分布式学习最佳实践：从分布式系统的特征开始（附思维导图） (4)

　　比如前面介绍到节点更新策略时，可能是异步的，那么secondary上的数据相比primary会有一定延迟，从secondary上读数据的话无法满足强一致性要求。

　　比如元数据，需要强一致性保证，所以一般都只会从primary读数据。而且，一般称主节点为active（master），从节点为standby（slave）。在这种情况下，是通过冗余 加上 快速的failover来保证可用性

一致性

　　

　　从上面可以看到，为了高可用性，引入了冗余（副本）机制，而副本机制就带来了一致性问题。当然，如果没有冗余机制，或者不是数据（状态）的冗余，那么不会出现一致性问题，比如MapReduce。

　　一致性与可用性在分布式系统中的关系，已经有足够的研究，形成了CAP理论。CAP理论就是说分布式数据存储，最多只能同时满足一致性（C，Consistency）、可用性（A， Availability）、分区容错性（P，Partition Tolerance）中的两者。但一致性和可用性都是一个度的问题，是0到1，而不是只有0和1两个极端。

　　一致性从系统的角度和用户的角度有不同的等级

系统角度的一致性

 　　强一致性、若一致性、最终一致性

用户角度的一致性

 　　单调读一致性，单调写一致性，读后写一致性，写后读一致性

高性能

　　

 　　正式因为单个节点的scale up不能完成任务，因此我们才需要scale out，用大量的节点来完成任务，分布式系统的理想目标是任务与节点按一定的比例线性增长。

衡量指标

　　高并发：

　　高吞吐：

　　低延迟：

　　不同的系统衡量的核心指标不一样，比如MapReduce，本身就是离线计算，无需低延迟

可行的办法

　　单个节点的scaleup

　　分片（partition）

　　缓存：比如元数据

 　　短事务

references

 Distributed systems for fun and profit  

刘杰:《分布式系统原理介绍》