(二)漫谈分布式之理论篇：用刁钻的手法掰正你那学歪的CAP与BASE理论！

引言

科技进步离不开理论支撑，而当下大行其道的分布式架构，透过繁荣昌盛表象，底层同样离不开诸多分布式理论撑持。当然，相信诸位在学习分布式相关技术时，必然学到过两个分布式领域中的基础理论，即：CAP与BASE理论。

不过我先问大家一个问题：什么系统需要实践CAP理论？

很多人下意识会说出：分布式系统，这个答案对吗？并不尽然，其实大家所能接触的大部分“分布式系统”，并不需要实践CAP理论。

我为何给出上面这句结论？因为大多数讲分布式的资料、课程，虽然在一开始就会先讲述CAP理论，但大家仔细想想，你在做分布式项目时，落地过这个基础理论吗？相信包括我在内，以及90%以上的开发者，没有，至于为何，本文来从不一样的角度好好唠唠CAP，以及另一个著名的BASE理论~

当然，BASE会广泛运用于分布式系统中，但绝大多数人并没有真正理解CAP与BASE理论之间的关系，注意，我这里说的“绝大多数人”覆盖面可能达到90%，为何这么说？本文会一点点抽丝剥茧，“掰正”大家的固有认知。

一、分布式基础 - CAP理论

为了知识完整性，我们先来聊聊最基本的CAP理论，先上张图：

当一个从逻辑上被视为整体的系统，拆散到多个节点部署时，则能称之为分布式系统，分布式领域中的CAP理论，即是图中三个单词的首字母缩写组合，CAP由三个指标组成：

• C：Consistency（一致性）；
• A：Availability（可用性）；
• P：Partition tolerance（分区容错性）。

2.1、Consistency一致性

分布式和以往集中式部署的单体架构不同，它可以部署在多个节点上，以Redis为例，如果只部署一个节点，则属于单机版本，采用主从、分片等集群模式部署，称之为分布式版本。所谓的一致性，即是在同一个分布式系统中，同一时刻的所有节点，能看到的数据完全相同。

比如2024-03-10 11:11:11这个时间点，两个读取相同Key的请求，一个落入到主节点A，另一个落入到从节点B，读到的数据必须完全相同，这保证了数据的完整性和准确性。反之，如果这两个请求拿到的结果不同，意味着Redis主从集群这个分布式系统中，并没有实现数据一致性。

PS：同时，一致性还要求：一旦某个数据在分布式系统中的某个节点上被更新（如修改成新值），那么后续对该数据的读取操作，无论发生在哪个节点上，都应该返回更新后的值，即：所有节点在同一时间内，都能看到相同、且最新写入的值。

基于上述结论来问个问题：在MySQL主从模式下，一个新值写入后还未提交，此时在从节点上读取到了老值，满足CAP的一致性要求吗？

思考一分钟……

答案是满足，只要保证事务提交前，所有节点读到的数据都为老值，就满足一致性要求！因为带事务性质的场景中，写入动作的完成时机，并不是数据落到某个节点，而是整个事务被提交时，只有当事务被提交，才代表真正完成了数据写入。

2.2、Availability可用性

分布式系统因为部署在多个节点，虽然避免了单点故障问题，但也会增加整个系统的风险出错率，还是上面Redis的例子，A、B、C三个节点都有可能出现故障。而CAP里的可用性，即是指分布式系统中，能够始终对请求做出响应，好比B节点发生错误，整个Redis服务依旧要能够正常处理并响应外部的请求，不能由于某一个或部分节点的损坏，导致整个系统陷入不可用状态。

可用性强调的是系统对外部请求的响应能力，具体来说，它要求系统能够在一定的时间内，对任何非失败的外部请求做出响应。这意味着，无论系统内部发生什么情况，只要外部用户发出请求，系统都应该尽快做出响应，即使回应的是拒绝服务或错误消息。因此，可用性关注的是系统对外部请求的响应速度和可靠性。

2.3、Partition tolerance分区容错性

组成分布式系统的多个节点，可以部署在任意节点上，这意味着我们可以用物理位置不同的服务器来部署系统，不同节点间的协调与数据同步，都依靠网络来完成。当组成分布式系统的多个节点，其中某个节点出现网络故障时（如网络中断、抖动、网络设备损坏等），对系统内其余正常的节点来说，无法通过网络感知到该节点，它成为无法通信的孤立区域，从而造成了网络分区。

