【分布式理论】之 分布式系统挑战

所有可能出错的事情一定会出错。

作为开发者，我们的核心任务是构建可靠的系统，即使系统面临各种出错可能，也需要完成预定工作（确保满足用户期望）

一 故障与部分失效

---

1. 故障处理是软件设计的重要组成部分。

最好仔细考虑各种可能的出错情况，包括那些小概率故障，然后尝试认为构造这种测试场景来充分检测系统行为。

2. 在分布式系统中，怀疑，悲观和偏执狂才能生存。

（1）单节点

如果发生了某种内部错误，我们宁愿使计算机全部崩溃，而不是返回一个错误的结果，错误的结果往往更难处理。

（2）云计算

对于高性能计算，通常会定期对任务状态进行快照，然后保存在持久存储上，当某节点出现故障，解决方案是简单地停止整个集群的任务; 等故障节点修复之后，从最近的快照检查点继续执行。

从这一点看，它将局部失效升级为整体失效

二 不可靠的网络

---

（1）如何设置超时时间？

1. 普通做法

实验。

先在多台机器上，多次测量网络往返时间，以确定延迟的大概范围; 然后结合应用特点，在故障检测与过早超时时风险之间选择一个合适的中间值。

2. 更好的做法

超时设置并不是一个不变的常量

根据最新的响应时间分布来自动调整。

1. 可以用 Phi Accrual 故障检测器完成，该检测器目前已在Akka 和 Cassandra中使用

2. TCP的重传超时也采用了类似的机制

三 不可靠的时钟

---

网络上的每台机器都有自己的时钟硬件设备，通常是石英晶体振荡器

即每台机器都维护自己本地的时间版本，可能比其他机器稍快或更慢

可以在一定程度上同步机器之间的时钟，最常用的方法是：
网络时间协议（Network Time Protocol， NTP），它可以根据一组专门的时间服务器来调整本地时间。

（1）一个线程可能会暂停这么长时间嘛？

1. 垃圾收集器（GC）

有时运行期间会暂停所有正在运行的线程

2. 在虚拟化环境中，可能会暂停虚拟机

3. 终端机休眠或关机

4. 线程上下文切换时

5. 应用程序执行同步磁盘操作，则线程可能暂停并等待磁盘 I/O 完成

6. 如果操作系统配置了基于磁盘的内存交换分区，内存访问可能触发缺页中断，进而需要从磁盘中加载内存页

7. 通过发送SIGSTOP信号来暂停UNIX进行

参考资料

DDIA