CAP
CAP 理论，又称为布鲁尔定理，是分布式系统设计中的一个重要概念。它描述了在设计分布式系统时必须在一致性（Consistency）、可用性（Availability）和分区容忍性（Partition Tolerance）这三者之间做出权衡。
CAP 理论的三个要素：
一致性（Consistency）：所有节点在同一时间看到相同的数据。例如，当一个节点更新了数据，其他所有节点立即看到相同的更新。
可用性（Availability）：每个请求都能接收到一个（不一定是最新的）响应，即使部分节点发生故障，系统仍然能正常提供服务。
分区容忍性（Partition Tolerance）：即使网络中断（节点之间的通信失败），系统仍能继续运行。系统必须能够在存在网络分区的情况下，继续处理请求。
CAP 理论的权衡：
根据 CAP 理论，在分布式系统中只能同时满足其中的两项，而不可能三者兼得。因此，系统设计者必须在一致性、可用性和分区容忍性之间做出权衡。通常被称为“CAP 不可能三角”。
例子：
- CA 系统（一致性 + 可用性，舍弃分区容忍性）：
- CP 系统（一致# CAP CAP 理论，又称为布鲁尔定理，是分布式系统设计中的一个重要概念。它描述了在设计分布式系统时必须在一致性（Consistency）、可用性（Availability）和分区容忍性（Partition Tolerance）这三者之间做出权衡。
CAP 理论的三个要素：
一致性（Consistency）：所有节点在同一时间看到相同的数据。例如，当一个节点更新了数据，其他所有节点立即看到相同的更新。
可用性（Availability）：每个请求都能接收到一个（不一定是最新的）响应，即使部分节点发生故障，系统仍然能正常提供服务。
分区容忍性（Partition Tolerance）：即使网络中断（节点之间的通信失败），系统仍能继续运行。系统必须能够在存在网络分区的情况下，继续处理请求。
CAP 理论的权衡：
根据 CAP 理论，在分布式系统中只能同时满足其中的两项，而不可能三者兼得。因此，系统设计者必须在一致性、可用性和分区容忍性之间做出权衡。通常被称为“CAP 不可能三角”。
例子：
- CA 系统（一致性 + 可用性，舍弃分区容忍性）：
>
- CP 系统（一致性 + 分区容忍性，舍弃可用性）：
例如，Zookeeper，它在保证分区容忍性的同时，优先保证数据一致性，即使有些请求需要等到网络恢复后才能处理。
个人理解
zookeeper 应该是最终一致性，Quorums 机制会导致不是所有的节点数据都能实时一致
最近在看CAP 感觉越看越迷糊，一点想法是， zookeeper 应当是不能用cap 理论去分析的
- 一致性：Quorums 机制会导致不是所有的节点数据都能实时一致, 所以zookeeper 是最终一致性，应该是不满足的
- 可用性：leader 选举期间，不能对外提供写服务，应当是不满足可用性
- 分区容错性：如果发生了网络分区，部分分区很有可能是不可用的，所以，应该也是不满足分区容错性（或者部分不可用也是满足的？） 所以，“尽管CAP在历史上有重大的影响力，但是对于一个具体的设计来说，它可能没有太大的实际价值” “这两种选择，有时分别成为CP 和 AP。然而这种分类方案存在一些缺陷，还是建议避免使用 ”
- AP 系统（可用性 + 分区容忍性，舍弃一致性）：
例如，Cassandra 和 DynamoDB，这些系统在网络分区发生时，仍然能提供服务（高可用性），但可能无法保证所有节点数据一致（最终一致性）。
BASE
BASE 理论是分布式系统设计中的一种原则，旨在实现高可用性和容错能力。BASE 是 Basically Available, Soft state, Eventual consistency 的缩写。与强调强一致性的传统 ACID 特性不同，BASE 理论侧重于灵活性和可扩展性。
BASE 理论的三个要素：
- 基本可用（Basically Available）：
系统在绝大多数情况下是可用的，即使在部分组件出现故障时，系统仍能继续提供服务。\ 可能会在短暂的时间内出现部分功能不可用或性能下降的情况，但总体服务不中断。
