分布式系统的定义
分布式系统是由多个通过网络互联的独立计算机(节点)组成的集合，这些节点通过协调和通信共同完成一项或一组任，在用户看来就像一个统一的系统。
分布式系统模型
同步模型：假设网络延迟、进程执行时间都有一个已知的上限。这简化了算法设计，但现实系统很少能够满足
异步模型：不对时间做任何假设。消息延迟可能无限长，进程执行可能无限慢。这是最苛刻的模型，在此模型下能实现的算法最具鲁棒性
部分同步模型：现实中最常见的模型。系统大部分时间是同步的，但是偶尔会变得异步。大多数实际算法(例如：Paxos，Raft)都基于此模型
核心理论与定理
CAP定理
分布式系统领域最著名的，由Eric Brewer提出。
C-一致性：所有节点在同一时刻看到的数据都是相同的。
A-可用性：每个请求都能收到一个(非错误)响应，但不保证数据是最新的。
P-分区容错性：系统在遭遇网络分区时仍能继续运行。
CAP定理指出：存在网络分区的情况下，一个系统无法同时保证一致性和可用性。这意味着你必须在C和A之间做出权衡：
CP系统：当发生网络分区时，为了保证数据一致性，系统会拒绝部分请求，从而牺牲可用性。
AP系统：当发生网络分区时，为了保证可用性，系统会返回可能过期的数据，从而系统一致性。
CA系统：通常指单点数据库或通过特殊硬件/网络避免分区的系统，在分布式场景中很难实现。
综上：“三选二”是CAP的简化。在现实中，P总是存在的，所以你的选择其实是在P发生时的策略(保C还是保A)。
BASE理论
BASE是对CAP定理中AP方案的实践补充，它描述了大多数现代互联网系统所追求的状态。
BA-基本可用：系统出现故障时，允许损失部分功能或相应时间变长，但核心功能仍然可用。
S-软状态：允许系统中的数据存在中间状态，并且这个状态不会立即可用于其他节点，即允许数据存在短暂的不一致。
E-最终一致性：经过一段时间（通常很短）的无更新操作后，系统最终所有副本的数据会达成一致。
BASE与ACID形成鲜明对比，是NoSQL运行的重要理论基础。
FLP不可能原理
这是一个更深奥但根本性的结论。
结论：在异步模型的分布式系统中，即使只有一个进程可能崩溃，也没有任何确定性算法能够总是达成共识。
含义：这是一个“不可能”的结果。它告诉我们，在最坏情况下，我们无法设计出一个总能达成共识的完美算法。
现实意义：实际的共识算法（如：Paxos，Raft）通过增加一些假设（如领导者选举、随机超时）来绕开FLP，从而在现实中“几乎总是”能达成共识。
共识算法
这是解决分布式系统核心“协调”问题的关键技术。
Paxos
Raft
ZAB
关键技术与概念
复制：将数据拷贝到多个节点，以提高可用性和可靠性。分为主从复制、多主复制、无主复制
分区/分片：将大数据拆分成小块，分不到不同节点上，以解决单机存储瓶颈问题
一致性模型：
强一致性：线性一致性、顺序一致性
弱一致性：不保证立即可见
最终一致性：弱一致性的特例，保证在没有新更新时最终一致。
容错与故障检测：如何发现节点故障并快速恢复
租约与锁：分布式环境中实现互斥访问的机制
分布式事务：如何保证跨多个节点的操作具有ACID特性。常用方案有2PC、3PC、TCC、Saga等。