一、强一致性

一致性大家庭中，虽然细分种类很多，但是实际上只有两大类，其中之一就是强一致性，其具体包含了严格一致性(也叫原子一致性或者线性一致性)和顺序一致性。

• 严格(原子/线性)一致性

严格一致性代表着，当数据更新后，所有Client的读写都是在数据更新的基础上。如下图所示，我们假设每份数据有三个副本，分别落到三个节点上。当Client1尝试将X的值置为1时，严格一致性要求当Client1完成更新操作以后，所有Client都要在最新值的基础上进行读写，这里的Client10读取到的值是x=1，在同一时刻Client100的更新操作也是在x=1的基础上进行x+=1操作，在下一个时刻Client1000读到的任意一个副本，X的值都会是2。

此时你会发现一切似乎都是很完美的。但是仔细想想，严格一致性的背后有什么潜台词呢？

严格一致性代表着，所有数据在写入操作的时候是同步复制的，即写多副本都成功，才算写入成功，HDFS是不是就是最好的例子。并且具有原子性，对于写入操作来说，结果要么写成功，要么写失败，不存在中间状态。这也是为什么称为原子一致性的原因。

在网上有很多人在解释一致性时，尝试从客户端和服务端分别解析；但是在上一篇我们分析CAP的时候，也有提到不要带Client玩，那么究竟谁对谁错呢？

这里我们再来看下，在考虑分布式系统的一致性时我们更关注什么？是多个Client发送读写请求到达后端的时间和先后顺序嘛？不，我们真正关注的是每个请求，对应服务端完成时间点的先后顺序。还是参考上面的例子，Client1000读取到x=2这个结果，实际上是以Client100这个写操作完成为基础的，如果Client100写操作一直不完成，那么强一致性要求Client1000读取到的X是1而不是2。因此我们更需要关注的是完成操作的具体时间点，而不是操作发起的时间点，对于一致性来说考虑Client的意义就不大了。当然在同一时刻多个Client操作的幂等性还是一定要保证的。

换个角度，Client才是一致性需求的甲方，不是嘛。而分布式系统端作为乙方，只能满足甲方需求，或者拒绝甲方需求，而不是要求甲方作出任何改变！

3) 基于严格的全局时钟

上面我们提到操作行为完成时间点的顺序是十分重要的。再仔细看一下上面举例的内容，相信你会发现一切的行为都在时间这个维度上，行为顺序是：Client1更新x=1 -> Client10读取x=1/Client100在x=1的基础上更新x+=1 -> Client1000读取x=2。所以每个操作都是在前一个操作完成的基础上进行的，在分布式服务中，需要有一个基准时间来衡量每个操作行为的顺序。此时你会问了，机器上不是都有NTP做时间校准嘛？现在的问题就是无法保证每一台机器的时间都是绝对相同的。

举个例子，数据D2所在的节点相比D1节点时间提前了几秒，当Client1的更新请求完成后(用时500ms)，Client10的请求开始执行并完成，如果将机器时间作为基准就会发现Client10的读取操作竟然在Client1的更新操作之前，这显然是违背强一致性的。

我们一般我们会如何保证全局时钟？这里简单聊聊三种种常见解法。

1. 混合逻辑时钟 Hybrid Logic Clock

在混合逻辑时钟中同时比较了节点本地的物理时间、逻辑时间和其他节点发送消息中的物理时间。kudu和Cockroachdb也都是使用的这个方法，HLC虽然加上了物理时间，但是仍然强依赖于机器的NTP，并不是严格意义上精确的时钟，在HLC中需要为时钟定义一个边界，比如kudu中定义了maximum check error(最大时钟错误)，如果本地NTP没启动，kudu在启动的时候就直接失败了；如果误差超过了maximum check error，依旧会报错，这也就意味着当超过HLC所设定的偏差边界，HLC就不能正常工作了。

在看HLC的实现逻辑时，发现步骤比较多，逻辑时间存在的意义就是在时间比对时，当作中间值或者备份值。这里由于不是本篇重点，不再赘述了，感兴趣的小伙伴可以看下论文：https://cse.buffalo.edu/tech-reports/2014-04.pdf。

