- 综合排序
- 最热优先
- 最新优先
- 来自专栏架构师之路
DB主从一致性架构优化4种方法
利用数据库原生功能，比较简单 方案缺点：主库的写请求时延会增长，吞吐量会降低 方案二（强制读主库） 如果不使用“增加从库”的方式来增加提升系统的读性能，完全可以读写都落到主库，这样就不会出现不一致了： 方案优点：“一致性 此时需要将请求路由到主库读最新的数据 （3）如果cache miss，说明这个key上近期没有发生过写操作，此时将请求路由到从库，继续读写分离 方案优点：相对数据库中间件，成本较低 方案缺点：为了保证“一致性 ”，引入了一个cache组件，并且读写数据库时都多了一步cache操作 总结 为了解决主从数据库读取旧数据的问题，常用的方案有四种： （1）半同步复制 （2）强制读主 （3）数据库中间件 （4）缓存记录写 第4个方案是大会现场有其他同学share的一个好方法，感谢这位同学。
1.6K60发布于 2018-03-01 - 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。 线性一致性线性一致性比顺序一致性还要强，除了所有客户端看到的多个服务器节点的数据顺序是一致的，而且保证，只要数据更新了，那么客户端就能立马读取到最新值。不会读取到旧值。
35221编辑于 2025-07-26 - 来自专栏微言码道
走马观花云原生技术（4）：强一致性分布式存储etcd
强一致性 在分布式系统中，CAP理论是架构师一定要知道的。 基于这个理论，分布式存储就有很多种不同的选择，比如CA（保证一致性与可用性），CP（保证一致性与容错性），AP（保证可用性与容错性）。 更进一步举例说明CAP理论。 etcd是CP实现，它保证一致性与分区容错性，一定程度上牺牲了可用性。 etcd强调一致性与分区容错性，这意味着当节点上的数据未达到一致性同步时，需要进行等待数据同步完成才可用。 强一致性 强一致性是etcd的一个重要的特点。而K8S这样的平台，特别需要这样的特性，在一个架构中，如果因为一致性存在问题，导致将服务负载到失效的节点上，这将产生灾难性的影响。 三） 我们在实现微服务架构时，对于分布式事务，按照CAP这个理论，通常是选择AP，也就是可用性与分区容错性，而在一致性上选择最终一致性，这是合理的。
1.4K30编辑于 2022-11-18 - 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。
3K31编辑于 2021-12-06 - 来自专栏机器之心
极低成本，复现GPT-4o图像风格化一致性！NUS推出OmniConsistency
不久前，GPT-4o 的最新图像风格化与编辑能力横空出世，用吉卜力等风格生成的效果令人惊艳，也让我们清晰看到了开源社区与商业 API 在图像风格化一致性上的巨大差距。 为了解决这一难题，我们提出 OmniConsistency，利用配对数据复现 GPT-4o 的出色风格化一致性，为开源生态注入接近商业级的能力。 来看三句话总结： ✅ 解决风格化与一致性之间的跷跷板问题 ✅ 即插即用，兼容社区任意 Flux 底模的风格 LoRA ✅ 轻量高效，效果出色，媲美 GPT-4o 为什么现有方法会出现风格退化？ 采用用多项指标全面评估，包括风格一致性评估（FID、CMMD、DreamSim、CLIP Image Score、GPT-4o Score）；内容一致性评估（DreamSim、CLIP Image Score 、GPT-4o 评分）；图文对齐（CLIP Score）。
42410编辑于 2025-06-10 - 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
的时候会得到 4，已经跟之前读取到的 a，b，c 冲突了。 P4C - Cursor Lost Update Cursor Lost Update 是上面 Lost Update 的一个变种，跟 SQL 的 cursor 相关。 譬如下面的操作： [1240] 对于 P3 和 P4 来说，因为之前已经有新的写入，所以他们只能读到 2，不可能读到 1。 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
1.3常见Hash算法 1.3.1Hash散列算法 Hash散列算法一般用于生成消息摘要，常用Hash散列算法有： （1）MD4 MD4（RFC 1320）是MIT教授Ronald L. （2）MD5 MD5（RFC 1321）是Rivest于1991年对MD4的改进版本。它对输入仍以512位分组，其输出是4个32位字的级联，与MD4相同。 SHA1 设计时参考了MD4的实现原理，并且模仿了该算法。 1.3.2Hash映射算法 将给定输入映射为唯一输出时，一般用以下函数来实现。 （1）直接寻址法。 （4）平方取中法。取关键字平方后的中间几位作为散列地址。 （5）折叠法。将关键字分割成位数相同的几部分，最后一部分位数可以不同，然后取这几部分的叠加和（去除进位）作为散列地址。 （6）随机数法。 ---- 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
介绍 一致性Hash算法是实现负载均衡的一种策略，后续会写如何实现负载均衡 一致哈希是一种特殊的哈希算法。 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。 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
hash 上图中，假设我们查找的是”a.png”，由于有4台服务器（排除从库），因此公式为hash(a.png) % 4 = 2 ，可知定位到了第2号服务器，这样的话就不会遍历所有的服务器，大大提升了性能 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 Long k = ((long)(digest[3+h*4]&0xFF) << 24) | ((long)(digest[2+h*4]&0xFF) << 16) | ((long)(digest[1+h*4]&0xFF) << 8) | (digest[h*4]&0xFF); 因为，int的最大值最小值范围设定是因为一个int占4个字节，一个字节占8位，二进制中刚好是32位 根据算法特性，一致性hash是最好的选择吗？
48220发布于 2021-03-23 - 来自专栏D·技术专栏
缓存一致性
系统程序处理时，缓存作为DB的一道屏障，可以防止大量请求达到数据库，造成压力过大，还可以提高查询效率。
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。 如果缓存不存在，直接写如果缓存存在，且缓存中的 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」的关键。 String key = "item:" + id; String json = objectMapper.writeValueAsString(payload); // 4.
