分布式事务 中的CAP理论

Eric Brewer提出， CAP理论 在 分布式 状况下无法做到同时满足。

Consistency ：集群中所有的分布式节点，就同一份数据来说，副本均相同，也就是数据一致。

Availability ：对数据的更新和读写操作，具具备高可用性，即服务不能出现无响应或者出错的情况。

Partition Tolerance ：分区的容忍性，这里的分区不是指数据 分布式存储 中的shard分区，而是指由于网络问题等原因导致节点之间无法正常通讯，最终导致分布式节点之间没有联系，成为独立分区。在出现独立的故障分区后，整个系统还有能力对外提供正常的服务，这种情况就被称为分区容忍性。

假设一个 分布式系统 中，存在两个节点，处于分区状态。若允许分区中其他节点来更新数据，那么会丧失一致性 C 。如果要保证一致性 C ，那处于分区状态的节点将不允许提供对外服务，这样又会丧失了可用性 A 。如果一定要保证 CA ，必须保证节点之间能够互相通信，那分区容忍性就无法保证，就又失去了 P。

Eric Brewer提出，在分布式环境下，一个系统只能同时满足其中两点特性，同时满足CAP是无法做到的。在大多数的分布式系统设计中，人们多会选择满足 AP 两点特性。而放弃强一致性，转而追求最终一致性。

有句英文描述就是： B asically A vailable, S oft-state, E ventually consistent ，所以简称就是 BASE。

最终一致性方案 的解决方案有很多，比如paxos, raft ，TCC以及消息通知，本文下面介绍一下消息通知方案。

借助消息通知实现最终一致性方案

借助消息通知，可以协调具体事务涉及到的多个分布式服务，最终完成业务场景逻辑。

消息通知方案也有细分：

1. 借助Kafka使用本地事务：分布式服务系统有一个共用的消息表，通过它来协调监控服务双方的业务执行状况，最终异步确保。

1. 借助MQ消息事务模式：具体实现由两种方式，如图所示。

方式一

方式二