PS：CAP里的网络分区，并非是网络编程里的局域网概念，而是指分布式系统内部，网络出现故障时，系统中的节点可能被分割成多个独立的子网络，这些子网络之间的通信被阻断，导致数据无法在它们之间自由流动。

CAP里的P分区容错性，就要求系统在这样的情况下仍然能够正常运行，即使系统内出现了多个分区，分布式系统依旧能正常运行，并对外提供基本的服务（至少一部分服务可用）。当然，某个节点掉线会造成孤立区域出现，系统内动态加入节点，同样也会导致分区问题。

透过表象看本质，因为新节点加入和老节点离开，都可以视为系统内部的网络分区，CAP里的分区容错性，本质就是分布式系统对节点动态加入和离开的处理能力！

2.4、CAP三者选其二问题

上面对CAP理论做了展开，讲清了其中的三个指标，简单总结下：

• 一致性要求所有节点在同一时间看到相同的数据；
• 可用性则要求系统能够始终对请求做出响应；
• 分区容错性则是指系统在遇到网络分区时，仍然能够保持一定的可用性和一致性。

虽然其中的A、P在某些方面看起来相似，但它们关注的焦点并不相同，可用性侧重于系统对用户请求的响应能力，而分区容错性则更侧重于系统在出现网络分区时的表现，这里请大家一定要区分清楚。

好了，相信大家一定听过一句定理：CAP三个指标不可能同时做到，三者只能选其二，意味着只能有CA、AP、CP三个组合，但大家仔细想想，你听说过市面上有保证CA的分布式组件吗？肯定没有，Why？

换个角度来看待上面提出的问题，假设我们自己要研发一款分布式组件，如果要保证CA（一致性与可用性），该怎么实现？

可用性可以理解成高可用，高可用的前提是解决单点故障，因此我们可以考虑集群设计方案，使用多个节点来组成整个系统，当系统部分节点出现故障时，外部请求能自动转移到其他健康的节点上处理。通过这种方案，我们可以保证系统在节点故障时的可用性，不过这里又有个问题，如何感知节点是否健康？

设计健康检查机制！而最主流的方案则是心跳机制，就好比一个正常的人，一定会有心跳，换到程序设计中，一个正常的节点，必然也具备发送心跳包的能力。反之，如果一个节点发送不了心跳包，或者系统内其他节点收不到某个节点的心跳包，说明该节点已经处于故障状态，后续不用将请求转发到该节点。

保障了可用性后，接着来看看一致性，因为此时有多个节点，多个节点的数据一致该怎么实现？选择2PC、3PC这类强一致方案，当外部往某个节点写入数据时，该节点触发数据同步机制，将写入的数据同步给所有节点，当所有都同步完成后，再给客户端返回写入成功，这样就能保证所有节点数据完全一致。

通过上述步骤，就设计出了一个简易版的CA分布式组件，存在什么问题吗？问题很大，节点间的心跳检测、数据同步，需要依靠网络进行通信，先来看看心跳检测的问题：

①某个节点其实很健康，但发出的心跳包，因为网络抖动造成丢包，其他节点没收到就认为它故障了，这合理吗？不合理。 ②某个节点发出的心跳包，部分节点收到了，部分节点没收到，一部分节点认为健康，一部分节点认为故障，从而造成了分区，怎么办？

再来看看保证一致性的数据同步方案，假设某个节点故障，又或者同步数据时的包丢失，导致系统内多个节点数据不一致，系统为了达成“数据一致态”，会不断触发重试机制，造成外部请求阻塞，一直无法成功写入……

综上，最开始的设计思路，只是我们最理想的状态，但网络其实是个不可控因素，总会由于各种各样的原因造成故障出现。因此，在设计分布式系统时，网络故障带来的分区问题，一定要率先考虑，如果对分区问题没有容错性，代表系统内一个节点出现问题时，会造成整个系统无法正常运行，这也是为什么只有保证AP、CP的分布式组件，没有保证CA的原因。

PS：有没有能保证CA的组件呢？答案是有，就是单机版本，毕竟只有一个节点，数据写入成功后，就能保证多个外部请求看到的数据都相同；同样，只要这一个节点活着，系统就肯定可用，也是一种“狭义上的可用”。