2. True Time

上一篇文章中也有讲到，谷歌依赖强大的基建实力降低了网络分区发生的概率，而面全局时钟问题，Google的Spanner采用的是GPS + Atomic Clock(原子时钟的含义可以百度一下)这种纯硬件方式来对集群的机器进行校时，其精度在ms级别，这里我们用ε来表示时间精度的误差，时间的精度误差的范围也就是[t-ε,t+ε]这个范围之间。此时回到上面的操作中，按照此种方式Client10的机器时间相比Client1的机器时间最多提前或者滞后2个ε的时间，因此Spanner引入了commit wait time这个方案，说白了就是操作执行完成后多等一会，等过了这个精度误差的范围自然就全局有序了，Google将精度误差控制在几ms级别，当然对于Spanner这种全球性、跨地域的分布式系统来说，多等个几ms问题也不大。

但很遗憾，Google的这套硬件解决方案，并没有开源出来，适用性有限，我们就望梅止渴吧。

3. 授时中心 TimeStamp Oracle

在生活中也有”授时中心“的存在，貌似在陕西，具体位置可以查查，他的作用是什么呢？为中国各种基建、系统提供了一个准确的时间，避免误差。（个人YY：万一打起仗，总不能因为其他国家干扰了基准时间，咱们所有基建就瘫痪吧，因此授时中心的意义巨大。） 

在分布式服务中，实际上也有类似的方案。这里以Tidb举例，Tidb为了校准时间，就是采用了TSO这个方案，对于Tidb来说所有行为事件统一由PD节点分配时间，虽然这种方案会产生非常高频的互相调用，但是按照Tidb官方介绍，在同IDC网络环境下网络传输开销非常低，只有0.xms。当然如果面对跨IDC的网络，就可以尝试将PD节点和Tidb节点混部(Tikv依然需要独立部署，为的是存储计算分离)。这就不需要走网络的开销了，当然如果是Client端跨IDC的话，还是没有太好的方法。

• 顺序一致性

上面我们说到了严格一致性(线性/原子)，想做到全局时钟下的全局绝对有序是有难度的，HLC实现比较复杂，谷歌的原子钟+GPS又没有开源出来，TSO又增加了系统的复杂度。想实现全局时钟好难！

这里我们是否可以退一步，舍弃“时间”这个有序的计数器，尝试构造一个更好维护的计数器，不保证全局行为绝对有序，只保证分布式服务全局相对有序？

如下图所示，D1先后更新了x=1，x=2，D3先后更新了a=1，a=2。当Client读取到D2节点时，按照顺序一致性要求，所有节点的操作相对顺序都是相同的，一定是x=1在x=2之前，a=1在a=2之前，下图举例的是顺序一致性的其中一种情况。

逻辑时钟Logic Clock，这个名字你陌生的话，或许他的另一个名字Lamport Timestamp会让你浮想连连，如果你还是没啥印象的话，那么Paxos你是否知道呢？（如果做大数据的你不知道paxos，那你需要好好补习下基础了😄。）Lamport Timestamp和Paxos的作者实际就是同一个人——Lamport，Paxos在分布式系统一致性算法中是教义般的存在，由此可见逻辑时钟Logic Clock也不会差到哪里。

如上图所示，在Logic Clock算法中，每台机器内部都会记录一个时间戳，以A、B举例 ，其初始值是0。每当机器A、B执行了一个事件，那么他们各自的时间戳就会+1,当A向B发起通信的时候，A会附带自己的时间戳，比如<message,timestamp>，这时B会比较消息中的时间戳和本地时间戳，选取最大值max(local timestamp,message timestamp)更改本地的时间戳。通过这种方式构建了一个新的计数器，实现了全局相对的顺序性即本地：timestamp +=1 && 远端：选择max timestamp，即使各个节点时间不同，但是操作执行是有序的；但是问题也很明显，就是新的计数器无法和实际时间做匹配。

这里我们暂时不谈共识算法Paxos(请持续关注后续文章)。我们直接来说说ZooKeeper的一致性，网上很多资料都说zk是最终一致性，很抱歉，zk是强一致性的，并且是强一致性中的顺序一致性。为什么不说zk是最终一致性的原因呢？

<1> 就好比你考试考了99分，你非得说考了60分。这不止代表着分数，最终一致性拉低zk的档次，直接从强力档拉到了弱鸡档。

<2> 此外你参考本篇中最开头的图来看，zk是CP系统。从CAP反向来推导，如果zk是最终一致性，那么意味着是AP系统，但是zk在选举的时候实际上是不可用的，也就是A达不到，此时就发生矛盾了。