13410编辑于 2026-01-13 - 来自专栏多线程
4.什么是MESI缓存一致性协议？怎么解决并发的可见性问题？
MESI一致性协议 小陈：老王，上一章你让我看看MESI一致性协议，我大概了解了一下。 读取进入自己的高速缓存 （2）然后CPU0执行得比较快，执行完 i++操作之后将 i=1 的结果刷回主存了 （3）但是CPU1并不知道数据已经变更了，还是使用 i = 0 的结果去进行 i++ 操作 （4） 老王：孺子可教也，那你继续来说说MESI的缓存一致性的内容 小陈：MESI一致性协议定义了高速缓存中数据的4中状态，分别是： M（Modified）: 修改过的，只有一个CPU能独占这个修改状态，独占的意思是当有一个 CPU0执行 i++ 操作，将 i = 1 的最新结果刷入到高速缓存中，同时将高速缓存的数据状态设为M（修改过的） 然后将高速缓存中 i = 1 的最新结果又刷入主内存中 （4）CPU1要读取数据操作 4.什么是MESI缓存一致性协议？怎么解决并发的可见性问题？ JAVA并发专题《练气篇》 5.volatile怎么保证可见性？ 6.什么是内存屏障？具有什么作用？
73730编辑于 2023-10-16 - 来自专栏CKL的思考空间
事务一致性测试
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. 解偶，在方法中只处理双写操作，其他的业务逻辑做异步处理（例如这个场景中，事件更新可以异步处理，并做对应的补偿机制），这样就不会影响主数据的一致性。 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. 双写或者多写的情况：随着现在中间件使用得越来越多，双写或者多写的情况也会增加，当数据记录在多个地方时，需要关注一致性问题 b. 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。 4. 之前还是之后呢 答案是之前，如果是之后，可能会出现如下问题： 先写DB的问题 如果先更新 DB，在更新了 DB 之后，还没来得及删除缓存之前，线程 B 读请求进来了，那么读取到的是缓存中的旧数据，也会出现一致性问题 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。 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 一致性如何度量
一致性的度量方法取决于具体的上下文和应用场景。以下是几种常见的一致性度量方法： Kappa一致性检验：在统计和数据分析中，Kappa系数被用于衡量两个或多个评分者对同一组对象的评分之间的一致性。 Kappa系数的取值范围在0到1之间，值越大表示一致性越高。Kappa一致性检验可以细分为简单Kappa、加权Kappa、Fleiss Kappa系数等。 ICC（组内相关系数）：ICC用于评估不同评分者或测量方法之间的一致性。它考虑了评分者之间的变异和测量误差，并给出了一个介于0到1之间的值，值越大表示一致性越高。 因此，可以通过计算两个集合之间的重合度（如Jaccard相似度）来度量它们之间的一致性。 在实际应用中，选择哪种一致性度量方法取决于具体的需求和场景。 例如，在评估不同评分者之间的一致性时，可能会选择Kappa一致性检验或ICC；而在处理时间序列数据时，可能会选择DTW。同时，也可以结合多种度量方法来全面评估一致性。
58110编辑于 2025-04-05- 来自专栏程序那些事
一致性hash算法
各种加密货币中的密钥体系或多或少都用到了Hash算法，其中比较有名的像：MD4，MD5，SHA-1，SHA-2，SHA-3等。 一致性hash算法的原理 一致性Hash算法是在1997年由麻省理工学院提出的一种分布式hash实现算法。 上图我们假设有4个节点：node1，node2，node3，node4。 其中A存储在node1节点，B存储在node2节点，C存储在node3节点，D存储在node4节点。 容错性 下面我们考虑下节点挂掉的情况，如下图所示，当node4节点挂掉之后，按照一致性hash算法的原则，A，B，C存储节点不做任何变化，只有D节点会重新存储到node1 上。如下图所示： ?
91731发布于 2020-07-07 - 来自专栏三分恶的专栏
缓存一致性？get💡
这篇文章，我们来看看缓存一致性问题。 缓存一致性 我接下来会巴巴说一堆缓存一致性，但是—— 作为一名暴躁老哥，我先把结论撂这了！ 缓存和数据库的强一致性无法实现！ CAP理论了解一下，缓存适用的场景属于CAP中的AP，是非强一致性的场景。 那还扯个犊子的缓存一致性？洗洗睡吧。 BASE理论接着了解一下，强一致性保证不了，那只好委屈求全，尽量保证最终一致性呗。 最终一致性强调的是系统中所有的数据副本，在经过一段时间的同步后，最终能够达到一个一致的状态。因此，最终一致性的本质是需要系统保证最终数据能够达到一致，而不需要实时保证系统数据的强一致性。 所以，我们追求的是尽可能保证缓存和数据库的最终一致性。 缓存与数据库一致性问题深度剖析 [2]. 数据库和缓存一致性的几种实现方式，我们来聊聊？ [3]. 面试官：缓存一致性问题怎么解决? [4]. 美团二面：Redis与MySQL双写一致性如何保证？
69510发布于 2021-09-23
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