Trouble with Distributed Systems (1)

从 2020 Day 21 - Replication 开始到现在，我们大多都是在谈系统出错了怎麽办，诸如节点挂掉怎麽做、做副本 (replication) 时 Lag 怎麽办 等等等等；一切就只是希望让工程师们意识到，边界条件（鬼故事）在现实世界中是会发生的，先了解，才能更好的处理它们。

分散式系统会因为各种原因出错，所以从这章开始，是时候要把鬼故事升级成魔王故事了，我们将谈谈更多可能会发生的错误，用最大力气假设系统若会故障就真的会故障，就像投资时要全盘考量各种风险那样（但有些人没在管）。

接下来我们会有最经典的网路问题、时钟精度问题，最後就是在分散式系统中最有趣的，有关节点状态的真与假，但首先先谈谈部份故障为何吧！

故障和部份故障 (Faults and Partial Failures)

当你写一段程序在单一台电脑上，它的结果很好预测，成功执行或失败；一个执行在独立电脑的好软件没有道理会起肖（除非你看太多奇怪东西中毒了），当你的硬体正常运作时，相同的操作会得到相同的结果，但当你硬体发生问题时（例如记忆体损坏、某条排线松脱等等），其结果就是整个作业系统故障（例如 windows 的蓝色当机画面），一个好软件在独立电脑上执行的结果，要嘛正常，要嘛故障，没有中间的。

当你的软件开始执行在多台电脑上时，用网路连接，这情况就不一样了，我们并不是在一个理想化系统模型中运行；在分散式系统中，总是有很多意想不到的方式出错（例如有人不小心把某一机柜的网路线拔掉了），称为 部份故障 (partial failure)，部份故障是不确定的。

云端运算和超级运算 (Cloud Computing and Supercomputing)

这里有几个关於如何建立大规模运算系统的哲学：

• 一边是有着高效能计算 (High-performance computing) 能力的超级电脑们，它们有上千颗 CPU 用在需要密集科学资料运算的任务上，如天气预测或分子动力计算。
• 而另一边是云到极致的云端计算，透过网路串连。
• 传统企业用资料中心落在上面 2 个极端之间。

这些哲学处理故障的方式很不一样，超级电脑在任务中会时不时地建立状态检查点，当某台节点故障，通常的解法就是停止整个丛集，修复节点，然後从检查点继续计算，就像独立电脑当机的意思一样。

而云端运算的分散式系统就必须要考量部份故障的可能性，软件必须要有容错机制，我们需要从不可靠的元件中建立可靠的系统 (2020 Day 2 - Reliable)，尽管你的系统只跑在几个节点中也是一样。

明天就要开始进入最经典的网路问题啦！