分布式理论

CAP 理论

分布式系统不可能同时满足以下三个特性：

特性	说明
C（Consistency）	一致性，所有节点数据相同
A（Availability）	可用性，每个请求都能得到响应
P（Partition tolerance）	分区容错性，网络分区时系统仍能运行

CAP 选择

由于网络分区不可避免，实际上是在 CP 和 AP 之间选择。

选择	说明	示例
CP	保证一致性，牺牲可用性	Zookeeper、HBase
AP	保证可用性，牺牲一致性	Eureka、Cassandra

CAP 示例

CP 选择：节点 B 拒绝服务，等待与 A 同步

AP 选择：节点 B 继续服务，可能返回旧数据

BASE 理论

对 CAP 中 AP 的延伸，是大规模分布式系统的实践总结。

特性	说明
BA（Basically Available）	基本可用，允许部分功能降级
S（Soft State）	软状态，允许中间状态存在
E（Eventually Consistent）	最终一致性，最终数据一致

最终一致性

数据更新后，经过一段时间，所有节点数据最终一致。

实现方式：

• 读时修复
• 写时修复
• 异步修复

一致性模型

强一致性

写操作完成后，所有读操作都能读到最新值。

弱一致性

写操作完成后，不保证能读到最新值。

最终一致性

写操作完成后，经过一段时间，最终能读到最新值。

因果一致性

有因果关系的操作保证顺序。

读己之写

自己写的数据，自己能立即读到。

单调读

读到某个值后，不会读到更旧的值。

单调写

写操作按顺序执行。

一致性协议

Paxos

分布式一致性算法的基础。

角色：

• Proposer：提案者
• Acceptor：接受者
• Learner：学习者

两阶段：

1. Prepare 阶段：获取提案编号
2. Accept 阶段：提交提案

Raft

更易理解的一致性算法。

角色：

• Leader：领导者
• Follower：跟随者
• Candidate：候选者

核心机制：

• 领导选举
• 日志复制
• 安全性

ZAB

Zookeeper 使用的一致性协议。

两种模式：

• 恢复模式：选举 Leader
• 广播模式：同步数据

分布式 ID

UUID

String uuid = UUID.randomUUID().toString();
// 550e8400-e29b-41d4-a716-446655440000

优点：简单，无需协调
缺点：无序，不适合做主键

雪花算法

0 - 41位时间戳 - 10位机器ID - 12位序列号

public class SnowflakeIdGenerator {
    private long workerId;
    private long sequence = 0L;
    private long lastTimestamp = -1L;
    
    public synchronized long nextId() {
        long timestamp = System.currentTimeMillis();
        if (timestamp == lastTimestamp) {
            sequence = (sequence + 1) & 4095;
            if (sequence == 0) {
                timestamp = waitNextMillis(lastTimestamp);
            }
        } else {
            sequence = 0L;
        }
        lastTimestamp = timestamp;
        return ((timestamp - 1609459200000L) << 22)
                | (workerId << 12)
                | sequence;
    }
}

优点：有序，高性能
缺点：依赖时钟

数据库自增

-- 单独的 ID 表
CREATE TABLE id_generator (
    id BIGINT AUTO_INCREMENT PRIMARY KEY,
    stub CHAR(1) NOT NULL
);

REPLACE INTO id_generator (stub) VALUES ('a');
SELECT LAST_INSERT_ID();

Redis 自增

Long id = redisTemplate.opsForValue().increment("id:order");

号段模式

// 每次从数据库获取一段 ID
// 如：获取 1000-1999，用完再获取 2000-2999

分布式限流

计数器

// 固定窗口
if (count.incrementAndGet() > limit) {
    return false;
}

问题：临界点突发流量

滑动窗口

// 将窗口分成多个小窗口
// 统计最近 N 个小窗口的请求数

漏桶算法

// 请求进入桶中，以固定速率流出
// 桶满则拒绝

令牌桶算法

// 以固定速率生成令牌
// 请求需要获取令牌才能执行
// 允许突发流量

RateLimiter rateLimiter = RateLimiter.create(100); // 每秒100个令牌
if (rateLimiter.tryAcquire()) {
    // 执行请求
}

负载均衡

轮询

int index = counter.getAndIncrement() % servers.size();
return servers.get(index);

加权轮询

// 根据权重分配请求
// 权重高的服务器处理更多请求

随机

int index = random.nextInt(servers.size());
return servers.get(index);

一致性哈希

// 将服务器映射到哈希环上
// 请求根据 key 的哈希值找到最近的服务器
// 增减服务器只影响相邻节点

最少连接

// 选择当前连接数最少的服务器