五 NoSQL一致性解决方案
更新一致性，读取一致性，放宽一致性约束，放宽持久性约束，CAP定理，仲裁
先来一个案例
Tom和jarry在同一家公司上班，有一天，他们发现公司网页显示的电话有误，于是进入后台系统同时修改电话。我们假定他们输入的电话号码格式稍有差别，那么，他们提交的新号码就会略有不同，此时将产生“写冲突”问题:两人在同一时刻更新同一条数据。
1 更新一致性。
在并发环境下维护数据一致性是一件麻烦事。通常，我们将其分为“悲观方式”和“乐
观方式”。
悲观方式：避免在更新时发生冲突，采取“写入锁”，这样，在某个值修改之前，必
须先获得“写入锁”，系统确保某一时刻只有一个客户能够获得这把锁。如果tom和jarry想同时获得者“写入锁”，那么只有Jarry（若服务器按照首字母顺序执行序列）能获取该锁，而tom看了jarry修改后的数据，再来决定是否继续更新它。
乐观方式：在任意客户执行操作前，都要先测试数据的当前值和其上一次读入的值
是否相同。在这种情况下，Jarry的更新能够成功执行，而tom的将操作失败。Tom得知失败后，他可以再次查询该数据，以决定是否要继续修改。
当然，上面所说的这两种模式都有一个先决条件，那就是更新操作的顺序必须一致。在单服务器环境中，这显然成立，它必须完成一个操作，才能处理下一个。然而，当服务器数量不止一个(对等复制)，那么两个节点就可能按照不同的次序更新操作，这样照成的结果是，每个节点最终保存的电话号码不一致。
所以，乐观方式2：将两份更新数据都保存起来，并标出它们存在冲突。更svn或者git相同，在处理冲突时，该方式遵循与版本控制系统相同的步骤。必须以某种方式将两个冲突的更新操作“合并”提交。
2 读取一致性
在传统的关系型数据库中，我们常常采用事务来保证数据库操作的唯一性。
有种常见的说法是”NoSQL“数据库不支持事务。事实上，对不同的NoSQL来说，其对事务支持能力并不一样。例如图数据库一样支持ACID事务
面向聚合的数据库通常支持”原子跟新“，但仅限于单一聚合内部。
结合之前所说的”主从式分布模型“和”对等式分布模型“在任意时刻中，节点中都可能存在”复制不一致“，然而只要不再继续执行其他更新操作，那么上一次更新操作的结果最终将会分布到全部节点中去。过期的数据通常成为”陈旧“数据。
对于读取一致性的问题，我们通常用”会话一致性“来解决。会话一致性通常有两种实现方式，其一为：”黏性会话“，也就是绑定到某个节点的会话，只要某个节点能具备照原样读出所写内容的一致性，那么与之绑定的会话就都能具备这种性能。它的缺点是降低”负载均衡“性能。另一种会话一致性的方式为，”版本戳“。
3 放宽一致性约束
一致性是个好东西，在涉及系统时我们总是在避免出现不一致的现象。然而，要真正做到这一点，通常需要放弃系统中的其他一些特性，然而那些特性却是必不可少的。
权衡利弊，用“容忍度“来对应各个领域的不一致性。
CPA定理：给定一致性（Consistency），可用性（Availability），分区耐受性（Partition tolerance）这三个属性，我们只能同时满足其中两个属性。
可用性：如果客户可以同集群中的某个节点通行，那么该节点就必然能够处理读取及写入操作。
分区耐受性（脑裂）：如果发生通信故障，导致整个集群被分割成多个无法互相通信的分区时，集群仍然可用。
单服务器系统显然是种”CA系统“，也就是说，具备一致性与可用性，但却不具备分区耐受性。
我们之所以要探讨“CAP定理”，是因为在权衡分布式数据库的“一致性”时，经常会提到并且“滥用它”，然而，与其考虑如何权衡“一致性”和“可用性”，不如思考怎么样在一致性和延迟之间取舍。在讨论分布式系统的“一致性”问题时，通常可以概括的说：参与交互操作的节点越多，“一致性”就越好。然而问题是，每新增一个节点，都会使交互操作的响应时间变长。“可用性”可以视为能够忍受的最大延迟时间，一旦延迟过高，我们就会放弃操作。并且认为数据不可用，这样一来，就和”CAP定理”对“可用性”所下的定义相当吻合了。
四仲裁
一致性与持久性之间的取舍，并不是一个非此即彼的议题。处理请求所涉及的节点越多，避免不一致问题的能力就越强。这自然引出一个问题，要想保持强一致性，需要使用多少个节点才行。
假设某份数据需要复制到三个节点中，为了保持强一致性，不需要所有节点确认写入操作，只需要其中两个节点(也就是超过半数的节点)确认就可以了。在这种情况下，如果发生两个相互冲突的写入操作，那么只有其中一个操作能为超过半数的节点所认可，这就是“写入仲裁”，如果用稍微正规一些的方式说那就是W>N/2。这个不等式的意思是，参与写入操作的节点数，必须超过副本节点数的一半。副本个数又称为“复制因子”。
与写入仲裁相似，还有读取仲裁。也就是说想要保证能够读取到最新的数据，必须与多少个节点联系才行？读取仲裁要复杂一些，因为它取决于确认写入操作所需的节点数。
现在考虑“复制因子”为3的情况。假设写入操作需要两个节点来确认（W=2），那么我们至少得联系两个节点，才能保证获取到最新的数据。然而，加入某些写入操作只被一个节点所确认（W=1）那么，我们必须和三个节点都通信一遍，才能确保取到最新数据。在这种情况下，由于写入操作没有获得足够的节点支持率，说以可能会产生更新冲突。但是，只要从足够数量的节点中读出数据，就一定能侦测出此类冲突。因此，即便在写入操作不具备强一致性的情况下，也可以实现出具有强一致性的读取操作来。
执行读取操作是所需联系的节点数（R），确认与写入操作时所需征询的节点数(W)以及复制因子(N)这三者之间的关系，可以用一个不等式来表述。那就是，只有当R+W>N是，才能保证读取操作的强一致性。
上述两个不等式都适用于“对等式分布模型”。如果使用“主从式分布模型”，那么只需向主节点中写入数据，就可以避免“写入冲突”了。