- 综合排序
- 最热优先
- 最新优先
- 来自专栏小石头
Flink 2PC 一致性语义
XA 事务是基于两阶段提交（Two-phaseCommit，2PC）协议实现的，可以保证数据的强一致性，许多分布式关系型数据管理系统都采用此协议来完成分布式。 ）是最基础的分布式一致性协议，应用广泛。 2pc 的优缺点 2PC的优点在于原理非常简单，容易理解及实现。 缺点主要有3个，列举如下： （1）协调者存在单点问题。如果协调者挂了，整个2PC逻辑就彻底不能运行。 不过，现在人们在分布式一致性领域做了很多工作，以ZooKeeper为代表的分布式协调框架也数不胜数，2PC有了这些的加持，可靠性大大提升了，也就能够真正用在要求高的生产环境中了。 Flink基于2PC的实现 2PC 的最常见应用场景其实是关系型数据库，比如mysql InnoDB 存储引擎的XA事务系统。
1K30编辑于 2023-02-24 - 来自专栏技术杂记
Mysql复制数据一致性检查2
或手动执行其中部分SQL 执行完修改后，再重复上面的操作检查一次 这个工具好在，业务在线时可以执行，不会对系统造成很大影响(会产生一定量的读IO，但不会产生有明显业务影响的锁)，特别是在大表，核心表数据一致性检查时太能解渴了
49710编辑于 2022-04-23 - 来自专栏wannshan(javaer,RPC)
dubbo负载均衡代码分析2(一致性hash策略)
接上篇 https://cloud.tencent.com/developer/article/1109586 说 这篇说dubbo一致性hash负载均衡策略。 一致性hash算法最早是用来解决，分布式缓存在有节点变动（新增后者删除）后，节点负载不均衡问题的。 而用一致性hash算法，就是为了达到，当集群中有节点加入或者节点删除时，尽量把负载的变化（加负，减负）均摊到每一个节点。 基于dubbo一致性Hash，相同参数的请求总是发到同一提供者。 当某一台提供者挂时，原本发往该提供者的请求，基于虚拟节点，平摊到其它提供者，不会引起剧烈变动。 那么dubbo认为 当一个接口方法参数(一个或者多个连接后)hash后得到的hash(key1)值19，那么它应该调用invoker2_v2节点，实际就是invoker2真实节点。
1.5K71发布于 2018-04-26 - 来自专栏笔记本
最终一致性VS顺序一致性VS线性一致性（了解）
最终一致性VS顺序一致性VS线性一致性（了解）在分布式系统设计中，一致性模型是一个核心概念。它定义了多个节点之间数据同步的规则。本文简单学习一下最终一致性、顺序一致性、线性一致性模型。 最终一致性最终一致性是最弱的一致性模型，它只保证数据在多个节点上在最终的情况下是一样的，但是在这之间，各个节点上这些数据到来的顺序，到来的时间都是不确定的。 业务场景：实时性一致性要求不高的业务可以使用到最终一致性。分布式的缓存和数据库之间的数据一致性。用户动态博客、点赞数量、好友关注等。库存计数。 日志数据等顺序一致性顺序一致性比最终一致性的保证略强一点，它要求所有客户端看到的服务的顺序是一致的，这个顺序可能不以时间为顺序，但是所有人看到的顺序都是一样的。 从服务器1上先同步到了A，然后是B；从服务器2上先同步到了B，然后是A，两个客户分别从1和2服务器上读取数据，一个客户是先A再B，一个客户是先B再A。
35221编辑于 2025-07-26 - 来自专栏并发笔记
分布式一致性协议 - 2PC, 3PC
2PC 简述 二阶段提交(Two-Phase Commit)，是一个非常经典的强一致、中心化的原子提交协议。 3PC 上面小节讲解了二阶段提交协议的原理，也指出了它所存在的问题，因此有必要在2PC基础上进一步改进，提出三阶段提交协议。 并且在3PC参与者也增加超时机制（2PC只有协调者拥有超时机制），避免了参与者长时间无法与协调者节点通讯（协调者宕机）的情况下，无法释放资源的问题。 倘若在该阶段，协调者需要发送的是提交事务请求，参与者自动提交本地事务，最后能达到一致性。 3PC的缺点，也就是我在每个阶段描述中，注意的那一部分，在某些情况下，3PC必然会造成数据的不一致性。