- 软状态（Soft State）：
系统允许存在中间状态，不需要立即达到一致性。 数据副本之间的同步可以是松散的，允许数据在不同节点之间存在短暂的不一致。
- 最终一致性（Eventual Consistency）：
系统保证在没有新的更新操作的情况下，最终所有数据副本将达到一致状态。 这种一致性模式适用于需要高可用性和分区容错性的分布式系统，允许短时间内的数据不一致，以换取系统的可扩展性和响应速度。
示例：
- Cassandra：一个基于 BASE 理论的分布式数据库，提供高可用性和最终一致性，适用于大规模数据存储和查询。
- DynamoDB：亚马逊的分布式数据库，支持高可用性和最终一致性，以应对网络分区和系统故障。
- HBase：一个基于 Hadoop 的分布式数据库，支持高可用性和最终一致性，适用于大规模数据存储和分析。
通过采用 BASE 理论，分布式系统可以在保持高可用性和容错性的同时，允许一定程度上的数据不一致。这种设计理念适用于那些对强一致性要求不高但对可用性和性能有较高要求的应用场景。性 + 分区容忍性，舍弃可用性）：
例如，Zookeeper，它在保证分区容忍性的同时，优先保证数据一致性，即使有些请求需要等到网络恢复后才能处理。
个人理解
zookeeper 应该是最终一致性，Quorums 机制会导致不是所有的节点数据都能实时一致
最近在看CAP 感觉越看越迷糊，一点想法是， zookeeper 应当是不能用cap 理论去分析的
- 一致性：Quorums 机制会导致不是所有的节点数据都能实时一致, 所以zookeeper 是最终一致性，应该是不满足的
- 可用性：leader 选举期间，不能对外提供写服务，应当是不满足可用性
- 分区容错性：如果发生了网络分区，部分分区很有可能是不可用的，所以，应该也是不满足分区容错性（或者部分不可用也是满足的？） 所以，“尽管CAP在历史上有重大的影响力，但是对于一个具体的设计来说，它可能没有太大的实际价值” “这两种选择，有时分别成为CP 和 AP。然而这种分类方案存在一些缺陷，还是建议避免使用 ”
- AP 系统（可用性 + 分区容忍性，舍弃一致性）：
例如，Cassandra 和 DynamoDB，这些系统在网络分区发生时，仍然能提供服务（高可用性），但可能无法保证所有节点数据一致（最终一致性）。
BASE
BASE 理论是分布式系统设计中的一种原则，旨在实现高可用性和容错能力。BASE 是 Basically Available, Soft state, Eventual consistency 的缩写。与强调强一致性的传统 ACID 特性不同，BASE 理论侧重于灵活性和可扩展性。
BASE 理论的三个要素：
- 基本可用（Basically Available）：
系统在绝大多数情况下是可用的，即使在部分组件出现故障时，系统仍能继续提供服务。\ 可能会在短暂的时间内出现部分功能不可用或性能下降的情况，但总体服务不中断。
- 软状态（Soft State）：
系统允许存在中间状态，不需要立即达到一致性。 数据副本之间的同步可以是松散的，允许数据在不同节点之间存在短暂的不一致。
- 最终一致性（Eventual Consistency）：
系统保证在没有新的更新操作的情况下，最终所有数据副本将达到一致状态。 这种一致性模式适用于需要高可用性和分区容错性的分布式系统，允许短时间内的数据不一致，以换取系统的可扩展性和响应速度。
示例：
- Cassandra：一个基于 BASE 理论的分布式数据库，提供高可用性和最终一致性，适用于大规模数据存储和查询。
- DynamoDB：亚马逊的分布式数据库，支持高可用性和最终一致性，以应对网络分区和系统故障。
- HBase：一个基于 Hadoop 的分布式数据库，支持高可用性和最终一致性，适用于大规模数据存储和分析。
通过采用 BASE 理论，分布式系统可以在保持高可用性和容错性的同时，允许一定程度上的数据不一致。这种设计理念适用于那些对强一致性要求不高但对可用性和性能有较高要求的应用场景。