CAP理论被很多人拿来作为分布式系统设计的金律，然而感觉大家对CAP这三个属性的认识却存在不少误区，那么什么是CAP理论呢？CAP原本是一个猜想，2000年PODC大会的时候大牛Brewer提出的，他认为在设计一个大规模可扩放的网络服务时候会遇到三个特性：一致性（consistency）、可用性（Availability）、分区容错（partition-tolerance）都需要的情景，然而这是不可能都实现的。之后在2003年的时候，Mit的Gilbert和Lynch就正式的证明了这三个特征确实是不可以兼得的。
CAP是Consistency、Availablity和Partition-tolerance的缩写。分别是指：
1）一致性（Consistency）：每次读操作都能保证返回的是最新数据。也就是说所有的节点数据一致！
2）可用性（Availablity）：任何一个没有发生故障的节点，会在合理的时间内返回一个正常的结果。也就是说一个或者多个节点失效，不影响服务请求！
3）分区容忍性（Partition-torlerance）：当节点间出现网络分区，照样可以提供服务。也就是说节点间的网络连接失效，仍然可以处理请求！
其实，任何一个分布式系统，需要满足这三个中的两个。CAP理论指出：CAP三者只能取其二，不可兼得。其实这一点很好理解，理由如下：
1- 首先，单机都只能保证CP。
2- 有两个或以上节点时，当网络分区发生时，集群中两个节点不能相互通信（也就是说不能保证可用性A）。此时如果保证数据的一致性C，那么必然会有一个节点被标记为不可用的状态，违反了可用性A的要求，只能保证CP。
3- 反正，如果保证可用性A，即两个节点可以继续各自处理请求，那么由于网络不通不能同步数据，必然又会导致数据的不一致，只能保证AP。
一、单实例
单机系统和显然，只能保证CP，牺牲了可用性A。单机版的MySQL，Redis，MongoDB等数据库都是这种模式。
实际中，我们需要一套可用性高的系统，即使部分机器挂掉之后仍然可以继续提供服务。
二、多副本
相比于单实例，这里多了一个节点去备份数据。
对于读操作来说，因为可以访问两个节点中的任意一个，所以可用性提升。
对于写操作来说，根据更新策略分为三种情况：
1）同步更新：即写操作需要等待两个节点都更新成功才返回。这样的话如果一旦发生网络分区故障，写操作便不可用，牺牲了A。
2）异步更新：即写操作直接返回，不需要等待节点更新成功，节点异步地去更新数据（FastDFS文件系统的存储节点就是用这种方式，写完一份数据之后立即返回结果，副本数据由同步线程写入其他同group的节点）。这种方式，牺牲了C来保证A，即无法保证数据是否更新成功，还有可能会由于网络故障等原因，导致数据不一致。
3）折衷：更新部分节点成功后便返回。
三、分片
相比于单实例，这里多了一个节点去分割数据。
由于所有数据只有一份，一致性得以保证；节点间不需要通信，分区容忍性也有。
然而，当任意一个节点挂掉，丢失了一部分的数据，系统可用性得不到保证。
综上，这和单机版的方案一样，都只能保证CP。
那么，有哪些好处呢？
1）某个节点挂掉只会影响部分服务，即服务降级；
2）由于分片了数据，可以均衡负载；
3）数据量增大/减小后可以相应的扩容/缩容。
大多数的数据库服务都提供了分片的功能。如Redis的slots，Cassandra的patitions，MongoDB的shards等。
基于分片解决了数据量大的问题，可是我们还是希望我们的系统是高可用的，那么，如何牺牲一定的一致性去保证可用性呢？
四、集群
可以看到，上面这种方式综合了前两种方式。同上分析，采用不同的数据同步策略，系统CAP保证各有不同。不过，一般数据库系统都会提供可选的配置，我们根据不同的场景选择不同的特性。
其实，对于大多数的非金融类互联网公司，要求并非强一致性，而是可用性和最终一致性的保证。这也是NoSQL流行于互联网应用的一大原因，相比于强一致性系统的ACID原则，它更加倾向于BASE：
- Basically Available：基本可用性，即允许分区失败，除了问题仅服务降级；
- Soft-state：软状态，即允许异步；
- Eventual Consistency：最终一致性，允许数据最终一致性，而不是时刻一直。
五、总结
基本上，上面讨论的几种方式已经涵盖了大多数的分布式存储系统了。
其实对于大规模分布式系统来说，CAP是非常稳固的，可以扩展的地方也不多。
它很大程度上限制了大规模计算的能力，通过一些设计方式来绕过CAP管辖的区域或许是下一步大规模系统设计的关键。
可以看到，这些个方案总是需要通过牺牲一部分去换取另一部分，总没法达到100%的CAP。选择哪种方案，依据就是在特定场景下，究竟哪些特性是更加重要的了。