1.3K51发布于 2020-10-23 - 来自专栏ImportSource
NoSQL 一致性［详解］更新一致性
翻译内容： NoSQL Distilled 第五章 Consistency 作者简介： 本节摘要： 一致性向来是分布式的一大问题。 本文主要讨论一致性中的更新一致性的内容。 Chapter 5. 从关系数据库过渡到NoSQL数据库的一个最大改变就是你对一致性的思考方式。关系数据库主要是通过“强一致性”来避免各种不一致的问题，这个我们很快就会说到。 一旦你进入NoSQL的世界，你就会接触到“CAP 定理”和“最终一致性”这些术语，一旦你开始构建，你就要考虑你的系统需要哪种一致性，什么样级别的一致性。 一致性有很多种表现形式，并且它下面也潜藏着众多可能出错的地方。本章先说说一致性的各种形式，然后再讨论哪些理由可以让开发者放宽对一致性的约束（并放宽另一个与之相伴的因素：持久性）。 5.1.
1.2K70发布于 2018-04-03 - 来自专栏NebulaGraph 技术文章
基于 Jepsen 来发现几个 Raft 实现中的一致性问题(2)
另外，如何测试基于 Raft 的分布式系统也是困扰业界的问题，目前 Nebula 主要采用了 Jepsen 作为一致性验证工具。 在这篇文章中将着重介绍如何通过 Jepsen 来对 Nebula Graph 的分布式 kv 进行一致性验证。 强一致的定义 首先，我们需要什么了解叫强一致，它实际就是 Linearizability，也被称为线性一致性。 （step 4 完成后） 此后 C 被选为 term 2 的 leader，但由于 C 此时有可能还没有将之前 write 2 的 log entry 应用到状态机（此时状态机中仍为1）。 这违背了强一致的定义，之前已经成功写入 2，却读到了过期的结果。
82220发布于 2020-04-15 - 来自专栏java
分布式一致性协议 - 2PC, 3PC，TCC
分布式一致性协议：2PC、3PC 与 TCC 详解一、两阶段提交协议（2PC）1. 核心流程阶段一（Prepare）：协调者向参与者发送事务操作请求。 2. 优缺点优点：实现简单，强一致性保证。缺点：单点故障：协调者崩溃导致系统阻塞。同步阻塞：事务执行期间资源被锁定。数据不一致：阶段二协调者发送 Commit 后崩溃，部分参与者可能未提交。3. 四、对比分析维度2PC3PCTCC一致性级别强一致性最终一致性（弱一致）最终一致性阻塞程度全程同步阻塞减少阻塞无长时间阻塞实现层面数据库 / 中间件层面协议层面应用服务层面性能低（锁资源时间长）中高（无数据库锁 谨慎 2PC：适用于事务规模小、一致性要求极高的场景。注意协调者单点问题，可通过主备切换增强可靠性。避免 3PC：仅在理论研究或特殊场景（如高可用但低一致性容忍）中考虑。 七、总结场景最优协议强一致性、低并发2PC高可用、弱一致性3PC（慎用）高性能、跨服务事务TCC最终一致性、高吞吐量MQ + 本地事务分布式一致性协议的选择需在一致性、可用性、性能之间权衡。
1.3K10编辑于 2025-06-28 - 来自专栏分布式架构
ZooKeeper的顺序一致性属于强一致性？
