7.4 故障检测与恢复
并行批处理
1. 知识点论述
「7.4 故障检测与恢复」是《分布式计算系统》并行批处理部分的核心知识点。把大批量计算拆开调度，并在失败时可靠恢复。本知识点首先把握：规模越大，故障越常见。心跳、历史预测、Gossip 都可用于检测。学习时请把它放回整门课主线——把独立计算机组织成对用户像一台机器的系统，并用通信、数据放置、复制、容错与调度把这件事做可靠。
2. 视频教程
Spark 的 cache 与 checkpoint
3. 知识点详解
下面围绕本知识点展开要点说明，建议结合上方视频边看边对照。
- 规模越大，故障越常见。心跳、历史预测、Gossip 都可用于检测。
- 独立检查点：各自存档，可能出现孤儿消息，连续回滚会变成多米诺效应。
- 协调检查点：Chandy-Lamport 在系统继续运行时记录进程状态和通道消息，得到一致快照。
- 消息日志：记录消息，减少必须回滚的距离；悲观日志在发送前先落盘。
- 前向恢复：不回到旧状态，从当前错误状态设法继续向前。
学习建议：先抓住定义与问题，再理解机制步骤，最后对照应用场景思考“何时用、何时不用、代价是什么”。
4. 应用场景
- 检查点与消息日志用于长作业容错。
- Chandy-Lamport 一致快照思想。
- 前向恢复适用于可补偿业务。