[TOC] ## 概述 ## 故障與部分失效 在分布式系統中，盡管系統的其他部分工作正常，但系統的某些部分可能會以某種不可預知的方式被破壞。這被稱為**部分失效（partial failure）**。難點在于部分失效是**不確定性的（nonderterministic）** ## 云計算與超級計算機 * 許多與互聯網有關的應用程序都是**在線（online）**的，因為它們需要能夠隨時以低延遲服務用戶。使服務不可用（例如，停止群集以進行修復）是不可接受的。相比之下，像天氣模擬這樣的離線（批處理）工作可以停止并重新啟動，影響相當小。 * 超級計算機通常由專用硬件構建而成，每個節點相當可靠，節點通過共享內存和**遠程直接內存訪問（RDMA）**進行通信。另一方面，云服務中的節點是由商品機器構建而成的，由于規模經濟，可以以較低的成本提供相同的性能，而且具有較高的故障率。 * 大型數據中心網絡通常基于IP和以太網，以閉合拓撲排列，以提供更高的二等分帶寬【9】。超級計算機通常使用專門的網絡拓撲結構，例如多維網格和環面 【10】，這為具有已知通信模式的HPC工作負載提供了更好的性能。 （ 系統越大，其組件之一就越有可能發生變化。隨著時間的推移，破碎的東西得到修復，新的東西被破壞，但是在一個有成千上萬個節點的系統中，有理由認為總是有一些東西被破壞【7】。當錯誤處理策略由簡單的放棄組成時，一個大的系統最終會花費大量時間從錯誤中恢復，而不是做有用的工作【8】。 * 如果系統可以容忍發生故障的節點，并繼續保持整體工作狀態，那么這對于操作和維護非常有用：例如，可以執行滾動升級，一次重新啟動一個節點，而服務繼續服務用戶不中斷。在云環境中，如果一臺虛擬機運行不佳，可以殺死它并請求一臺新的虛擬機（希望新的虛擬機速度更快）。 * 在地理位置分散的部署中（保持數據在地理位置上接近用戶以減少訪問延遲），通信很可能通過互聯網進行，與本地網絡相比，通信速度緩慢且不可靠。超級計算機通常假設它們的所有節點都靠近在一起 ## 不可靠的網絡 即通過網絡連接的一堆機器。網絡是這些機器可以通信的唯一途徑——我們假設每臺機器都有自己的內存和磁盤，一臺機器不能訪問另一臺機器的內存或磁盤 ?**無共享**并不是構建系統的唯一方式，但它已經成為構建互聯網服務的主要方式，其原因如下：相對便宜，因為它不需要特殊的硬件，可以利用商品化的云計算服務，通過跨多個地理分布的數據中心進行冗余可以實現高可靠性 ## 真實世界的網絡故障 網絡的一部分由于網絡故障而被切斷時，有時稱為**網絡分區（network partition）**或**網絡斷裂（netsplit）**。在本書中，我們通常會堅持使用更一般的術語**網絡故障（network fault）**，以避免與[第6章](https://vonng.gitbooks.io/ddia-cn/content/ch6.html)討論的存儲系統的分區（分片）相混淆