分布式系统中的失败模型
本文是FAILURE MODES IN DISTRIBUTED SYSTEMS 的阅读笔记。Linux中有个哲学，如果有动静（错误），就把动静闹大点。对错误遮遮掩掩，只能掩盖更大的错误。本文提到的几种失败模型，最彻底的失败要好过摇摆不定的失败，因为前者的确定性更大。大的确定性利于发现问题。例如：引发Segment fault的内存越界，比写花相邻内存，系统持有错误数据要好，因为没法确定内存是什么时候写花的。
1 几种失败模型
- 拜占庭失败 Byzantine or arbitrary failures
这种失败发生时，它可能向部分节点发消息说 φ 是 true ，但是向另一部分发消息说 φ 是 false 。此外，它还发布其节点的虚假信息，例如，节点S的状态是 true ，但是S的真实状态是 false 。
这种失败模型，不确定性奇高，失败的节点完全不可理喻。
- 做了认证的拜占庭失败 Authentification detectable byzantine failures
此时，失败节点不能发布其它节点的虚假消息
- 性能失败 Performance failures
节点能正确响应，但是不能在指定时间内响应。
- 遗漏失败 Omission failures
上一种情况的特例，响应无限延迟，没有响应。
- 崩溃失败 Crash failures
发生一次遗漏失败，后续一直遗漏失败。
- “失败-停止”/Fail-stop failures/
这是确定性最高的失败，表现同崩溃失败，但是其它正常节点都能确定该节点失败了。
2 失败模型之间的关系
上述几种失败模型，从上到下，确定性逐步提高。分布式系统中，失败无可避免，但是要提高失败的确定性。
可以把失败模型分为一致性失败 Consistent failures 和 不一致失败 Inconsistent failures 。对于前者，失败节点向所有剩余节点表现出失败，对于后者，失败节点向部分节点表现出失败，向部分节点不表现出失败。显然前者的确定性更高。
作者在文章中用了服务器server，我觉得节点表述稍微恰当，一个服务器部署多个节点时，更又可能出现上述情况。
还可以把失败分为数据失败 Value failures 和响应时长失败 Timing failures ，对于有状态的分布式系统，前者可能已经破坏了数据完整性。