ZooKeeper中的Zxid实际上就是逻辑时钟Logic Clock中自造的计数器，可以发现，以Zxid为基准可以做到所有节点识别到的操作顺序都是相同的。就像上面说的Zxid是是无法跟实际时间相对应的。网上很多资料说，ZooKeeper的写入是线性一致性，对此我是不认同的，涉及到的两段式提交(后面的文章会讲到)，不带回滚却会主动同步，某种意义上讲是线性的，但是当commmit阶段时，发生了网络分区了，这时数据就不会同步到异常节点上，如果此时再有一个Client访问到这个节点，此时读到的就是旧数据了。其写失败意味着所有节点都写失败，而写成功却意味着不一定所有节点都写成功。因此个人认为只能算顺序一致性，而不能算线性一致性。

三、弱一致性

一致性家族中的另一大类就是弱一致性了，相比强一致性，弱一致性在保证可用性的基础上，允许出现数据不一致的情况。

• 为什么一致性会分强弱？

按照上一篇CAP的理论，CAP中的一致性。而在实际需求中，会发现越来越多的分布式系统都更看重可用性A，而不是一致性C。高可用性要求我们的系统，面对Client的读写请求在规定时间内必须返回结果，并且不会报错。

面对不同场景，各类AP系统也只能在弱一致性方面下大功夫。也因此出现了非常多的弱一致性模型，下面我们就逐个来分析下。

• 最终一致性

上一篇我们在BASE中所提到的就是最终一致性，其并不保证在任意时刻、任意节点上的同一份数据都是完全一致的，但是随着时间的迁移，不同节点上的同一份数据总是在向一致的方向变化。其中数据不一致的时间段，称为非一致性窗口。简单说，就是数据写入的一段时间后，各节点的数据最终会达到一致状态。如下图所示。

• 因果一致性

  因果一致性强调了数据之间的因果关系，初始状态X的值为1，当D1将X的更新为2后，这时D1会和D2节点进行通信，将<D1,D2,X,2>这条消息，传递给D2，后续D2节点所有的读写都是在新值基础上进行的。此时D3节点还是会在非一致窗口内，读到X的旧值1。因此D1更新数据，并通信D2为因，D2接受通信，修改本地状态为果，此为因果一致性。

• “读你所写”一致性

什么是读你所写一致性呢？顾名思义，读到你所写的数据,在因果一致性中，定义的是集群节点间更新通知的机制，而对于“读你所写”一致性来说，也是沿用这个思路，不过这里通信的是本节点，影响的也是本机后续的的所有读写请求，因此读你所写一致性，其实是因果一致性的特殊场景，由于原理相似，下面直接放图。

• 会话一致性

会话一致性以会话为基础，通常应用于类数据库系统的场景。每一个会话相当于一个独立的访问链接，在这个会话中，可以执行很多具体的读写操作，且会话之间是相对独立的。

如下图所示，会话一致性要求，只要会话1还存在，会话内就保证“读你所写”一致性。如果D1的会话1终止，那么当重新建立会话2时，在不一致窗口内即使是同一个节点的会话，也不保证数据一致。因此会话一致性又是读你所写一致性的特例(是不是感觉有点乱，一个特例又一个特例的，没关系，最后的时候我们聊下各种一致性的关系，加油！）

• 单调一致性

  单调一致性，分为读、写两个层面，即单调读一致性和单调写一致性。实际上很好理解，单调读保证了整个系统读必须有序的，假设X的值递增，读X=2一定是在读X=1之后。而单调写保证了写必须有序的，对于整个系统来说写X=2一定是在写X=1之后。这里比较好理解，我就不正图了(画图画吐了！)。个人认为单调写一致性应该是大部分分布式服务的基础。否则如果你写入顺序无法保证，你想想都会感到痛苦。

三、各种一致性的关系和常见误区

• 各种一致性的关系

如下图所示，一图厘清一致性之间的关系，如果此时相关概念有忘记，可以再重新看下上面的解析～

• 误区一：强一致性=线性一致性？

网上非常多的资料动不动就强一致性就是线性一致性，或者把顺序一致性放到和强一致性相同的级别来比对，这些其实都是错误的，正如我们上面看到的，强一致性包含线性一致性和顺序一致性。也因此强一致性不一定是线性一致性，但线性一致性一定是强一致性。

• 误区二：一致性并不是非黑即白的

强弱一致性之间并不是泾渭分明的，一个分布式系统可能同时满足其中的一种或者多种。咱们还是回到ZooKeeper上，其同时符合顺序一致性，最终一致性。一致性种类满足的越多，符合的场景也就越多，当然其复杂度也就越高。从这一点我们就可以看出，没有一个能满足所有场景的分布式系统，如果真的有，那么他的数据一致性逻辑必然十分复杂。