说到ZooKeeper到底是强一致性，还是最终一致性，相信大家一定能搜到大量互相打架的文章。 在论文中我们可以清晰的看到 CAP关于一致性的完整称呼叫"Atomic Consistency"，即原子一致性：原子一致性是针对单个请求/响应操作序列的属性，而数据库一致性是事务的组成，包含了数据库概念中一致性和原子性 在CAP论文中对一致性缺少了对隔离性的说明，而隔离性是并发控制的体现，所以我们还得挖挖原子一致性，原子一致性又称为线性一致性（linearizability）、立即一致性（immediate consistency 综上所述，我们可以知道强一致性具有一定的模糊性和习惯性，因此我们可以认为强一致性是一种统称，那么我们怎么判断强一致性和最终一致性呢？这需要我们通过场景来实际分析。 注2：关于强和弱的定义，可以参考剑桥大学的slide image.png ZooKeeper 是一项高性能、可扩展的服务。读取和写入操作都设计为快速，尽管读取比写入快。
3K31编辑于 2021-12-06 - 来自专栏EdisonTalk
.NET Core微服务之基于MassTransit实现数据最终一致性（Part 2）
在上一篇中，我们了解了MassTransit这个开源组件的基本用法，这一篇我们结合一个小案例来了解在ASP.NET Core中如何借助MassTransit+Quartz.Net来实现数据的最终一致性 当然，实现数据的最终一致性有很多方案，这里只是举一种我所学到的比较简单易于学习的实现方式而已。 （2）然后事件后台服务会定期（比如每隔30秒）检查订单数据库的事件状态表（比如一张单独的Events表，里面有某个订单的2行记录，每行记录分别代表与订单相关的服务（这里就是库存和配送服务）的处理状态）， 代表已处理），再看看两个服务的控制台信息，分别在处理事件消息时输出了一行记录： 在标准情况下，当所有相关的事件消息状态都变成已处理时，这时数据就达到了最终一致性。 最后，再次强调实现数据的最终一致性有很多方案，这里只是举一种我从桂素伟老师那里所学到的比较简单易于学习的实现方式而已。
1.9K40发布于 2018-08-01 - 来自专栏分布式架构
ZooKeeper的顺序一致性属于强一致性？
- 什么是强一致性 - 说到zab到底是强一致性，还是最终一致性，相信大家一定能搜到大量互相打架的文章。 在评判这个问题前，咱们在回顾下Consistency(一致性)、Consensus(共识)。这两者间的关系如下： 共识是一种数据同步过程，一致性是数据同步状态。所以一致性包含了共识。 在论文中我们可以清晰的看到 CAP关于一致性的完整称呼叫"Atomic Consistency"，即原子一致性：原子一致性是针对单个请求/响应操作序列的属性，而数据库一致性是事务的组成，包含了数据库概念中一致性和原子性 在CAP论文中对一致性缺少了对隔离性的说明，而隔离性是并发控制的体现，所以我们还得挖挖原子一致性，原子一致性又称为线性一致性（linearizability）、立即一致性（immediate consistency 综上所述，我们可以知道强一致性具有一定的模糊性和习惯性，因此我们可以认为强一致性是一种统称，那么我们怎么判断强一致性和最终一致性呢？这需要我们通过场景来实际分析。
78121编辑于 2021-12-20 - 来自专栏PingCAP的专栏
一致性模型
这里解释下相关的含义： Unavailable：当出现网络隔离等问题的时候，为了保证数据的一致性，不提供服务。熟悉 CAP 理论的同学应该清楚，这就是典型的 CP 系统了。 但在 Dirty Write 情况下面，可能会出现如下情况： [1240] 可以看到，最终的值是 x = 2 而 y = 1，已经破坏了数据的一致性了。 但是下面这个： [1240] 就不满足 Cansal 的一致性要求了，因为对于 P2 来说，在 Write 2 之前，进行了一次 Read 1 的操作，已经确定了 Write 1 会在 Write 2 小结 在分布式系统里面，一致性是非常重要的一个概念，理解了它，在自己设计分布式系统的时候，就能充分的考虑到底系统应该提供怎样的一致性模型。 延展阅读 线性一致性和 Raft TiKV 是如何存取数据的 [1240]
