相信不少读者容易搞混事务的ACID属性、事务隔离级别、CAP理论以及BASE理论都是什么，它们之间有什么关系，本文将对这些看起来有一定关联的概念做一个探讨。
事务的ACID属性
谈到数据库事务，ACID属性总是无法绕过，先了解下什么是ACID，再跟后面内容做一个对比，加深理解。
事务本质上是由一组关联SQL组成的执行任务单元，事务必须符合4个基本属性才能称之为一个有效的事务：
- A: Atomic, 原子性，一组执行任务单元要么一起成功，要么一起失败撤销，不能存在部分成功的情况。
- C: Consistency，一致性，事务执行结束后，逻辑上数据的完整性是不变的。
- I : Isolation, 隔离性，事务之间彼此独立，不会相互影响，不允许事务A读取到事务B的中间状态的情况。
- D: Durability，持久性，事务执行完成后，数据就能持久存储，即便系统崩溃，数据也能正常恢复。
ACID的关注点主要集中在一次事务的基本能力诉求上，而怎么达到事务的这些属性要求，需要交由各个系统去考虑及实现。
事务的隔离级别
事务有4种隔离级别，从隔离程度的低到高分别是：
Read uncommitted：读未提交
一个事务尚未提交，其他事务就可以读到它的中间状态数据。
读未提交的实现方式是，在事务过程中不做任何控制，一遍执行事务一遍实时生效到数据库中。
这个过程中如果其他事务在读写同一个数据，那么最终结果是会发生错误的，也就是说存在“脏读”的可能性。-
Read committed：读已提交
事务只有在提交以后，其他事务才能读到它的更新数据。
读已提交的实现方式是，同样不做事务过程控制，只关注单个事务执行过程的中间数据不直接入库，而是在执行完毕后一次性把缓存副本全部刷到数据库中。
上述实现避免中间态外泄的问题，避免了“脏读”，但无法避免一个事务在两次读取A数据的过程中数据被其他事务更新，导致两次读出来数据不一致的问题，也就是“不可重复读”。
不可重复读 Repeatable read：可重复读
对事务过程的并发进行控制，事务启动后会锁着相关的数据，禁止其他事务进行读写。
这样又避免了“不可重复读”的问题，然而，如果事务过程包含count操作，在两次count之间，有一个插入数据的事务执行了，那么两次count的内容又会不一致，这就是“幻读”。Serializable：序列化
所有事务进入执行队列串行执行，把并发事务disable掉，除了性能问题，序列化方案能避免所有问题。
CAP理论
不同类型的分布式存储系统，对于数据可靠的要求程度是不同的，也就是说，不同人对于怎样的一个系统算是可靠的定义是不一样的。那么通过怎样的标准来衡量系统的可靠程度呢？
Eric Brewer提出了分布式系统的三个衡量系统可靠性的指标，来论证分布式系统的可靠能力边界，它们统称CAP理论：
- Consitency: 一致性
分布式系统各节点之间的数据，是否能保证严格一致，即每次的数据变更，要么同时在全部节点生效，要么全部不生效，不会出现只有部分节点生效的情况，即强一致性。
举例：
把分布式系统的数据A改成B，当系统返回成功的时刻起，任何查询该数据的请求都能正确得到B，期间不存在部分查询得到A，部分得到B的中间状态。
再稍微扩展下，对于一致性的等级，可以进一步分成三种：
1、强一致性
指更新操作完成的时刻，对所有节点的读操作都返回更新后的内容（基于同一个数据副本）。
2、弱一致性
指更新以后，允许部分或全部读取的结果不能返回更新后的内容。
3、最终一致性
指更新完成一段时间以后，系统最终达成数据的一致性。
- Availability: 可用性
可用性指的是每一个向服务器发起的请求，都能在可容忍的一定时间内得到符合业务预期的响应结果。 - Partition tolerance: 分区容忍性
分区容忍性指的是系统存在多个节点的情况下，不会因为某部分节点故障导致服务完全不可用。
存在分布式存储系统的原因，除了高可用高性能的需求外，最基础的就是数据有备份机制，不能存在由于某个节点的问题导致全部数据丢失。基于这个原因，数据存储系统分区是必须的。
但是分区又会带入另一个问题，就是分区系统间的网络可能会抖动、某些服务器可能会崩溃，也就是说分区出现数据状态不一致等的情况几乎是必然发生的，分布式存储服务的设计必须容忍这种情况，并以某种方式让数据最终能够达成一致。如果不允许此情况发生，唯一的解决方案就是没有分区，也就是单节点运行，而这又是服务器设计的兵家大忌。