综上，分布式肯定要保证P，无法保证P的分布式组件，只能被称为“部署在多个节点上的单体系统”，为此，对于CAP那幅图，正确的画法应该是这样的：

虽然很多人在聊CAP时，说到三选二，可是分布式系统中，实际只能在A、C里选，不存在CA这个组合！ 好了，回过头，再来看为什么CAP不能一起实现呢？

分布式系统中的通信离不开网络，而恰恰网络出现故障是常事，在出现分区问题时，节点间的通信会受到严重阻碍，来看个例子：

如上图所示，该系统由A、B、C三个节点组成，其中由于C节点故障导致分区问题出现。如果要完全满足CAP里的一致性要求，意味着当外部写入数据时，A节点必须等到C节点同步完成，才能给客户端返回写入成功，可此时C节点已经挂了，注定着数据写不进去……

假设此时出现读取该数据的请求怎么办？此时只有两种办法：

• ①放弃可用性：等待所有节点的数据都达到一致状态，保证任意节点返回的数据都相同，可这时系统必然无法及时响应；
• ②放弃一致性：给客户端返回已经写入进A、B的新数据，但后续C节点恢复，请求去到C时，会出现读取到的数据不一致；

通过这个例子，相信大家一定明白了C、A之间为何只能选一个，保证可用性（AP），虽然可以快速响应外部请求，但无法做到任意时间点、所有节点数据的一致；保证一致性（CP），就需要等到所有节点数据达到一致，从而造成系统无法及时响应外部请求，可用性降低。

2.5、为何90%分布式系统无需实践CAP理论？

在一开始我就给了一个定论：90%以上的分布式系统，不需要实践CAP理论，下面展开聊聊。

前面给过分布式系统的定义：当一个从逻辑上被视为整体的系统，拆散到多个节点部署时，则能称之为分布式系统，而分布式系统也可以分为两类，一类是带存储性质的，另一类则是非存储性质的（类似于Kubernetes里的无状态Pod），而90%以上的开发者，负责开发的分布式系统都属于后者，啥意思？

包括我在内的大部分人，平时都在做业务开发，而一个业务性质的分布式系统，需要实践CAP理论吗？并不需要，因为业务系统本身只有逻辑处理，没有数据存储，自然不存在所谓的数据一致性（数据最终是存在各种组件里，如数据库）。真正需要实践CAP理论的分布式系统，主要是带存储性质的分布式系统，如Redis、MQ、数据库、注册中心……

以CAP理论应用最广的“注册中心”领域为例，正是因为它需要存储服务注册的信息，所以才需要实践CAP理论，也只有在研发这类分布式组件时，才需要在一致性、可用性间做取舍。作为业务开发者，我们只需要站在已有组件上做考量，想清楚到底用CP，还是AP就足够了。

2.6、在业务中应用CAP思想

除开研发分布式存储组件要实践CAP理论外，做业务类型的分布式系统，哪些场景会用到CAP思想呢？下面举些例子说明。

使用分布式锁时，在Redis、Zookeeper都为主从集群模式的情况下，如果选择Redis来实现分布式锁，代表更关注响应速度（AP）；如果选用ZK来实现，则代表更关注一致性（CP）。

微服务项目，选择服务注册中心时，……

通常而言，如果更关注性能，可以选择AP类型的组件，毕竟AP舍弃了数据一致性，只需等数据写入主节点，就可以向客户端返回写入成功，这无疑会大幅度提升请求的响应时间。但AP组件存在数据丢失的风险，比如数据刚写进主节点，还没来得及同步给从机，主节点就宕机了，此时切换上来的新主，就会丢失这部分数据。

反之，如果更关注数据安全性，则可选用CP类型的组件，CP放弃了可用性，优先保证数据一致性，当数据写进主节点后，往往需要等到从节点也写入完成，最后才能给客户端返回写入成功，这显然会拖慢响应速度，因为从机未写入成功，请求则需要一直阻塞等待。不过这种模式有个好处，就是当主节点宕机时，无论是哪台从机成为新主，都能保证拥有最完整的数据，不会存在数据丢失现象。