1.1K01发布于 2018-10-24 - 来自专栏C/C++基础
一致性Hash
2.一致性Hash（Consistent Hashing） 2.1一致性Hash的由来 在解决分布式系统中负载均衡的问题时，可供选择的负载均衡的算法有很多，包括： 轮循算法(Round Robin)、哈希算法 简单来说，一致性哈希将整个哈希值空间组织成一个虚拟的圆环，假设某哈希函数H的值空间为0-2^32-1（即哈希值是一个32位无符号整型），整个空间按顺时针方向组织，整个哈希空间环如下： ? 例如上面的情况，可以为每台服务器计算三个虚拟节点，于是可以分别计算 “Node A#1”、“Node A#2”、“Node A#3”、“Node B#1”、“Node B#2”、“Node B#3”的哈希值 （2）高平衡性（Balance）。 平衡性也就是说负载均衡，是指客户端Hash后的请求应该能够均匀分散到不同的服务器上去。 ---- 参考文献 [1]Hash.百度百科 [2]深入浅出一致性Hash原理.简书 [3]一致性hash算法释义.博客园 [4]分布式算法(一致性Hash算法)
3.4K11发布于 2019-03-11 - 来自专栏全栈程序员必看
一致性hash算法 java实现_信息的一致性
缺点 但存在以下问题：负载不均衡，尤其是单台发生故障后剩下一台会压力过大；不能动态增删节点；节点发生故障时需要 client 重新登录 因而出现了一致性hash,一致性 hash 算法适用于动态变化的 一致性Hash算法 一致性哈希算法有多种具体的实现，包括 Chord 算法，KAD 算法等实现，以上的算法的实现都比较复杂。 一致性哈希算法的基本实现原理是将机器节点和key值都按照一样的hash算法映射到一个0~2^32的圆环上。 当有一个写入缓存的请求到来时，计算 Key 值 k 对应的哈希值 Hash(k)，如果该值正好对应之前某个机器节点的 Hash 值，则直接写入该机器节点， 如果没有对应的机器节点，则顺时针查找下一个节点，进行写入，如果超过 2^ 缺点 一致性Hash算法的缺点在于节点的插入可能并不是均匀的，节点在hash后在环上并不一定分布均匀，导致了每个节点实际占据换上的区间大小不一定相近，因此节点分布不够均匀 改进 基于虚拟节点的一致性哈希
38320编辑于 2022-11-10 - 来自专栏DDD
一致性哈希
缓存雪崩，这是一场灾难 一致性hash 有什么方法可以改变这个状况呢，这就是 consistent hashing 比如有{N0, N1, N2}三个节点，陆续有多个资源要分配到这三个节点上，如何尽可能均匀的分配到这些节点上 算法 一致性哈希算法的思路为：先构造出一个长度为2^32 整数环，根据N0-3的节点名称的hash值（分布为[0,2^32 -1]）放到这个环上 ? 整个空间按顺时针方向组织，圆环的正上方的点代表0，0点右侧的第一个点代表1，以此类推，2、3、4、5、6……直到2^32 -1，也就是说0点左侧的第一个点代表2^32 -1， 0和2^32 -1在零点中方向重合 一般的，在一致性Hash算法中，如果增加一台服务器，则受影响的数据仅仅是新服务器到其环空间中前一台服务器（即沿着逆时针方向行走遇到的第一台服务器）之间数据，其它数据也不会受到影响 综上所述，一致性Hash 这个问题有两种答案，一是技术限制、一是实际场景： 因为，java中int的最大值是2^31-1最小值是-2^31,2^32刚好是无符号整形的最大值 因为一致性hash算法是来做服务器的负载均衡，而服务器的
48220发布于 2021-03-23 - 来自专栏D·技术专栏
缓存一致性