选择AP还是CP的现实问题
在理解了CAP理论的定义之后，我们知道了分区容忍性是必须满足的，那么让我们探讨下CAP能否同时保障。
假设我们有一个由2台服务器组成的分布式数据库系统，现在服务器之间的网络断开了，然后存储系统收到了一个更新操作，把数据A更新为B。
- 如果我们必须保证强一致性（C）。
1）我们可以让一台服务器接管所有更新跟后续的查询请求，也就是说我们必须放弃另一台机器，单机运行，即放弃分区容忍性，保障系统的强一致性以及可用性（CA）。
2）我们也可以选择更新失败，等待两台服务器之间的网络连接恢复，然后再通知用户重新发起请求，放弃可用性(CP)。
- 如果我们必须保证可用性（A）。
这意味着更新操作必须得到成功的响应结果。
3）我们可以选择两台服务器一起工作，每台完成自己的独立读写，实现分区容忍性，等网络恢复了再手工进行服务器之间的数据同步，放弃强一致性（AP）。
4）我们也可以选择只让一台服务器工作，回到方案1，放弃分区容忍性（AC)。
- 如果我们必须保证分区容忍性（P）。
也就是说我们要让两台服务器能够同时处理请求。
我们可以选择回到假设2的方案1，放弃强一致性(PC)。
或者可以选择回到假设3的方案2，放弃可用性(PA)。
基于上述的假设，我们能够清楚地知道，CAP中的三者不可兼得，我们往往只能选择两个。
1、保障CA，舍弃P：
舍弃分区容忍性，意味着我们只能让一台服务器接管所有的请求，放弃高可用。那么就有一个单点故障的问题存在，一旦单机挂了，那么整个系统就不可用了。
因此，舍弃分区容忍性基本是不可接受的。
大多数的关系型数据库默认都是CA模型，并不考虑分区容忍性，有时候我们会简单地采用master-slave的方式来做数据冷备，这种方式实际上也是CA，因为master挂了服务就不可用了。2、保障AP，舍弃C：
舍弃强一致性，意味着当故障发生，有些用户进行写操作以后，可能出现某些请求出现结果，某些请求又返回修改前的数据的情况，只要保障最终一致性就可以。
在大多数对数据一致性不具有很强要求的应用场景，可以采用这种方式，比如各类缓存服务模块，目标是服务稳定，至于数据是否完全一致，并不那么重要。
再接着第一点的master-slave方案中，有读者又会提出问题，如果master-slave是一主多从，主写从读呢？-- 这种就没法保证一致性了，实际上是AP模式。3、保障CP，舍弃A：
放弃可用性，意味着当故障发生的时候，我们要让整个系统处于不可用的状态，直到故障恢复，系统才能继续响应用户的请求。
这样的设计在应用系统中大多在跟钱打交道的应用中使用，当故障发生的时候，我们让写的请求操作不可用，只读不写，放弃写的可用性。
在关系型数据库的分布式事务，或者像上文的master-slave的架构升级版，主写从读，二阶段提交，从挂了就舍弃，主挂了就重新选举呢？
实际上这就是Zookeeper这种数据治理系统常用的解决方案，保障了CP，但当系统分裂程度达到分区的容忍范围外的情况下（一般是1/2及以上，避免脑裂发生)，系统会不可用，从而放弃可用性。
BASE理论
BASE理论，即Basically Available, Soft state, Eventually consistency（基本可用，软（过渡）状态，并达到最终一致）。
BASE理论是在CAP理论的三种刚性要求基础上提出的折中方案，中心思想是根据业务场景，在可容忍范围内，尽可能保障用户体验及服务可用。
- Basically Available：基本可用
系统即便在发生部分故障的情况下，也能保持基本可用的状态。 - Soft state：软（过渡）状态
软状态指的是，允许存在中间存在数据不一致的情况，参考关于上文Consistency一节提到的三种一致性等级。 - Eventually consistency：达到最终一致
能通过自动、手动同步等方式，让数据达到最终一致性。
总结
最后，我们来把事务ACID/隔离级别，CAP及BASE理论串一下。
- 一个生产可用的存储系统要求至少得是一个分布式系统，而通过CAP理论，我们得知分布式存储系统不是万能的，它具备能力边界。
- CAP理论要求的三种指标都太刚性，我们可以使用BASE理论来设计一个存在中间过渡状态的实现方案。
- 如果存储系统需要满足事务需求，需要达到ACID的4种属性要求。
- 在具体实现事务的设计方案中，存在4种相互隔离的级别可供选择，业务需根据自己的使用场景进行选择。