最后，技术没有绝对的好坏，实际项目中究竟选什么类型的组件，不能随心而定，而是得先深度了解业务场景，再进行技术选型，不同的业务关注面并不一样。

二、分布式核心 - BASE理论

前面提到分布式系统不可完全满足CAP的三个指标，但完全舍弃一致性，或可用性也绝对不行，怎么办？

有些熟悉分布式理论的小伙伴，下意识会喊道：BASE理论，这个答案对吗？不一定对，虽然很多讲解CAP的资料，一提到CAP，自然而然就会扯上BASE理论，美名其曰：BASE理论可以让我们不必在A、C中做抉择，而是可以实现部分的A和C；又或者说：BASE理论是在CAP基础上，满足AP后对C方面的拓展与延申。

你觉得上面这类说法正确吗？很多人都会觉得对，因为大部分人当初就是这么学的……

如果你对BASE理论也是上述两种理解，那……，或许你一直都未曾真正搞懂CAP与BASE这两个分布式理论！

当然，为了更好的“掰正大家的观念”，以及照顾分布式知识薄弱的小伙伴，我们先简单讲讲BASE理论。

Basically Available、Soft state、Eventually consistent简称为BASE理论，该理论最早源于ACM上《Base: An Acid Alternative》这篇论文，由eBay系统架构师Dan Pritchett于2008年发布，该理论提出了三个概念：

• BA：Basically Available（基本可用）；
• S：Soft state（软状态）；
• E：Eventually consistent（最终一致性）；

为了后面更好的讲述CAP与BASE理论之间的关系，我们先快速认识/回顾一下上面这三个概念。

2.1、Basically Available基本可用

基本可用这个概念很好理解，比如咱们买了一台“船新版的遥遥领先”，因为是新机，所以功能、硬件、系统都没问题，属于“完全可用状态”。

众所周知，“遥遥领先”不算便宜，小竹这个人呢，比较好面子，也想要一台，可是买不起怎么办？正巧此时小竹的好朋友：大熊猫，昨天刚到的全新版，不小心从十八楼摔下去了，于是想换台新的。小竹听闻此事后，眼珠一转、双手一拍，怒斥千元巨资！全款！不分期！将其成功拿下！

拿到手后，虽说这屏幕有点稀碎、按键有点松、机身有点歪……，但好歹开机还能亮啊！毕竟有句话说得好：

好了，到此时，小竹手里这台“战损版-遥遥领先”，尽管卖相不咋滴，但功能方面基本没问题，凑合凑合也成，这就属于“基本可用状态”。

换成分布式领域亦是同理，当系统出现故障或意外情况时，允许降低部分可用性，保证系统基本可用，而这类情景十分常见，比如大促活动期间：

• 熔断/限流：当系统负载达到指定阈值时，新到来的请求会被拒绝（返回配置好的提示语）；
• 关闭非核心业务：如禁止大数据报表导出、停掉部分非关键性的任务，给核心业务腾出资源；
• 服务降级……

基本可用的核心思想就是：当系统出现故障或意外情况时，允许放弃掉部分可用性，保证核心功能可用，或能响应外部请求（返回自定义的错误提示也可以）即可。

PS：基本可用不是“不可用”，就好比一台遥遥领先，已经摔成了十八瓣，还能算基本可用吗？当然不行……

2.2、Soft state软状态

软状态在有些地方也叫弱状态，是指允许系统存在中间状态，并且该中间状态不会影响系统整体的可用性。

这就好比传统关系型数据库里的事务机制，假设没有事务机制，写入数据就只有成功、失败两种状态：

• 成功：数据成功保存到数据库，当出现读取请求时，能正常读到写入（或更新）后的值；
• 失败：数据未保存到数据库，当出现读取请求时，只能看到之前的值，或看不到值；

而有了事务机制后，在成功与失败之间，多了一个中间态，即：数据写入成功，事务暂未提交，这个中间态的存在，也不会影响数据库整体的可用性。

2.3、Eventually consistent最终一致性

在BASE理论中，最终一致性是和软状态绑定的，两者需要结合在一起理解。前面说到，软状态允许系统内存在中间态，但要记住：如果这个中间态，一直不变成终态，而是卡在那里的话，就会影响系统整体的可用性。

