【分布式数据一致性三】MongoDB读写一致性
MongoDB / houtizong 发布于 2年前 199
- 数据一致性概述与CAP
- 最终一致性(Eventually Consistency)
- 网络分裂(Network Partition)问题
- 多数据中心(Multi Data Center)
- 多个写者(Multi Writer)最终一致性
- 一致性图表(Consistency Chart)
本系列文章结合MongoDB，探讨分布式数据库的数据一致性，这个系列文章包括：
数据一致性概述与CAP
对于分布式数据库来说，选择合适的数据一致性模型对于分布式数据库至关重要。合适的一致性模型是指，在满足高并发读写能力的同时能够满足某种程度的数据一致性，这种一致性的达成，需要读写数据的进程(或者更细粒度，线程)和数据库本身建立读写数据的方式和协议(contract)以期在双方的共同协作下达成一致性。 在本系列文章中，我们将就数据一致性这个话题进行深入的探讨，讨论对于特定的需求，什么样的模型是合适的。
CAP
在分布式环境下，有三个指标是分布式系统希望达到的，即数据一致性(Consistency)、数据可用性(Availability)以及分区忍受性(Partition)。CAP理论指出在分布式环境这三个指标是无法同时满足，最多只能满足其中的两个。在分布式环境下，网络分裂是不可避免的，因此必须忍受网络分裂。因此CAP理论的本质是说，我们不能同时拥有完美的数据一致性和百分之百的可用性。
通俗的讲，CAP理论可以概括为，如果网络出现问题，那么数据库就不能完美的工作(Won't work)， Won't work意味着或者数据不可用或者数据
更确切一点，一致性的真正含义是什么呢？学术领域one copy serializability或者linearability。如果执行了一系列了的操作或者事务，
一个不太正式的思考权衡的方式是：我能读取脏数据并对脏数据进行操作吗？我能想写就写吗？
请勿发布不友善或者负能量的内容。与人为善，比聪明更重要！
技术博客集 - 网站简介：
前后端技术：
后端基于Hyperf2.1框架开发,前端使用Bootstrap可视化布局系统生成
网站主要作用：
1.编程技术分享及讨论交流，内置聊天系统;
2.测试交流框架问题，比如：Hyperf、Laravel、TP、beego;
3.本站数据是基于大数据采集等爬虫技术为基础助力分享知识，如有侵权请发邮件到站长邮箱，站长会尽快处理;
4.站长邮箱：[email protected];
文章归档
文章标签
友情链接
