之前的文章我們大多都是在談系統 出錯 了怎麼辦，諸如 節點掛掉怎麼做、做副本 (replication) 時 Lag 怎麼辦 等等等等；一切就只是希望讓工程師們意識到，邊界條件（鬼故事）在現實世界中是會發生的，先了解，才能更好的處理它們。

分散式系統會因為各種原因出錯，所以從這章開始，是時候要把鬼故事升級成魔王故事了，我們將談談更多可能會發生的錯誤，用最大力氣假設系統若會故障就真的會故障，就像投資時要全盤考量各種風險那樣（但有些人沒在管）。

接下來我們會有最經典的網路問題、時鐘精度問題，最後就是在分散式系統中最有趣的，有關節點狀態的真與假，但首先先談談部份故障為何吧！

故障和部份故障 (Faults and Partial Failures)

當你寫一段程式在單一台電腦上，它的結果很好預測，成功執行或失敗；一個執行在獨立電腦的好軟體沒有道理會起肖（除非你看太多奇怪東西中毒了），當你的硬體正常運作時，相同的操作會得到相同的結果，但當你硬體發生問題時（例如記憶體損壞、某條排線鬆脫等等），其結果就是整個作業系統故障（例如 windows 的藍色當機畫面），一個好軟體在獨立電腦上執行的結果，要嘛正常，要嘛故障，沒有中間的。

當你的軟體開始執行在多台電腦上時，用網路連接，這情況就不一樣了，我們並不是在一個理想化系統模型中運行；在分散式系統中，總是有很多意想不到的方式出錯（例如有人不小心把某一機櫃的網路線拔掉了），稱為 部份故障 (partial failure)，部份故障是不確定的。

雲端運算和超級運算 (Cloud Computing and Supercomputing)

這裡有幾個關於如何建立大規模運算系統的哲學：

• 一邊是有著高效能計算 (High-performance computing) 能力的超級電腦們，它們有上千顆 CPU 用在需要密集科學資料運算的任務上，如天氣預測或分子動力計算。
• 而另一邊是雲到極致的雲端計算，透過網路串連。
• 傳統企業用資料中心落在上面 2 個極端之間。

這些哲學處理故障的方式很不一樣，超級電腦在任務中會時不時地建立狀態檢查點，當某台節點故障，通常的解法就是停止整個叢集，修復節點，然後從檢查點繼續計算，就像獨立電腦當機的意思一樣。

而雲端運算的分散式系統就必須要考量部份故障的可能性，軟體必須要有容錯機制，我們需要從不可靠的元件中建立可靠的系統 (2020 Day 2 - Reliable)，儘管你的系統只跑在幾個節點中也是一樣。

明天就要開始進入最經典的網路問題啦！