Riak 中的 CAP - 分布式数据库相关理论 Part4

摘要：和上一篇博文一样，这次我们依旧以为案例，来分析理论在一个实际的分布式数据库中的作用。这次我们来看看，在这样的分布式数据库中，理论是怎么起作用的。需要最终包含正确的值的服务器节点总数正确的冗余数据拷贝数。其实这就是关系型数据库的做法。

和上一篇博文一样，这次我们依旧以 Riak 为案例，来分析 CAP 理论在一个实际的分布式数据库中的作用。

如果你还不熟悉 CAP，可以参考我之前的两篇博客 理解 CAP 理论, 最终一致性.html)。

这次我们来看看，在 Riak 这样的分布式key-value数据库中，CAP理论是怎么起作用的。

首先还是让我们来明确几个概念。

N odes

需要"最终"包含正确的值的服务器节点总数(正确的冗余数据拷贝数)。

W rites

每次写操作，我们需要确保最少有多少节点被更新。也就是说，我们在执行写操作的时候，不需要等待 N 个节点都成功被写入，
而只需要 W 个节点成功写入，这次写操作就返回成功，而其他节点是在后台进行同步。

R eads

每次读操作，我们需要确保最少读到几份冗余数据。也就是说，我们在执行读操作的时候，需要读到 R 个节点的数据才算读成功，否则读取失败。

为什么要这三个变量？其实这三个变量直接关系到了 Riak 的 CAP 特性。下面我们就来一一说明：

如下图所示：假设我们的 N=3, 设置 W + R <= N(例如：R=2, W=1)。这样我们的系统可以相对保证读写性能。
因为写操作只需要一个节点写入就返回成功。

然而这里有机率发生这样的情况：就像图中所示，我写入的是node1(versionB)，然后进行了一次读操作。
恰好这时候新数据尚未同步到node2, node3，而读操作又是从node2，node3取的值。由于这两个节点的值都是 version A，
所以得到的值便是 version A。

不过随着时间的推移，node1 中的 versionB 会被同步到 node2 以及 node3 中。
这时候，再有读操作，得到的值便是最新值(versionB)了。

这就是所谓的 Eventual Consistency。整个系统有着较高的读写性能，但一致性有所牺牲。

如果我们需要加强一致性，可以通过调整 W, R, N 来实现。

接下来我们会讨论如何调整 W，R，N 的关系来平衡读写性能和一致性(即 A 和 C 的平衡)。

一种极端做法(下图所示)，我们可以设 W=N, R=1。其实这就是关系型数据库的做法。
通过确保每次写操作时，所有相关节点都被成功写入，来确保一致性。这样可以保证一致性，但是牺牲了写操作的性能。

还有一种极端做法，我们可以设W=1, R=N。这样，无论你向哪个node写入了数据，都会被读到。
然后你读到的N个值也可能包含旧的值，只要有办法分辨出哪个是最新的值就可以了
(Riak 是用一直叫向量钟(Vector Clock)的技术来判断的，我们会在后面的博客中做介绍)
这样可以保证一致性，但是牺牲了读操作的性能。

最后再给出一种被称作 quorum 的做法。如下图所示，可以设置 W + R > N (例如 W=2, R=2)。这样同样可以保证一致性。
然而性能的损失由写操作和读操作共同承担。这种做法叫做 quorum。