BASE 理论

BASE 理论是由 eBay 架构师提出的，它是对大规模分布式系统实践的总结，BASE 理论是对 CAP 理论的延伸，其核心思想是即使无法做到强一致性（CAP 的一致性是强一致性），但应用可以采用适当的方式来使系统达到 最终一致性。是CP（强一致性）和AP（强可用性）权衡的结果。

BASE 理论是基本可用（Basically Available)、软状态（Soft State）和最终一致性（Eventually Consistent）。

基本可用

什么是基本可用呢？假设系统出现了不可预知的故障，但还是能用，相比较正常的系统而言，可以提供一些降级服务，而不是不提供服务

基本服务通常会在两方面有所损失：响应时间和功能。

• 响应时间上的损失：正常情况下的搜索引擎 0.5 秒即返回给用户结果，而基本可用的搜索引擎可能在 3 秒内返回结果。通常是因为某些节点不可用，或者等待超时触发柔性。例如，正常情况下后端即时返回搜索结果并发送给前端，当后端访问连接不上时，可以再选取其他节点测试，期间会增加处理时间。

• 功能上的损失：与正常情况下提供的功能不一致，通常是一种降级后的功能，保证用户基本功能可用。
  例如，在除夕抢红包时，要保证抢红包的体验是正常的。但是红包到账、查询资产等功能可能就不会及时生效，一般会给用户展示一个引导页，告知用户在一个小时内到账，而不像平时一样马上到账。
  再如，在一个电商网站上，正常情况下，用户可以顺利完成每一笔订单。但是到了大促期间，为了保护购物系统的稳定性，部分消费者可能会被引导到一个降级页面。

软状态

原子性要求多个节点的数据副本都是一致的，这是一种“硬状态”，与之对应的状态是“软状态”。

软状态允许系统中的数据存在中间状态，并认为该状态不影响系统的整体可用性，即允许系统在多个不同节点的数据副本存在数据延时。

例如，存储的用户资料在全国8个 IDC（互联网数据中心）中分别有 24 个副本，有些 IDC 由于网络时延，或者临时故障不可用，当主服务同步部分副本成功后，就认为这个状态是可接受的，不用等 24 个副本都同步这种硬状态。

最终一致性

最终一致性是指在软状态度过一段时间后，保证系统的所有副本最后都达到一致的状态。这个时间期限取决于网络延时、系统负载、数据复制方案设计等等因素。

而在实际工程实践中，最终一致性分为五种情况。

• 因果一致性（Causal consistency）：如果节点 A 在更新完某个数据后通知了节点 B，那么节点 B 之后对该数据的访问和修改都是基于 A 更新后的值。于此同时，和节点 A 无因果关系的节点 C 的数据访问则没有这样的限制。

• 读己之所写（Read your writes）：节点 A 更新一个数据后，它自身总是能访问到自身更新过的最新值，而不会看到旧值。其实也算一种因果一致性。

• 会话一致性（Session consistency）：将对系统数据的访问过程框定在了一个会话当中：系统能保证在同一个有效的会话中实现 “读己之所写” 的一致性，也就是说，执行更新操作之后，客户端能够在同一个会话中始终读取到该数据项的最新值。

• 单调读一致性（Monotonic read consistency）：如果一个节点从系统中读取出一个数据项的某个值后，那么系统对于该节点后续的任何数据访问都不应该返回旧版本的值。

• 单调写一致性（Monotonic write consistency）：一个系统要能够保证来自同一个节点的写操作被顺序的执行。

在实际的实践中，这五种一致性系统往往会结合使用，以构建一个具有最终一致性的分布式系统。

实际上，不只是分布式系统使用最终一致性，关系型数据库在某些功能上，也是使用最终一致性的。比如备份，数据库的复制过程是需要时间的，这个复制过程中，业务读取到的值就是旧的。当然，最终还是达成了数据一致性。这也算是一个最终一致性的经典案例。

小结

总体来说 BASE 理论面向的是大型高可用、可扩展的分布式系统。与传统 ACID 特性相反，不同于 ACID 的强一致性模型，BASE 提出通过牺牲强一致性来获得可用性，并允许数据段时间内的不一致，但是最终达到一致状态。同时，在实际分布式场景中，不同业务对数据的一致性要求不一样。因此在设计中，ACID 和 BASE 理论往往又会结合使用。