Introduction
一个优秀的分布式系统应该能做到：
-
高性能（High Performance）：分布式代表着大量 CPU、大量内存、以及大量磁盘在并行的运行，应当有着比单机高得多的性能。要做到 高性能 就要通过巧妙的设计，来减少数据同步、数据复制、数据传递等带来的性能消耗。
-
高可用（High Availability）：是系统设计中的核心目标，指系统能够在预设的服务水平下持续稳定运行，减少或避免因故障导致的停机时间。实现高可用要考虑：数据冗余、自动故障转移、负载均衡等等。
-
容灾（Disaster Recovery）：容灾的目的是应对物理灾难，如：地震、火灾，机房/机架断电等等造成的数据损失。一般的是方式是：异地备份、数据冷备/热备、灾难恢复流程等。
-
容错（Fault Tolerant）：容错的目的是容忍组件故障且不中断服务，当组件发生错误时系统可以自己解决不需要人工介入。实现方式一般是：健康检查、状态恢复与数据修复、冗余与故障转移、自动回滚等等。
-
可扩展性（scalability）：目标是通过合理的架构设计和技术手段，使系统能够随着用户规模、数据量或计算需求的增长，持续高效地运行，而不会显著降低性能或增加复杂性。其核心在于系统能否灵活扩展资源以满足不断变化的需求，同时保持高可用性、低延迟和合理的成本。
-
数据一致性（Consistency）：读取系统的不同节点能够得到相同的数据，系统可以选择实现强一致性或弱一致性，强一致性意味着更新后所有节点立即看到最新数据，弱一致性允许暂时不一致，但要保证最终一致。越强的一致性往往意味着越高的延迟，因为要花更长的时间保证所有节点数据同步。一般是通过一些共识算法实现，如：Paxos、Raft、ZAB 等等。
所以由上面的特征我们可以想到为什么分布式系统很难实现？首先人们设计大型分布式系统或大型存储系统出发点通常是，他们想获取巨大的性能加成，进而利用数百台计算机的资源来同时完成大量工作。性能问题就成为了最初的诉求。之后，很自然的想法就是将数据分割放到大量的服务器上，这样就可以并行的从多台服务器读取数据。我们将这种方式称之为分片（Sharding）。如果你在成百上千台服务器进行分片，你将会遇到常态化的故障。如果你有数千台服务器，那么总是会有一台服务器宕机，每天甚至每个小时都可能会发生错误。所以，我们需要自动化的方法而不是人工介入来修复错误。我们需要一个自动的容错系统，这就引出了容错这个话题（fault tolerance）。实现容错最有用的一种方法是使用复制，只需要维护 2-3 个数据的副本，当其中一个故障了，你就可以使用另一个。所以，如果想要容错能力，就得有复制（replication）。如果有复制，那就有了两份数据的副本。可以确定的是，如果你不小心，它们就会不一致。所以，你本来设想的是，有了两个数据副本，你可以任意使用其中一个副本来容错。但是如果你不够小心，两个数据的副本就不是完全一致，严格来说，它们就不再互为副本了。而你获取到的数据内容也将取决于你向哪个副本请求数据。这对于应用程序来说就有些麻烦了。所以，如果我们有了复制，我们就有不一致的问题（inconsistency）。通过聪明的设计，你可以避免不一致的问题，并且让数据看起来也表现的符合预期。但是为了达到这样的效果，你总是需要额外的工作，需要不同服务器之间通过网络额外的交互，而这样的交互会降低性能。所以如果你想要一致性，你的代价就是低性能。但这明显不是我们最开始所希望的：
性能 -> 分片 -> 容错及可用性 -> 复制 -> 一致性 -> 低性能
现实中，如果你想要好的一致性，你就要付出相应的代价。如果你不想付出代价，那就要忍受一些不确定的行为。我们之后会在很多系统中看到这里介绍的循环。通常，人们很少会乐意为好的一致性付出相应的性能代价。这就是 CAP 理论，现在的系统通常是 CP 或者 AP 的。
本章节的内容是我阅读相关论文的笔记，看看学术界和工程界是如何处理这些问题。