分布式系统一致性模型笔记

✅ 分布式系统一致性模型笔记

一、CAP 理论中的一致性（Consistency）

📌 定义

CAP 理论中的“C”指的是 线性一致性（Linearizability），即：

所有节点在同一时刻看到的数据是完全一致的，每次读取都能读到最新的写入。

• 强一致性的代价是牺牲系统的可用性（例如发生网络分区时）。

二、工程实践中常见的一致性模型（从强到弱）

1. 强一致性（Strong Consistency / Linearizability）

• ✅ 每次读取都返回最新写入的结果。

• 📌 就像访问单机内存一样，一致性最强。

• ❌ 通常需要分布式锁、Raft/Paxos 等协议，性能开销大。

• ✅ 常见于分布式数据库的强事务（如 Google Spanner、Zookeeper）

2. 顺序一致性（Sequential Consistency）

• ✅ 所有操作按某个全局顺序执行。

• ❗但不一定是实时的（即不是线性化的时间顺序）。

• ✅ 所有节点观察到的顺序相同，但不一定是提交顺序。

• 应用于：共享内存模型、多线程 CPU 操作顺序。

3. 因果一致性（Causal Consistency）

• ✅ 如果操作 A 发生在 B 之前（有因果关系），所有节点都保证看到 A 在 B 前。

• ❌ 无因果关系的操作，顺序可能不同步。

• 实现方式：版本向量、逻辑时钟（如 Lamport Clock）

• 应用于：社交网络（先发动态、再点赞）

4. 会话一致性（Session Consistency）

• ✅ 同一客户端在一个会话中，写入的数据读操作能立即读到。

• ❌ 不对不同客户端或会话做保证。

• 常用于：移动 App、浏览器 Session 缓存。

5. 单调读一致性（Monotonic Read Consistency）

• ✅ 如果客户端读到某个值，则之后不会再读到更旧的值。

• ❌ 不保证能立即读到最新值，但至少“值越来越新”。

• 常用于：缓存层、分布式只读副本系统。

6. 最终一致性（Eventual Consistency）

• ✅ 写入的数据最终将传播到所有节点。

• ❌ 不保证操作顺序，不保证多久同步完成。

• ✅ 但最终一定会同步成功。

• 应用于：DNS、社交平台内容同步、Cassandra、DynamoDB。

7. 弱一致性（Weak Consistency）

• ❌ 不保证数据一定能被读到。

• ❌ 不保证顺序、不保证传播、不保证成功。

• ✅ 性能极高，延迟极低。

• 应用于：缓存系统（如 Memcached）、CDN 边缘节点

三、对比总结表格

四、常见系统中一致性模型实现