NoSQL】NoSQL入门级资料整理（CAP原理、最终一致性）

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