28、分布式系统的挑战与应对

分布式系统的挑战与应对

1. 分布式系统的现实困境

在构建软件时，单台计算机上的程序行为通常是可预测的。当硬件正常工作时，相同的操作总是产生相同的结果，具有确定性。若出现硬件问题，往往会导致系统全面故障，如内核崩溃、蓝屏死机或无法启动等。计算机设计倾向于在内部出现故障时让系统完全崩溃，而非返回错误结果，因为错误结果处理起来既困难又容易让人困惑。

然而，当软件运行在通过网络连接的多台计算机上时，情况就截然不同了。分布式系统无法再依赖理想化的系统模型，必须直面现实世界中的各种问题。在分布式系统中，部分组件可能会以不可预测的方式出现故障，而其他部分仍能正常工作，这种情况被称为部分故障。部分故障具有不确定性，涉及多个节点和网络的操作有时能正常执行，有时却会意外失败，甚至无法确定操作是否成功，因为网络中消息传输的时间也是不确定的。

2. 不同计算系统的故障处理哲学

在构建大规模计算系统方面，存在不同的哲学理念，涵盖高性能计算（HPC）、云计算以及传统企业数据中心等不同类型。

系统类型	特点	故障处理方式
超级计算机	拥有数千个 CPU，用于计算密集型科学计算任务，如天气预报或分子动力学模拟，通常采用专用硬件，节点间通过共享内存和远程直接内存访问（RDMA）通信，使用专用网络拓扑结构	作业会定期将计算状态保存到持久存储中。若有节点故障，通常会停止整个集群工作负载，修复故障节点后从最后一个检