章节归属
背景
Base 理论是对 CAP 中一致性和可用性权衡的结果，是由 ebay 的架构师对大型互联网分布式实践的总结后提出，是基于 CAP 定理逐步演化而来的。
核心思想
既然无法做到强一致性，那么每个应用可以根据自身的业务特点，采用适合于自己的方式来使系统达到最终一致性。
概念
BASE 全称是由三个短语缩写组成（不是四个）BA + S + E：
- Basically Available ：基本可用
- Soft State ：软状态
- Eventually Consistent ：最终一致性
Basically Available(基本可用)
整个系统在某些不可抗力的情况下，仍然能够保证“可用性”，即一定时间内仍然能够返回一个明确的结果；这里有2个重要的点：
- 时效变化：响应时间可以适当延长；如大促时，响应时间可以适当延长。
- 功能变化：部分功能降级；如给部分用户直接返回一个降级页面，从而缓解服务器压力；但是结果必须是明确的，如降级页面中有明确的结果，不让用户困惑。
Soft State(软状态)
是指允许系统中的数据存在中间状态，并认为该中间状态的存在不会影响系统的整体可用性，即允许系统节点之间的数据副本同步的过程存在延时。
用户在商城下单时，因网络超时等因素，订单处于“支付中”的状态，待数据最终一致后状态将变更为“成功”状态。
Eventually Consistent(最终一致性)
上面讲到的软状态不可能一直是软状态，必须有时间期限，即同一数据的不同副本的状态，虽然不需要实时一致，但一定要保证经过一定时间后必须是一致的。因此所有客户端对系统的数据访问最终都能够获取到最新的值，而这个时间期限取决于网络延时，系统负载，数据复制方案等因素。
在 CAP 中的一致性要求在任何时间查询每个节点数据都必须一致，它强调的是强一致性，而最终一致性是允许在一段时间内每个节点的数据不一致，但是经过一段时间每个节点的数据必须一致，它强调的是最终数据的一致性。例如，银行系统中的非实时转账操作，允许 24 小时内用户账户的状态在转账前后是不一致的，但 24 小时后账户数据必须正确。
从客户端和服务端两个不同的视角来看最终一致性，有助于加深对其的理解。
1. 最终一致性的客户端视角
从客户端来看，一致性主要指的是多并发访问时更新过的数据如何获取的问题，最终一致性有以下 5 个变种。
| 一致性变种 | 说明 |
|---|---|
| 因果一致性 | 如果进程 A 通知进程 B 它已更新了一个数据项，那么，进程 B 的后续访问将返回更新后的值，且一次写入将保证取代前一次写入。与进程 A 无因果关系的进程 C 的访问遵守一般的最终一致性规则。 |
| 读己之所写（Read-Your-Writes） 一致性 | 当进程 A 自己更新一个数据项之后，它总是访问到更新过的值，且不会看到旧值。这是因果一致性模型的一个特例。 |
| 会话（Session）—致性 | 这是上一个模型的实用版本，它把访问存储系统的进程放到会话的上下文中。只要会话还存在，系统就保证“读己之所写”一致性。如果由于某些失败情形令会话终止，就要建立新的会话，而且系统保证不会延续到新的会话。 |
| 单调（Monotonic）读一致性 | 如果进程已经看到过数据对象的某个值，那么任何后续访问都不会返回在那个值之前的值。 |
| 单调写一致性 | 系统保证来自同一个进程的写操作顺序执行。 |
上述最终一致性的不同方式可以进行组合，例如，单调读一致性和“读己之所写”一致性就可以组合实现。从实践的角度来看，这两者的组合读取自己更新的数据，一旦读取到最新的版本，就不会再读取旧版本，对基于此架构上的程序开发来说，会减少很多额外的烦恼。
2. 最终一致性的服务端视角
从服务端来看，如何尽快地将更新后的数据分布到整个系统，降低达到最终一致性的时间窗口，是提高系统的可用度和用户体验度非常重要的方面。
分布式数据系统有以下特性：
| 缩写 | 语义 |
|---|---|
| N (Num) | 为数据复制的份数。 |
| W (Write) | 为更新数据时需要进行写操作的节点数。 |
| R (Read) | 为读取数据的时候需要读取的节点数。 |
| 公式 | 结论 | 举例 |
|---|---|---|
| W+R>N | 强一致性 | 写的节点和读的节点重叠，例如，对于典型的一主一备同步复制的关系型数据库（N=2, W=2,R=1），则不管读的是主库还是备库的数据，都是一致的 |
| W+R≤N | 弱一致性 | 例如，对于一主一备异步复制的关系型数据库（N=2,W=1,R=1），如果读的是备库，则可能无法读取主库已经更新过的数据，所以是弱一致性 |
对于分布式系统，为了保证高可用性，一般设置 N≥3。设置不同的N、W、R 组合，是在可用性和一致性之间取一个平衡，以适应不同的应用场景，如：
N=W 且 R=1，则任何一个写节点失效，都会导致写失败，因此可用性会降低。但是由于数据分布的 N 个节点是同步写入的，因此可以保证强一致性。
N=R 且 W=1，则只需要一个节点写入成功即可，写性能和可用性都比较高。但是读取其他节点的进程可能不能获取更新后的数据，因此是弱一致性。在这种情况下，如果 W＜(N+1)/2，并且写入的节点不重叠，则会存在写冲突。
总结
总的来说，BASE 理论面向的是大型高可用可扩展的分布式系统，和传统事务的 ACID 是相反的，它完全不同于 ACID 的强一致性模型，而是通过牺牲强一致性来换取可用性，并允许数据在一段时间是不一致的。
