CAP 定理CAP 定理（也称为 Brewer 定理），是由计算机科学家 Eric Brewer 提出的，即在分布式计算机系统不可能同时提供以下全部三个保证：
- 一致性（Consistency）：所有节点同一时间看到是相同的数据；
- 可用性（Availability）：不管是否成功，确保每一个请求都能接收到响应；
- 分区容错性（Partition tolerance）：系统任意分区后，在网络故障时，仍能操作
显然，为了保障性能和可靠性，我们将数据复制多份，分布到多个节点上，同时也带来了一个难点，那就是如何保持各个副本数据的一致性。换句话说，我们选择了 AP ，则必须要牺牲掉 C 了。
但是，在实际的应用场景中，数据的一致性往往也是需要保证的。那么这是否违背了 CAP 定理呢？
一致性模型其实，数据的一致性也分几种情况，大致可以分为：
- Weak 弱一致性：当你写入一个新值后，读操作在数据副本上可能读出来，也可能读不出来。比如：某些存储系统，搜索引擎，实时游戏，语音聊天等，这些数据本文对完整性要求不高，数据是否一致关系也不大。
- Eventually 最终一致性：当你写入一个新值后，并不一定能马上读出来，但在某个时间窗口之后保证最终能读出来。比如：DNS，电子邮件，消息中间件等系统，大部分分布式系统技术都采用这类模式。
- Strong 强一致性：新的数据一旦写入，在任意副本任意时刻都能读到新值。比如：文件系统，RDBMS都是强一致性的。
也就是说，在设计分布式系统时，我们并不一定要求是强一致性的，根据应用场景可以选择弱一致性或者是最终一致性。
事务的作用事务有如下作用：
常见的事务处理机制Master-Slave 复制Slave 一般是 Master 的备份。在这样的系统中，一般是如下设计的：
- 读写请求都由 Master 负责。
- 写请求写到 Master 上后，由 Master 同步到 Slave 上。
这种机制的特点是：
- 数据同步通常是异步的
- 有良好的吞吐量，低延迟 * 在大多数 RDBMS 中支持，比如 MySQL二进制日志
- 弱/最终一致性
这种机制的缺点是，如果 Master 挂了，Slave 只能提供读服务，而没有写服务。
Master-Master 多主复制指一个系统存在两个或多个Master，每个Master都提供读写服务。这个机制是Master-Slave的加强版，数据间同步一般是通过Master间的异步完成，所以是最终一致性。 Master-Master的好处是，一台Master挂了，别的Master可以正常做读写服务，他和Master-Slave一样，当数据没有被复制到别的Master上时，数据会丢失。很多数据库都支持Master-Master的Replication的机制。
这种机制的特点是：
|
