你的位置:首页 > 数据库

[数据库]CAP原理


传统关系型数据库面临的挑战

l High Performance——对数据库高并发读写的需求

l Huge Storage——对海量数据的高效率存储的需求

l High Scalability & High Availablity——对数据库的高可扩展性和高可用性的需求。

 

对于当前的很多网站来说,关系数据库的很多主要特性往往无用武之地,例如:

l 数据库事务一致性需求

很多系统并不要求严格的数据库事务,对读一致性的要求很低,因此数据库事务管理成了数据库高负载下一个沉重的负担。

l 数据库的实时性需求

对关系型数据库来说,插入一条数据后立刻查询,是肯定可以读出来这条数据的,但是对于很多Web应用而言,并不要求这么高的实时性,比方说我发一条微博之后,过几秒乃至十几秒后,别人才提示有新微博,这是完全可以的。

l 对复杂的SQL查询,特别是多表关联查询的需求

大数据量的Web系统,非常忌讳多个大表的关联查询,以及复杂的数据分析类型的SQL报表查询,特别是SNS类型的网站,从需求以及产品设计角度,就避免这种情况的产生。往往更多的只是单表的主键查询,以及单表的简单条件分布查询,SQL的功能被极大地弱化了。

 

什么是NoSQL

现在一般认为NoSQL全称是Not Only SQL,是一种不同于关系型数据库的数据库管理系统设计方式。对NoSQL最普遍的解释是“非关系型的”,强调Key-Value Stores和文档数据库的优点,而不是单纯的反对RDBMS。

 

 

NoSQL的理论基础

CAP,BASE和最终一致性是NoSQL数据库存在的三大基石。

 

ACID vs. BASE

ACID,指数据库事务正确执行的四个基本要素的缩写。包含:原子性(Atomicity)、一致性(Consistency)、隔离性(Isolation)、持久性(Durability)。 


(这张PPT是Brewer教授在PODC大会上用的PPT。)

 

BASE内容:

l Basically Availble ——基本可用

l Soft-state ——软状态/柔性事务,状态可以有一段时间不同步

l Eventual Consistency ——最终一致性

 

CAP原理

 

分布式系统中,有三种重要的属性,分别是:

l 一致性(Consistency):任何一个读操作总是能读取到之前完成的写操作结果,也就是在分布式环境中,多点的数据是一致的。

l 可用性(Availability):每一个操作总是能够在确定的时间内返回,也就是系统随时都是可用的。

l 分区容忍性(Tolerance of network Partition):在出现网络分区(比如断网)的情况下,分离的系统也能正常运行。

 

CAP原理的意思是,一个分布式系统不能同时满足一致性,可用性和分区容错性这三个需求,最多只能同时满足两个。

 

注意:可用性与分区容忍性在一些情况下很容易混淆。举个例子,假设系统中有若干个节点宕机了,系统仍然能正常运行,那么应该说是系统的可用性高还是分区容忍性高呢?个人的理解是,这种应该理解为系统的分区容忍性高。因为若干个节点宕机,可以理解为这几个节点与其它正常的节点失去联系了,也就是出现了网络分区,按照定义,这属于分区容忍性的范畴。那么可用性是什么?个人的理解可用性更多强调的是,系统对于读写操作的反应快慢,反应越快,可用性越高。

 

CAP原理是由美国著名科学家,Berkerly大学Brewer教授提出的。后来麻省理工学院的两位科学家证明了CAP原理的正确性。虽然在后来近十年的时间很多人对CAP原理出了很多异议,但是在NoSQL的世界中,它还是非常有参考价值的。

 

一致性or可用性,鱼和熊掌不可得兼

下面是一个牺牲一致性换取可用性的小例子。

假设N1和N2是分布式环境下的两个节点,它们有保存了共同的数据V,它们的值都是V0,A和B是两个分别对数据进行操作的进程。我们看看这么一个过程:A向N1节点写入了新的V值V1,B读取V的值。

 

如果一切正常的话,这个过程看起来像是这样的:

 

(1) A写入V的新值V1。

(2) N1向N2发送消息M以更新V值。

(3) B读取V的新值V2。 

 

但是现实可能是这样子的:

 

 

 

由于网络分区,N1发向N2的消息很有可能没送达,那么,B节点将读取到一个过时的V值,不一致性产生了。并且当把节点的规模不断扩大的时候,不一致性问题也会更加严重。

所以如果我们希望A B都是高可用的(也就是低延迟),那么一致性通常就不能得到很好的保证,我们必须要容忍一定的不一致性以换取高可用性。

 

从客户端角度看一致性

有很多种客户端一致性模型:

强一致性:读取到的数据总是最新的。

弱一致性:读取到的数据不一定是最新的。

最终一致性:属于弱一致性,不同的是,最终一致性的系统会在后台异步地更新所有的备份,所以最终所有的备份都会是最新的数据。

最终一致性有一些比较重要的变种,例如:

因果一致性:如果进程A更新了某数据,并通知进程B,那么进程B接下来的读操作将一定会读取到最新的数据,写操作一定能覆盖之前的数据。而另一与进程A无关的进程C则服从最终一致性的情况。

“读己之所写”一致性:客户端可以立即看到自己所作的更新,但不能立即看到其他客户端的更新。

会话一致性:对于客户端在一同会话作用域中发起的请求,提供“读己之所写”一致性。

单调读一致性:保证时间上的单调性,保证客户端在未来的请求中,只会读到比当前更为新的数据。

 

 

从服务器端角度看一致性

我们利用一个数学模型来分析一下服务器端对于一致性的实现。了解完这个部分,对于具体NoSQL数据库的理解和分析就能事半功倍了。

 

Quorum NRW 模型

先看下面这个图,并定义一些变量。

 

 

l N:存储备份的节点数目,可以理解为备份的数目。

l W:更新(写)操作成功之前所必须更新的最少备份数目。假设W=3,表示至少等到3个备份的数据得到更新时,更新操作才算完成。

l R:读操作所需要连接的最少备份数目。假设R=3,表示读取一个数据时,至少要读取到这个数据的3个备份,然后选其中最新的备份。

 

调整N、W、R的取值,数据库系统的性质就会发生改变。

l N越大,同一个数据的备份越多,系统相对也就越不容易丢失数据。

l W越大,系统的一致性会越高,但更新操作也就越慢。

l R越大,系统的一致性会越高,但读操作也就越慢。

l W+R>N,系统是强一致性的。为什么?举例来说,假设N=6,W=R=3,当一个更新操作完成的时候,它至少更新了6个备份中的3个备份,那么当我们去读取这个数据的时候,因为R=3,所以我们至少得读3个数据,并从中选择最新的数据,而W+R>N就意味着读取的3个数据跟更新的3个数据至少有一个是重叠的,所以读取的3个数据中一定存在最新的数据,因而就能保证系统是强一致性的。

l W+R<=N,系统是弱一致性的。

 

几种特殊情况:

l W = 1,R = N,对写操作要求高性能高可用。

l R = 1,W = N,对读操作要求高性能高可用,比如类似cache之类业务。

l W = R = N / 2 + 1 一般应用适用,读写性能之间取得平衡。如N=3,W=2,R=2。

 

不同类型的数据库对CAP的支持

 

 

参考资料

《NoSQL数据库综述》,作者范凯

《NoSQL的模式》,作者Ricky Ho

NoSQL数据库笔谈

Brewer's CAP Theorem

Eventually Consistent - Revisited