近幾章主要介紹系統如何處理錯誤。例如，我們討論了副本故障轉移，復制滯后和事務的并發控制。當我們理解實際系統中可能出現的各種邊界情況時，我們就能更好地處理它們。

前幾章雖然談論了很多關于錯誤的問題，但是還是太樂觀了。在本章中，我們將最悲觀地假設“任何可能出故障的，最終都會出故障”。

分布式系統編程與在單機上編寫軟件有本質區別——主要區別在于分布式系統中有很多新奇的可能出故障的方式。 本章中，我們將了解在實踐中出現的問題，并了解哪些我們可以依賴，哪些不行。

最后，作為工程師，我們的任務是構建能夠完成工作的系統（即滿足用戶所期望的保證），盡管各個部件都出錯了。 在第9章中，我們將看看可以在分布式系統中提供這種保證的算法的一些示例。 但首先，在本章中，我們必須了解我們面臨的挑戰。

本章是對分布式系統中可能出現的問題的悲觀和沮喪的概述。 我們將研究網絡問題（第277頁的“不可靠的網絡”）; 時鐘和時序問題（第287頁上的“不可靠的時鐘”）; 我們將討論它們可以避免的程度。 所有這些問題造成的后果都會讓人迷惑，因此我們將探討如何思考分布式系統的狀態以及如何推理已發生的事情（第300頁的“知識，真相和謊言”）。

錯誤和部分故障

當你在單機上寫程序時，它通常會以一種可預測的方式運行：要么正常工作，要么無法工作。有bug的軟件可能會讓人覺得電腦出問題了（通常重新啟動就能解決問題），但大部分還是軟件寫得不好的后果。

沒有什么根本原因能讓單機上的軟件表現得奇怪：當硬件正常工作時，相同的操作總是產生相同的結果（這是確定性的）。如果存在硬件問題（例如，內存損壞或連接器松動），其后果通常是整個系統失效（例如“藍屏死機”，無法啟動）。具有良好軟件的單機通常功能完好或完全損壞，而不在兩者之間。

這是計算機設計中的一個慎重選擇：如果發生內部故障，我們寧愿計算機完全崩潰，而不是返回錯誤的結果，因為錯誤的結果很難處理，并且令人困惑。因此，計算機隱藏了它們實現所依賴的模糊物理現實，并提出了一個理想化的系統模型，它可以與數學完美結合起來。CPU指令總是做同樣的事情; 如果你將一些數據寫入內存或磁盤，則該數據保持完好并且不會隨機損壞。 這種始終正確計算的設計目標可以追溯到第一臺數字計算機。

當你編寫運行在多臺計算機上并通過網絡連接的軟件時，情況完全不同。 在分布式系統中，我們不再處于理想系統模型中 - 我們別無選擇，只能面對物理世界的混亂現實。 而在現實世界中，正如這個軼事所示，各種各樣的事情可能會出錯：

在我有限的經驗中，我處理過單個數據中心（DC）中的長時間網絡分區，PDU（配電單元）故障，交換機故障，整個機架的意外電源故障，全DC主干故障，全DC 電力故障和一位低血糖駕駛員將他的福特皮卡撞進空調系統。我甚至不是一個運維人員。——Coda Hale

在分布式系統中，可能出現這樣的情況，盡管系統的其他部分工作正常，但系統的某些部分可能會以某種不可預知的方式出故障。這就叫做部分故障。該問題的難點在于部分故障是不確定的：如果你試圖做任何包含多個節點和網絡的事情，它可能有時工作正常，有時出現不可預知的故障。正如我們將要看到的，你可能甚至不知道某件事是否成功，因為消息在網絡中傳播所花費的時間也是不確定的！

這種不確定性和部分故障的可能性是分布式系統難以處理的原因。

云計算和超級計算

關于如何構建大型計算系統有一系列哲學：

規模的一端是高性能計算（HPC）領域。擁有數千個CPU的超級計算機通常用于計算密集型科學計算任務，站群服務器，如天氣預報或分子動力學（模擬原子和分子的運動）。

另一端是云計算，云計算沒有非常明確的定義，但通常與多租戶數據中心，連接IP網絡的商品計算機（通常是以太網），彈性/按需資源分配以及按時計費聯系在一起。

有了這些哲學，處理錯誤的方法就非常不同了。在超級計算機中，作業通常會對其計算狀態不時地做檢查點到持久存儲上。如果一個節點發生故障，通常的解決方案是簡單地停止整個集群工作負載。故障節點修復后，從上一個檢查點重新開始計算。因此，超級計算機更像是一臺單節點計算機而不是分布式系統：它通過升級為完全故障來處理部分故障 - 當系統的任何部分發生故障，簡單地讓整個系統崩潰（就像單機上的內核恐慌一樣）。

在本書中，我們重點介紹實現互聯網服務的系統，這些系統通常看起來與超級計算機有很大不同：