把三台机器放在一起不等于就有了分布式系统。真正的分布式系统是让多台机器协同完成一件事——而这件事的复杂度恰好来自「协同」二字。为什么单机到多机不是简单的数量变化因为单机上一切井然有序数据在同一个内存空间时钟只有一个锁一把就够。一旦跨了机器这三样全部失效。分布式系统的所有复杂度可以归结为三个根本问题空间、时间、共识。空间数据不在同一个地方单机里两个函数共享一个变量修改立即可见。分布式系统里数据分散在多台机器上每台机器只持有「部分的真相」。状态分散带来的第一个问题是复制Replication。你需要在多个节点上维护同一份数据的副本——问题是谁来写如果所有节点都能写冲突怎么解决于是有了主从复制single-leader、多主复制multi-leader、无主复制leaderless三种模式各有各的权衡。第二个问题是分区Partitioning。数据量大到单个节点放不下时你不得不把数据切成片段分布到不同节点上。怎么切按 key 范围range sharding还是按哈希hash sharding切完之后跨分区的查询怎么路由数据倾斜了怎么再平衡复制和分区各自解决一个问题但放在一起会互相放大每个分区可能需要自己的复制策略节点角色主/从需要与分区拓扑协调。这就是「状态分散」的代价。时间先后顺序不再天经地义单机上代码执行顺序就是时间顺序。a 1在b a 1之前这是铁律。分布式系统里没有全局时钟。两台机器的本地时钟不可能完全同步NTP 也就毫秒级精度更重要的是——消息在网络中的到达顺序不保证。你无法通过「看时间戳」来判断两个事件谁先谁后。为此Leslie Lamport 在 1978 年提出了逻辑时钟Lamport Timestamps不关心墙上时间只关心事件的 happens-before 关系。但单一的逻辑时钟只能给出偏序partial order不能区分并发和因果。于是有了向量时钟Vector Clocks每个节点维护一个向量记录「我看到别人做了多少步」能精确判断任意两个事件的因果关系。时间的不确定性直接导致了一致性模型的光谱从最强的线性一致性Linearizability所有操作看起来瞬间完成到最终一致性Eventual Consistency「过一阵子总能一致」中间还有顺序一致性Sequential Consistency、因果一致性Causal Consistency等。它们之间的区别本质上就是「你愿意为『看起来有序』付出多少代价」。共识让一群节点达成一致难如登天空间让数据分散时间让顺序模糊这两个叠加在一起引出了分布式系统最难的问题共识Consensus。共识的形式有很多种面貌几台机器要选出一个 Leader领导者选举一个事务要跨多个数据库原子提交分布式事务多个客户端要互斥访问共享资源分布式锁。但它们本质上都是同一个问题——让一组互不信任、消息可能延迟或丢失的节点就某个值达成一致。FLP 不可能定理Fischer, Lynch, Paterson, 1985说了一句残酷的话在异步系统中只要有一个节点可能挂掉确定性共识就不可能。注意——它只说「确定性」共识不可能没说「概率性」也不行。Paxos 和 Raft 正是利用这一点用随机超时 多数派投票在工程上做到了足够可靠的共识。共识协议的经典答案是PaxosLamport, 1989和RaftOngaro, 2014。Paxos 正确性毋庸置疑但出了名的难以理解和实现。Raft 的贡献在于把共识拆成 Leader 选举、日志复制、安全性三个子问题分别处理可理解性好了一个数量级。Zookeeper 的 ZAB 协议走的也是类似路线强调顺序保证。分布式事务则从另一个维度处理共识——不是让节点就一个值达成一致而是让多个操作要么全成功要么全回滚。2PC两阶段提交是最朴素的想法先问所有人能不能做再通知所有人做不做。它的问题在于阻塞——协调者挂了参与者就悬着。3PC 加了一个超时机制减轻但不根治。Saga 和 TCC 走的是补偿路线把一个大事务拆成小步骤失败了反向补偿牺牲了隔离性换取了可用性。三个支柱是递进的空间、时间、共识不是三个平级的概念。空间最直观——「数据不在我这」你马上能感觉到。时间的混乱比空间隐蔽——很多系统看起来是空间问题查到最后是时钟偏差。共识则是空间和时间叠加后的终极挑战——正因为数据分散、消息不可靠才需要如此复杂的协议来让多个节点达成一致。理解了这三个支柱再回头看分布式系统里那些眼花缭乱的技术——Raft、向量时钟、Saga、一致性哈希、领导者选举——它们就不再是孤立的招式而是围绕同一个问题展开的不同回答。那个问题是多台机器要协同完成一件事但每台机器只能看到自己的局部状态。