分布式系统中的自修复困境：故障纠正与容错

通过异步通信交互的大规模自治代理去中心化系统常面临如下自修复困境：故障检测继承了网络不确定性，使得远程故障进程与慢进程难以区分。在无故障的慢进程情况下，故障纠正并不可取，因为它可能引发新的故障，而容错作为一种更主动的系统维护方式可防止此类故障。但在实际故障进程情况下，若仅采取容错而不最终纠正持续性故障，会导致系统性能不佳。鉴于分布式账本、边缘计算以及若干能源、交通与健康应用中的物联网的兴起，度量、理解并解决此类自修复困境是一项紧迫挑战与关键需求。本文提出了一种新颖且通用的运行时故障场景建模方法。该模型用于精确度量与预测由故障纠正与容错的不良后果所引发的不一致，从而在设计阶段改善大规模去中心化系统的自修复能力。我们设计了一套严谨的实验方法，在由 3000 个节点组成的原型去中心化网络中评估了 696 种不同故障规模、故障轮廓与故障检测阈值的实验设置。在网络中收集了近 900 万次不一致测量，其中每个节点监测另一节点的健康状态，而两者均可能发生异常。所建故障场景模型的预测性能在一个具有挑战性的去中心化动态网内数据聚合应用情景中得到验证，该情景使用来自智能电网试点项目的真实数据。研究结果证实了设计阶段不一致的成因。