啥意思？结合上面给出的数据库事务例子来说，如果一个事务处于中间态（写入成功，但一直不提交）；当其他请求继续对该事务操作的数据行进行更新时，就会被阻塞，从而影响了系统的可用性，这就违背了“软状态”的定义。

软状态除开强调允许存在中间态外，还声明了该中间态不会影响系统整体的可用性，意味着这个中间态，注定只能短暂存在，在一定时间后，肯定会变成终态！

BASE理论里的最终一致性，就是为了填补“卡在中间态不变化”这个逻辑漏洞，代表系统内出现中间态时，经过一定时间推移后，最终肯定能达到一致的状态（终态）。当然，这样讲或许有点难理解，来套入一个常见的分布式场景：

分布式系统中，有个落地页渲染所需的数据比较复杂（如数据看板），得调用多个服务的接口进行组装才能返回，这个过程非常耗时，可能需要几分钟之久。

面对这种情况一般会怎么做？通常会提前聚合好数据，而后放入到Redis或ES中进行缓存，以便后续能快速拿到渲染所需的数据。

问题来了，现在参与聚合的一部分数据更新了，那提前聚合出的结果就会不一致，怎么办？先来看看现在的终态：

• ①参与聚合的基础数据更新成功，聚合结果实时更新；
• ②参与聚合的基础数据更新失败，聚合结果保持不变。

之前仅有这两个终态，如果要进行满足状态，既耗费资源，又会响应缓慢，为此就可以允许中间态存在，保证最终一致性即可（如开启定时任务，定时聚合并刷新缓存中的数据）。

总之，只要参与聚合的基础数据不再更新，随着时间推移，定时任务肯定会把缓存中的结果，刷新成“最新的基础数据聚合后的结果”，让系统内的数据达到一致状态，这就是最终一致性！

三、固有认知的拨乱反正

上节简单讲了下BASE理论的定义，接下来回到一开始的问题：为什么我说BASE理论和CAP理论没太大关系？

想要讲明白这个问题，我们得重新认识下CAP理论，CAP理论更偏向于分布式存储这个领域，而且并非所有分布式存储领域都会用到CAP，只有哪些存在数据副本的分布式存储场景，如所谓的主从集群、多主集群、镜像集群、复制集群、副本集群……等场景时，才会用到CAP，因为这些情况下才会涉及到数据同步，才会涉及到数据一致性问题！

而分库分表、Redis-Cluster、MongoDB-Cluster……这类分片式存储的场景中，尽管也都是分布式存储场景，可由于每个节点存储的数据本来就不同，自然不存在所谓的数据一致性问题，也就自然不存在所谓的CAP实践，这点希望大家一定要弄清楚，否则说明你并未真正理解CAP思想。

PS：CAP理论最早是在1998年由Eric Brewer提出，这是26年前的事了，当时分布式领域最前沿的技术，就是主从集群这一块，因此该理论更多针对的是这个方向。

回到一开始讲的CAP一致性，其定义是：所有节点在同一时间内，都能看到相同、且最新写入的值，注意看“所有节点看到相同值”这句话，什么情况下，所有节点的数据才需要相同？即上面提到的“数据副本”场景。也就是说，CAP理论里的一致性，关注点是：副本节点数据同步间的一致性。

再回头来看BASE理论里面的最终一致性，这里的一致性和CAP里的一致性，两者是一回事吗？并不是，BASE里的一致性维度更高，关注点是：分布式系统里的状态一致性，即中间态最终会演变成终态（不理解没关系，后续会举例展开）。

既然BASE并非CAP的延申理论，那它究竟是个啥？我相信绝大多数小伙伴，并没有认真看过ACM平台上那篇BASE论文，我带大家来仔细看，其中有一段是这样的：

看图中圈出来的这段话，段落标题为An ACID Alternative，英语好的小伙伴可以翻译一下，啥意思？ACID的替代品，想要理解论文这段话，我们先来说说ACID理论（在论文中也有前置说明）。

3.1、ACID理论

• Atomicity原子性：将组成事务的多个操作，视为一个不可分割的整体，要么全部成功，要么全部失败，不能只生效一部分；
• Consistency一致性：事务执行前后，数据库只能从一个一致状态转为另一个一致状态，即事务执行对整体数据产生的变化是一致的；
• Isolation隔离性：多事务并发执行时，各事务之间不能被其他事务干扰，就类如每个事务都在独立的沙箱中执行；
• Durability持久性：一旦事务提交，无论发生什么状况（如故障、宕机等），该事务对数据的变更都会永久保存。

