ca面试是什么,java分布式面试问题

  ca面试是什么,java分布式面试问题

  00-1010简介1。面试官,说到CAP定理,能详细说说CAP代表什么吗?2.面试官:听起来很简单。只是一个概念,但具体指什么?结合实例进行深入分析和总结

  00-1010上一节我在面试中被问到分布式系统的概念。说完分布式系统和RPC的概念和优缺点,我以为这个问题就结束了。没想到成功给自己挖了个坑(笑脸)。关于CAP,以前只听说过,没有详细整理过。这一次,我约出来了。

  CAP已经成为计算机科学的一个研究领域。当我们谈到分布式系统的优势时,我们谈到了三个改进:

  1.提高了系统可用性。

  2.提高系统的并发性。

  3.提高了系统的容错能力。

  那么这三个方面在实施中能同时满足吗?答案是否定的,在设计分布式系统的时候,设计师需要了解一个重要的理论概念,CAP定理。

  00-1010问题分析:经典的概念性面试题。

  a:关于CAP,是2000年7月加州大学伯克利分校的Eric Brewer教授在ACM PODC会议上提出CAP猜想。两年后,麻省理工学院的Seth Gilbert和Nancy Lynch从理论上证明了CAP。之后,CAP理论正式成为分布式计算领域公认的定理。

  C的拼写是Consistency,意思是一致。

  A的拼写是Availability,意思是可用性。

  p的拼写是Partition tolerance,意思是分区容错。

  00-1010问题分析:这种问题不能等面试官下次再问。这次面试感觉像挤牙膏。要不我一口气说完,让面试官闭嘴?

  答:分布式系统最多能满足三项中的两项:一致性、可用性和分区容忍度。

  同时满足一致性(C)和可用性(A)需要牺牲容错性(P),同时满足可用性(A)和分区容错性(P)需要牺牲一致性(C),分区容错性(P)需要牺牲可用性(A)。

  (开始拿起笔和纸画三个圆圈)

  这三个象限只能满足两个圆相交。

  面试官:好了好了,这个理论问题到此为止。时间有限。说点别的吧。

  00-1010使用Redis集群高可用架构举例:Redis可以将数据切片成多个实例(按槽存储),即一个机房共享部分数据。主机负责写,主机会自动同步到从机。

  Redis分散式集群架构的优势:

  1.无中心架构:部署三个机房,其中一主一从形成一片,数据在它们之间通过异步复制同步。异步复制存在数据不一致的时间窗,保证高性能的同时牺牲了一定的一致性。一旦一个机房断开连接,位于片上另一个机房的从机将被提升为主机,以便它可以继续提供服务。

  2.可扩展性:可以线性扩展到1000个以上的节点,可以动态添加或删除节点。

  3.降低运维成本,提高系统的扩展性和可用性。

  分析一下,CAP中的哪两个定理在这种分布式架构下满足?

  如优势1所述,部署三个机房,每个机房有一个主机和一个从机,即一个主机对应一个从机。但是你会发现,机房1的主机1连接的从机在机房2,机房2的主机2连接的从机在机房3,机房3的主机3连接的从机在机房1,这样就形成了一个环。为什么要这样设计?

  假设:停电或者机房失火或者其他原因,反正1号机房的机器都用不了。

  这个时候1号机房的所有数据都无法访问?这显然是我们不想要的。前面已经说了,主机负责写,主机会自动同步到从机。如果Master的写服务宕机,Slave的读服务就会升级为Master,也就是说1号机房的数据还备份在2号机房的Slave2上,数据还在。Slave在down Master恢复之前要同时承担读写服务,虽然有点累,但还是可以用的。这种设计旨在提高可用性(A)和容错性(P)。系统允许你关闭一台机器或者整个机房,系统仍然可以使用。

  但是你会发现,如果单个机房比较远,Master1到Slave2的数据同步是跨机房的,跨机房同步肯定和机房块不一样,所以Slave2负责读取,Master 1要更新的数据没有同步到他在另一个机房的备份,所以读取操作不一致。

  计显然是牺牲掉一致性(C)。相信这样分析应该能理解 CAP 定理了。

  进一步分析:

  让同一组 Master - Slave 放在一个机房,同机房复制数据不是更快?这样能不能解决数据一致(C)问题,答案是能,还有更好的解决一致性的办法就是不要 Master - Slave 组合,就一台机器,一台机器同时担任读写请求,没有延迟不存在数据一致性问题。这是时候如果宕机了怎么办?这样的架构下,那就真的是不可用了,解决了一致性(C)却牺牲了可用性(A)和容错性(P),太不划算了。

  总之,分布式系统下,CAP 确实无法同时满足,在 Redis 去中心集群架构中,最优的解决方案还是满足可用性(A)和分区容错性(P)就要牺牲掉一致性(C),即使跨机房同步数据,延迟也不过 1s,数据不一致的问题只出现在 1s 内,日常开发中,很少遇到要求强一致性的场景。例如订单系统,用户更新了订单支付状态,读订单状态是在从库,有什么读场景等不来这一秒?

  如果真的必须要求强一致性,那可能就必须调整分布式架构方案来。

  

 

  

总结

本文主要讲解了 CAP 定理的概念,为什么要学习这个概念,设计高可用分布式系统时,你必须知道系统的短处,懂得 CAP 能让你根据实际情况有舍有得。面试会被经常问到,比如,你说你使用了消息队列,解决了系统耦合问题,提高了响应速度,那面试官问题:使用消息队列有啥缺点?如果你知道 CAP 定理这个问题还难吗?

 

  显然消息的延迟会带来数据不一致问题。理想情况下消息不丢失那数据会最终一致,你能保证消息不丢失吗?如何解决机问题,如果是我,我会选择 最终一致性,就是说不管消息延迟多久甚至丢失,设计一个离线定时任务,定期去扫描两个系统的数据,有不一致的情况就主动刷新同步,这样保证最终一致。

  以上就是java分布式面试CAP分别代表含义分析的详细内容,更多关于java分布式面试CAP含义的资料请关注盛行IT其它相关文章!

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

留言与评论(共有 条评论)
   
验证码: