CAP理论
的是在一个分布式系统中, Consistency（一致性）、 Availability（可用性）、Partition tolerance（分区容错性）, 三者不可得兼
- 一致性(C)：在分布式系统中，所有节点对外看起来像是同一个数据副本 —— 读取到的都是最新的同一份数据。
- 可用性(A)：只要客户端发起请求，系统就必须持续给出响应（不挂、不超时），无论数据是否是最新的。
- 分区容忍性(P): 系统即使部分节点之间的网络断了，也能继续对外提供服务。
redis实现分布式锁
分布式锁是用于分布式环境下并发控制的一种机制，用于控制某个资源在同一时刻只能被一个应用所使用。Redis 本身可以被多个客户端共享访问，正好就是一个共享存储系统
Redis的 SET 命令有个 NX 参数可以实现「只在锁的key键不存在时才设置」，所以可以用它来实现分布式锁：
- 加锁包含三个条件（读取锁变量，检查锁变量，设置锁变量值）
- 解锁包含两个操作（判断当前锁是不是自己客户端设置的，释放）
NX参数确保了加锁的原子性，为了确保解锁操作的原子性，需要使用lua脚本
通过 Lua 脚本，把一系列 Redis 命令打包成一个原子操作在服务端一次性执行，避免多次网络往返，也避免并发冲突。
分布式事务
多个系统或多个数据库之间的操作，要么全部成功、要么全部失败，就像一笔原子事务一样。然而分布式事务难于统一管理提交/回滚 —— 这就是 分布式事务问题。
解决方案
- 2PC：准备和提交两阶段
- 3PC：准备阶段拆分为询问和准备，提交
- TCC：将业务操作拆分为 Try、Confirm、Cancel 三个阶段
- 消息队列：业务系统执行本地事务时将业务操作封装成消息发至消息队列，下游系统消费消息并执行操作，失败则消息队列重试。
- 本地消息表：业务与消息存储在同一个数据库，利用本地事务保证一致性，后台任务轮询消息表，通过MQ通知下游服务，下游服务消费成功后确认消息，失败则重试。
- saga：将长事务拆分为多个短事务，每个短事务有对应的补偿事务。
分布式一致性算法
Raft算法由leader节点来处理一致性问题。
- Leader 选举：一个节点成为 Leader，其它是 Follower
- 日志复制：客户端请求发送给 Leader，由它把操作同步到多数 Follower
- 一致性提交：一旦多数节点写入成功，Leader 提交操作，并通知其他节点
paxos将一致性问题分解为多个阶段，每个阶段都有一个专门的协议来处理。
- 提议者：提议者是负责提出一致性问题的节点，它会向接受者发送提议，并等待接受者的回复。
- 接受者：接受者是负责处理提议的节点，它会接收提议者发送的提议，并对提议进行判断。如果接受者认为提议是有效的，它会向投票者发送请求，并等待投票者的回复。
- 投票者：投票者是负责决定提议是否有效的节点，它会接收接受者发送的请求，并对请求进行判断。如果投票者认为请求是有效的，它会向接受者发送投票，表示支持或反对提议。
RPC(分布式组件)
RPC 即远程过程调用协议，允许程序调用运行在另一台计算机上的程序中的过程或函数，就像调用本地程序中的过程或函数一样，而无需了解底层网络细节。一种高效的应用程序之间的通讯手段
常见的RPC框架：
- Dubbo：Dubbo是一个分布式服务框架，以及SOA治理方案。
- Thrift
- GRPC：由 google 开发，基于HTTP/2协议标准而设计，基于ProtoBuf序列化协议开发，且支持众多开发语言。
- Spring Cloud
一个典型的 RPC 调用过程通常包含以下几个步骤：
- 客户端调用：客户端程序调用本地的一个 “伪函数”（也称为存根，Stub），并传入所需的参数。这个 “伪函数” 看起来和普通的本地函数一样，但实际上它会负责处理远程调用的相关事宜。
- 请求发送：客户端存根将调用信息（包括函数名、参数等）进行序列化，然后通过网络将请求发送到服务器端。
- 服务器接收与处理：服务器端接收到请求后，将请求信息进行反序列化，然后找到对应的函数并执行。
- 结果返回：服务器端将函数的执行结果进行序列化，通过网络发送回客户端。
- 客户端接收结果：客户端接收到服务器返回的结果后，将其反序列化，并将结果返回给调用者。
RPC主要完成的步骤时2-8
然而，当客户端调用多个远程函数的时候，涉及到大量的请求和多个服务器（机器、提供方），就需要产生相应的网关路由层，根据不同服务器的IP地址去进行调用，这就涉及到服务注册和服务发现
- 服务注册：服务器向服务中心注册自己信息（ip地址、端口等）的过程
- 服务发现：客户端通过注册中心查询所需服务器网络位置的过程
