则偏 AP |
| Cassandra / DynamoDB | AP + 可调 | QUORUM 折中 |
- 失效场景与定位:
| 现象 | 根因 | 处理 |
|---|---|---|
| 读到旧数据 | 异步复制/从库延迟 | 读主库、版本号、read-your-writes |
| 分区后双写冲突 | AP 系统两侧都接受写 | 冲突解决(LWW/向量时钟/业务合并) |
| 分区后写失败 | CP 系统少数派 | 客户端重试/切主/降级 |
| 注册中心返回旧实例 | AP + 自我保护 | 客户端重试、健康检查 |
| 缓存与 DB 不一致 | 更新顺序/并发 | 延迟双删、版本号、对账 |
| 跨机房数据回环 | 多活双向同步 | 单元化、避免环、冲突策略 |
| 对账发现少数据 | 最终一致窗口 | 补偿任务、告警 |
| 强一致导致超时 | 同步复制/多数派 | 评估是否真需要强一致 |
深挖点(面试官常追的 6 个):
- 为什么说“CAP 三选二”是错的:P 在分布式系统中不可避免,所以不是“从三个里挑两个”,而是“P 发生时,C 和 A 只能保一个”。而且这个取舍是局部的:同一个系统里,元数据可能 CP、业务数据可能 AP;甚至同一条链路的不同操作也不同。能说出“按操作/按分区选择”,比背“三选二”高一个层次。
- CAP 的 C 和 ACID 的 C 不是一回事:CAP 的 C 是线性一致性(单对象、实时、全局顺序);ACID 的 C 是约束不被破坏(业务不变量,比如余额不能为负),由应用和数据库约束保证。把两者混为一谈,会被追问“那你说的 C 到底是哪个”。
- PACELC 为什么更实用:真实系统大部分时间没有分区,此时真正的权衡是延迟 vs 一致性:同步复制多一个 RTT、跨机房写更慢、强一致读要走 Leader。PACELC 把“日常性能”纳入框架,能解释为什么很多系统“平时也不强一致”。
- R+W>N 就是强一致吗:不是。Quorum 只保证读写集合有交集,能读到“至少一个包含最新写的副本”,但缺少全局顺序、实时性和失败处理(写失败的回滚、读修复),在并发写、节点故障、时钟问题时仍可能读到旧值。真正的线性一致要靠共识协议(Raft/Paxos)或 TrueTime 这类机制。
- 读己之写怎么落地:常见做法:① 写后短时间内读主库;② 会话粘滞到同一副本;③ 返回写入版本号,读时带上
minVersion,副本不满足就等待/转发;④ 客户端本地缓存自己刚写的数据。单调读则是“同一会话固定读同一副本”或用版本号拒绝回退。这些都是会话级一致性,成本远低于全局强一致。 - 业务上怎么选:先问“不一致的代价是什么”:资金、库存、订单状态 → 偏 CP 或强一致 + 事务/锁;点赞数、浏览数、推荐、Feed → AP + 最终一致;注册中心 → 可用性优先(AP),因为拿到旧实例比拿不到实例好。不要用一个标签概括整个系统,按数据域分别设计,并给弱一致域配对账与补偿。
追问链:
- CAP 是什么? → 一致性、可用性、分区容忍。
- 三者能同时满足吗? → 不能。
- 为什么? → 分区时无法同时保证一致与可用。
- P 可以不要吗? → 分布式系统不可避免。
- 所以真实选择? → 分区时 C 还是 A。
- “三选二”对吗? → 不准确,是 P 必选、C/A 二选一。
- CA 系统存在吗? → 单机。
- CAP 的 C 是什么? → 线性一致。
- 和 ACID 的 C 一样吗? → 不一样。
- ACID 的 C 是什么? → 约束/不变量。
- A 的定义? → 非故障节点必须返回非错误响应。
- A 是“快”吗? → 不是,是“一定响应”。
- PACELC 是什么? → 分区时 A/C,否则 L/C。
- 为什么需要 PACELC? → 日常权衡是延迟与一致。
- 例子? → 同步复制 vs 异步复制。
- 一致性模型有哪些? → 线性、顺序、因果、读己之写、单调读、最终。
- 最强是哪个? → 线性一致。
- 最弱? → 最终一致。
- 线性一致代价? → 延迟、可用性。
- 最终一致代价? → 中间态、对账。
- BASE 是什么? → 基本可用、软状态、最终一致。
- BASE 等于不要一致吗? → 不是,是最终收敛。
- ACID 和 BASE 关系? → 两种取向,不是替代。
- ZK 是 CP 吗? → 是。
- Eureka 呢? → AP。
- Nacos 呢? → 可切 AP/CP。
- Redis 呢? → 主从异步,偏 AP。
- MySQL 主从? → 异步 AP,半同步偏 CP。
- Kafka? → 看 acks/minISR/unclean。
- Cassandra? → AP + 可调 quorum。
- Quorum 是什么? → N 副本、W 写、R 读。
- R+W>N 意义? → 读写有交集。
- 就是强一致吗? → 不是。
- 缺什么? → 全局顺序、实时性、失败处理。
- 冲突怎么解决? → LWW、向量时钟、业务合并。
- LWW 有什么问题? → 依赖时钟,可能丢更新。
- 读己之写怎么做? → 读主、粘滞、版本号。
- 单调读怎么做? → 固定副本、版本号。
- 跨机房怎么选? → 按业务分域,单元化。
- 强一致怎么实现? → 共识协议/同步复制。
- Spanner 怎么做的? → TrueTime + 外部一致。
- 分区时 CP 系统会怎样? → 少数派不可用。
- AP 系统呢? → 可写但可能冲突。
- 注册中心该选? → 可用优先,AP。
- 库存该选? → 强一致/CP。
- Feed 该选? → AP + 最终一致。
- 弱一致怎么兜底? → 对账 + 补偿。
- 怎么监控不一致? → 对账、延迟、版本差。
- CAP 和分布式事务关系? → 事务是达成 C 的手段之一。
- 面试怎么总结? → P 必选 → 分区时 C/A → PACELC → 按业务定级别 → 弱一致配补偿。
生产案例/取舍(示例,替换成你的项目):
- 注册中心从 ZK 换 Eureka,机房网络抖动时 ZK 选主导致服务不可用;Eureka 返回旧实例但调用可重试,可用性优先。
- 商品详情读从库,用户改价后刷新看不到新价;加“写后 1s 读主库” + 版本号,解决读己之写。
- 跨机房双写库存,分区时两边都扣,恢复后超卖;改为单元化 + 单机房写 + 对账。
- 订单状态用异步复制,主库宕机丢最后几条;改半同步 + 业务补偿。
- 点赞数用 Redis 异步落库,展示偶尔回退;接受最终一致 + 定时校准。
- 支付回调依赖 MQ 异步通知,网络分区导致延迟;加对账任务兜底(6.5-13)。
- 团队把所有服务都按 CP 设计,跨机房 RT 翻倍;按数据域拆分,弱一致域改本地读。
- 缓存与 DB 双写不一致,用户看到旧价格;延迟双删 + 版本号 + 定时对账。
- 面试答“我们选 CA”,被追问分区怎么办;改成“P 必选,分区时保 C,业务降级”。
- 以为 R+W>N 就是线性一致,压测并发写时读到旧值;改走 Leader 读。
- 多活双向同步出现环,数据反复覆盖;引入单元化与单向同步。
- 取舍:强一致换正确,代价是延迟与可用性;最终一致换可用与性能,代价是中间态与对账;AP 换不停服,代价是冲突解决;CP 换不脏读,代价是分区时拒绝服务。
易错点:
- 认为 CAP 是三选二。
- 认为可以选 CA。
- 认为 P 可以避免。
- 认为 CAP 的 C 等于 ACID 的 C。
- 认为 A 是“响应快”。
- 认为 CAP 是全局标签。
- 认为一个系统只能有一种取舍。
- 认为强一致一定更好。
- 认为最终一致等于不一致。
- 认为 BASE 不需要对账。
- 认为 BASE 是 ACID 的替代品。
- 认为 R+W>N 就是线性一致。
- 认为 Quorum 能解决所有冲突。
- 认为 LWW 没有副作用。
- 认为读己之写等于强一致。
- 认为单调读不需要会话。
- 认为 ZK 是 AP。
- 认为 Eureka 是 CP。
- 认为 Nacos 只有一种模式。
- 认为 Redis 主从强一致。
- 认为 MySQL 半同步等于强一致。
- 认为 Kafka 一定是 CP。
- 认为 Cassandra 不能调一致性。
- 认为 Spanner 不依赖时钟。
- 认为分区只会发生在机房级故障。
- 认为跨机房不影响一致性。
- 认为强一致没有性能代价。
- 认为弱一致可以不做补偿。
30 秒口述稿:
CAP 不是三选二。P 在分布式系统里避免不了,所以真正的选择是分区发生时保 C 还是保 A;而且这个选择是按操作、按数据域做的,不是给系统贴一个永久标签。CAP 的 C 是线性一致,和 ACID 的 C 不是一回事;A 的定义是每个非故障节点都必须返回非错误响应,不是“快”。日常更实用的是 PACELC:分区时选 A 或 C,没分区时选延迟还是强一致,比如同步复制多一个 RTT,异步复制延迟低但可能读旧值。一致性是一条光谱:线性、顺序、因果、读己之写、单调读、最终一致,越强越贵。BASE 就是基本可用、软状态、最终一致,落地时要回答允许什么中间态、多久收敛、怎么对账。选型上我按数据域分:支付库存偏 CP,Feed 点赞偏 AP,注册中心可用优先选 AP,弱一致的地方一定配对账和补偿。
- 3 分钟展开顺序:结论(P 必选 + 分区时 C/A + PACELC + 按业务定级)→ CAP 三个词的准确定义与常见误读 → 为什么“三选二/CA”是错的 → PACELC 的 L/C 维度与同步/异步复制例子 → 一致性光谱与各级成本 → BASE 的三个词与对账要求 → 常见系统坐标表 → Quorum 的作用与局限 → 读己之写/单调读的落地手段 → 分区/多活场景的冲突处理 → 按数据域选型与弱一致兜底。