这里重点把一致性拉出来聊聊，ACID中的一致性定义为：一个事务执行前后，数据库只能从一个一致状态转变为另一个一致状态，这句话有点绕对吧？其实在之前的事务篇中举例解释过，现在再以“转账”这个典型的事务场景案例来说：

需求：小竹向熊猫账户里转1000W元。 数据库现状：小竹账户余额为1001W元，熊猫账户余额为888W元。

面对上述这个需求，对应的转账事务为：小竹账户先减1000W，熊猫账户再加1000W。所谓的一致性，就是这个事务执行前后，数据库里的整体数据变化一致，对其进行拆解：

• 初始态：小竹账户余额为1001W元，熊猫账户余额为888W元。
• 结果态：小竹账户余额为1W元，熊猫账户余额为1888W元。

如果该事务执行失败，数据库应该回到初始态，这对数据库来说状态没有改变；而当该事务执行成功时，数据库应该来到结果态，此时小竹+熊猫的账户余额，合计还是1889W，对数据库整体状态来说，也并未改变，这就是ACID里所谓的一致性：事务执行前后只会从一个一致状态转为另一个一致状态。

当然，上面这段拆解对有些小伙伴来说，或许还是有点绕，那再举反例说明，即聊聊“不一致”的场景：

• ①小竹账户减1000W，余额1W，但熊猫账户没有加，还是888W，合计889W。
• ②熊猫账户加1000W，余额1888W，但小竹账户没有减，还是1001W，合计2889W。

上述则是两种没有保证一致性的场景，事务执行前后，整体数据的变化并不一致，造成数据库陷入了一种不正确的状态。

其他事务场景也是同理，下单时，[库存数减一，订单数加一]、[库存数不变，订单数不变]，这属于一致状态，出现这两种情景之外的现象，则说明数据库未保证一致性。

PS：其实有点类似于能量守恒定律，能量在转化或转移的过程中，总量保持不变……

3.2、重新理解BASE理论

OK，简单回顾了一下ACID理论，现在再来看BASE论文里的那段：ACID的替代品。

来简单翻译下这段话：

如果ACID为分布式数据库提供了一致性选择，那如何在分布式数据库里保证可用性呢？一个答案就是BASE理论。

BASE理论与ACID完全相反，ACID是悲观思想，在每次操作结束时强制要求保持一致性（即事务结束必须落入终态）。而BASE是乐观思想，可以接受数据库一致性处于不断变化的状态。虽然听起来……

翻译了前两句话，从这两句话里不难看出，BASE理论的最终一致性，并不是用来对标CAP的一致性，而是与ACID里的一致性对等，允许事务执行后出现“中间态”。

来个分布式事务的经典例子：

商品库里有个“黄金竹子”，库存数为8888，现在有个对应的下单请求（暂时抛开实际下单场景中的复杂流程），对应的事务则为[库存减一、创建一条订单]，如果遵循ACID里的一致性，此时只能有两种状态：

• 初始态：黄金竹子库存为8888，没有对应的订单。
• 结果态：黄金竹子库存为8887，有一条对应的订单。

在分布式场景中，因为商品服务和订单服务是分开部署的，所以要通过网络调用“创建订单”的接口，可网速再怎么快，就算是内网环境，扣完库存到创建订单之间也会有时间差，这就导致分布式系统中会出现短暂的“不一致”：

• 中间态：黄金竹子库存为8887，没有对应的订单记录。

如果在这个中间态期间，出现一个读取“黄金竹子库存数”的请求，就会看到8887这个库存数。因此，正是因为这个中间态的存在，就违背了ACID原则，ACID定义的一致性不接受这种现象。

再回头看，BASE理论中，软状态的定义允许存在中间态，最终一致性的定义接受延迟性，所以这也是为什么BASE理论的论文中说：BASE是分布式场景中ACID理论代替品的本质原因！

