在分布式系统中，数据一致性是最核心也最复杂的问题。由于网络延迟、节点故障、异步通信等因素，不同节点可能同时持有不一致的数据状态。
1. 一致性的定义
- 强一致性（Strong Consistency） ：任意时刻读取到的数据都是最新的。
- 弱一致性（Weak Consistency） ：允许短暂不一致，最终会收敛到一致状态。
- 最终一致性（Eventual Consistency） ：只保证最终状态一致，不保证实时同步。
2. CAP 定理
在分布式系统中，不可能同时满足三者：
- C（Consistency）一致性
- A（Availability）可用性
- P（Partition Tolerance）分区容错性
现实中必须在 CAP 中做权衡。例如： - CP 系统：Zookeeper、Etcd，牺牲部分可用性。
- AP 系统：Cassandra、Eureka，保证可用性但允许延迟一致。
3. 一致性模型
- 线性一致性：操作顺序与真实时间顺序一致。
- 顺序一致性：保证同一客户端的顺序执行。
- 会话一致性：同一会话内保持数据一致。
4. 典型实现方案
- 分布式事务（2PC / 3PC） ：强一致，但性能差。
- Paxos / Raft 共识算法：通过投票机制选出领导者，保证日志一致性。
- 基于版本控制的最终一致：通过时间戳或向量时钟解决写冲突。
- 事件溯源（Event Sourcing） ：状态由事件日志重放获得，天然具备最终一致性。
5. 实践经验
- 明确业务一致性等级，不必盲目追求强一致。
- 读多写少的场景可以接受最终一致。
- 对外业务必须保持幂等性，防止重复执行。
结论：分布式系统的一致性是权衡的艺术。理解 CAP、BASE 原则后，才能根据业务容忍度做出合理取舍。