2、缓存失效，A先读取DB值，B更新数据库，B删除缓存，A将旧值写入缓存中。 先删除缓存，后更新数据库 问题：A先删除缓存，B查询发现缓存失效，B缓存旧值，A更新数据库，缓存B的脏数据。 2、先写库，还是先写缓存？ 先删除缓存，后写库，这样就算后面写库失败了，缓存也是null，不会导致脏数据。如果先写库，后面更新缓存失败，缓存中的数据为脏数据。 使用分布式锁 2、 双删，A更新数据库，A删除缓存，A.sleep(1000)，A删除缓存 更新失败使用MQ来实现重试，订阅数据库binlog日志或者使用框架的拦截器订阅写操作。
1.2K30发布于 2020-02-10 - 来自专栏kafka
基于版本号的一致性的缓存一致性
这里说的「基于版本号的一致性」，确实和「删缓存」那一套不一样，流程应该是「写 DB + 有条件 写缓存」，核心就是：缓存里也带一个 version任何请求在写缓存前，都拿自己这次操作对应的 version 去和缓存里的版本比只有 新版本 \> 旧版本 时才允许覆盖缓存这样就能避免：旧请求晚到，把新值覆盖成旧值，从而解决一致性问题。 2. 写操作基于版本号的一致性流程更新某条数据（DB+Redis）时，可以按此流程：从 DB 读当前记录，得到 oldVersion 和 oldValue计算新值 newValue，准备把版本改成 newVersion version \< newVersion，才覆盖如果缓存中 version \>= newVersion，说明你已经落后，不允许写，避免新值被旧值覆盖这个第 4 步就是「基于版本号保证 DB+缓存一致性
13410编辑于 2026-01-13 - 来自专栏CKL的思考空间
事务一致性测试
解决完问题后，我关注的是另一个问题：按理说，如果新增数据报错了，列表数据应该也是没有的，这里第2步中会多出这么几条数据？ 但是由于ES不支持事务，所以@Transactional也没办法回滚，所以列表中的数据还是能被查看到（第2步，ES中的数据还是在的），但是点击详情（第3步）时，因为在数据库中找不到对应的数据，所以页面无法显示 因为双写（同时写数据库和ES），才导致了这个问题，那就去掉双写，只写数据库，然后通过异步或者MQ的方式，再去写ES，这样能解决一致性的问题，但是时效性会差点。 2. 对于事务的一致性测试，在平时很容易被忽略，大家都还是相信开发会使用事务的。但是对于事务管理是否会失效，没有引起足够的重视。 对于测试人员而言，常见的事务一致性测试场景有哪些呢？ a. 异步处理，常见的是MQ，如果消费失败，是否有对应的补偿机制来保障一致性 c. 跨系统的数据存储，有些业务数据存在关联性，又分布在不同的系统中，如何保障一致性，也是测试人员需要关注的。
44320编辑于 2023-08-28 - 来自专栏CSDNToQQCode
Paxos一致性协议
Paxos问题指分布式系统中存在故障fault，但不存在恶意corrupt节点场景（消息可能丢失但不会造假）下的共识达成（Consensus）问题。
32040编辑于 2022-11-29 - 来自专栏JavaEE
缓存一致性问题
一、什么是一致性问题 为了提升服务的性能，我们一般会把热点放进缓存，那么这些热点数据就同时存在于数据库和缓存中，缓存中的数据和数据库中的数据要保持一致，这便是缓存一致性问题。 读流程 读数据流程 2. 写流程 写数据流程 3. 三、缓存一致性问题的解决方案 1. 双删延迟策略 上面说了先删除缓存还是会存在问题，就是线程 A 更新 DB 之前如果线程 B 把数据读到缓存中了，数据也会不一致。 2. 使用binlog异步删除缓存 我们知道，DB 的操作一般都会记录到日志中，比如 MySQL，所有的写操作都会记录到 binlog 中，那么我们可以通过 binlog，去删除缓存。 主从可能会出现的情况就是主库的数据还没来得及同步到从库的时候，消费者已经把缓存给删除了，然后读请求进来，读取到了从库的脏数据，更新到了缓存中，还是有一致性问题。
51930编辑于 2022-12-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号