好了，再把BASE理论中的最终一致性，代入到上面的案例中，如果下单事务执行结束，流向会有两个：

• 新增订单成功，分布式事务可以提交，中间态流转到结果态。
• 新增订单失败，分布式事务触发回滚，中间态撤回到初始态。

综上所述，不管中间态是流转到结果态，还是撤回到初始态，最终系统内整体数据的变化是一致的，这也就是所谓的“最终一致性”。

PS：分布式事务如何保证最终一致性，后续会有单独的分布式事务篇章进行讲述，本文不再展开。

3.3、为什么很多人聊CAP会扯到BASE？

上阶段证实了一开始提出的观点，BASE理论的初衷，是为了成为分布式系统中ACID理论的替代者，跟CAP理论没什么太大关系。可为什么一抓一大把的资料，都在潜意识的表达“BASE理论是对CAP理论的补充”这种观点呢？

因为CAP理论只能在A、C中，二者选其一，选了A不能选C，要了C不能要A。可是有些人又想要A，又想要C，于是就把BASE理论抬出来做解释，声称：BASE理论可以让我们不必在A、C中做抉择，而是可以实现部分的A和C！

奔着三人成虎的原则，你这样喊，他也这样喊，我还这样喊……，越来越多的人就都认为BASE是CAP的补充版……。其实不然，就连CAP、BASE两个理论中的一致性定义都不同，CAP的一致性，关注的是数据一致性；BASE的一致性，关注的是状态一致性，真正的对应关系如下：

CAP一致性 ≠ BASE一致性、BASE一致性 = ACID一致性。

同时，两个理论除开一致性的定义不同外，甚至连“可用性”的定义也不一样。CAP中的可用性，是指主从这类集群，某个节点出现故障时，不会影响系统整体的运行，如：

上图这个MySQL多主集群，两个节点互为对方的从机，业务应用任意连接某个节点，都可以读写完整数据。当某个节点出现故障时，业务应用都可以连接另一个节点，正常读写数据，这是CAP关注的可用性（响应速度也是CAP可用性的一种表现）。

反观BASE理论，其中定义的“基本可用”，更多针对于分片式领域，来看论文中这段话：

正因如此，才会给出“一个节点故障只会影响20%用户”这个结论，毕竟存储其他80%数据的四个节点此时正常。所以，BASE理论中的基本可用，并不是指主从这类“全量式复制”的集群，而是针对“分片式”的集群。

PS：BASE论文中还提到按功能拆分的思想，其中称为“功能组”，就类似如今的按业务分库，感兴趣可去阅读原文。

好了，既然CAP、BASE的定义都不同，为什么这么多人会把这两个扯上关系呢？究其根本原因是：BASE理论中定义的三个概念，几乎能覆盖大多数分布式场景！

BASE理论的最终一致性，虽然是指状态一致性，可是也能套入CAP的数据一致性，比如主从集群数据复制，如果选同步-复制，太影响性能；如果选异步-复制，可以最快程度上响应请求，同时数据也会同步给从机，虽然有时间差，但只要集群内节点正常运转，所有节点的数据，最终都会保持一致。

异步-复制模式中，如果数据刚落入主节点，而后主节点就宕机，尽管选上来的新主会丢失一部分数据，但也不是不能用对吧？为此，BASE定义的基本可用，也能套上CAP的可用性~

BASE理论比CAP晚诞生十年，两者所处的时代背景不同，BASE定义的维度比CAP要高，所以在一定程度上，BASE能向下兼容CAP，这也就让许多人觉得BASE是CAP理论的拓展。

四、总结

通篇看完，大家会发现CAP理论并没有那么强大，它的作用更多局限于分布式存储领域，同时也并非整个分布式存储领域都会用到CAP思想，如今主流的分片式存储架构，就摒弃了传统的CAP模型。

而BASE理论，则广泛运用于各类分布式系统，其中定义的三个概念，覆盖了分布式系统的大多数场景，比如微服务中的服务降级、熔断、限流机制，就是“基本可用”的一种体现。

最后，在之前的文章中，我一直强调大家不要听风就是雨，学习技术时，务必保持审慎怀疑的态度！比如本文讨论的BASE理论，90%资料都在告诉你，它是CAP的拓展理论，可事实却并非如此。为此，大家学习时要多思考、做验证，这样才能真正的把技术学透彻。

PS：后续所有文章会陆续同步到个人公众号：竹子爱熊猫，想在微信上便捷阅读的小伙伴可搜索关注~