系統要對故障做出反應，前提是先及時偵測到故障。但在非同步系統裡這件事極難——沒有任何時間假設時，你無法判斷一個程序是已經崩潰、只是慢、還是需要很久才回應。故障偵測器就是那個負責替演算法「判死」的本地子系統：把不可達的程序排除掉，同時盡量守住 liveness 與 safety。這一頁只談一件事——怎麼判定一個節點死了。
🧠 Intuition
TIP
故障偵測器 (failure detector) 是每個節點本地的一個子系統，負責辨識「哪些程序故障或不可達」並把它們踢出演算法。它天生做不到完美，因為「慢」與「死」在非同步系統裡無法確切區分——所以務實的偵測器不追求「判對」，而是在偵測得夠快與別誤判之間取一個平衡。
- 判死的兩種原始手段：Ping（我主動發訊息去問「你還在嗎」）與 Heartbeat（你主動週期性告訴同伴「我還活著」）。
- 每個程序維護一份其他程序的清單（存活 / 死亡 / 可疑 (suspected)），並記下每個程序最後一次回應的時間；久未回應者先標 suspected，而不是立刻判死。
- 核心難題：確認訊息一旦被延遲，就可能把仍然存活的程序誤標為故障（false positive）——這是所有 heartbeat + timeout 方案的通病。
⚖️ Tradeoffs
Heartbeat vs Ping — 誰主動、看不到全貌
- Ping：由監控方主動發訊息、等確認；Heartbeat：由被監控方主動週期性報平安。兩者都是週期性機制。
- 每個程序對其他程序維護「存活 / 死亡 / 可疑」三態，並記錄最後回應時間；逾時未回應先進可疑狀態。
- 侷限：這類方案的精確度完全取決於 ping 頻率與 timeout 的挑選，而且它只看得到「我到對方」這一條邊——捕捉不到其他程序眼中對方的可見性。
逾時調參 — completeness 完整性 vs accuracy 準確性
- 這是故障偵測的根本取捨：completeness（真的故障都要被抓到）與 accuracy（別把活著的判成死）無法兼得。
- 更高效（偵測更快、更積極判死）的演算法往往不夠精確；更精確的演算法通常效率較低（判得慢）。
- 逾時設短 → 偵測快但誤判多；設長 → 少誤判但故障拖著沒被發現。挑 ping 頻率與 timeout，本質就是在這條線上選一個點。
Phi-Accrual — 不判是非，輸出連續的疑似度
- 與把節點故障當成二元問題（活/死）不同，φ-accrual 用一條連續刻度來表達「此刻它崩潰的機率」。
- 機制：維護一個滑動視窗收集最近 heartbeat 的到達時間，據此算出 suspicion level φ——代表在目前網路條件下，偵測器對「它故障了」有多大把握。
- 好處是自適應：把「多晚算晚」交給實際觀測到的抵達分佈決定，而不是寫死一個 timeout；由 JAIST 的研究者提出，Cassandra、Akka 都在用。
Outsourced Heartbeats（SWIM）— 借別人的眼睛間接確認
- SWIM（Scalable Weakly-consistent Infection-style process group Membership）用外包心跳提升可靠度：P1 ping 不到 P2 時，不急著判死。
- 流程：P1 隨機挑幾個成員（如 P3、P4），委託它們代為 ping P2；只要 P2 對其中任何一個有回應，確認就轉發回 P1。
- 價值：綜合直接與間接可達性、把判斷責任分散出去，壓低單一路徑抖動造成的誤判；而且節點不需認識網路上所有人，只要知道自己已連接的 peers 子集。
Gossip 式偵測 — 用多方聚合取代單一觀點
- 為了不依賴單一節點的視角，gossip-style 偵測讓每個成員維護一張含其他成員 heartbeat 計數器與 timestamp 的清單。
- 流程：每個成員週期性地把自己的計數器 +1，並把整張清單散播給隨機鄰居；收到的鄰居把它與自己的合併、取較新的計數。若某節點的計數器在夠長時間內都沒被更新，就視為故障。
- 因為叢集的判斷是多節點觀點的聚合，它不只抓得到崩潰的節點，還能抓到那種「沒有任何人連得上」的節點。
反向思路（FUSE）— 把「沉默」當成傳播故障的訊號
- FUSE 專注於可靠且低成本地傳播故障，即使網路分割也能運作：把所有活躍程序編成群組，一個成員不可用就讓全群組都偵測到。
- 機制：群組內成員互相週期性 ping；一旦某成員無法回應，發起 ping 的成員自己也跟著停止回應——故障就從源頭一路擴散。
- 巧思在於利用「通訊的缺失」本身當傳播手段：每個成員都保證會得知群組故障並據以反應，把單點故障轉化為 group failure。
🔑 Takeaways
- 故障偵測難的根源是非同步下「慢」與「死」不可區分——所以偵測器的目標不是判對，而是在 completeness（別漏抓故障） 與 accuracy（別誤殺活人） 之間取捨。
- 最基本的手段是 heartbeat / ping + timeout，久未回應先標 suspected；但精確度綁死在頻率與 timeout 的挑選上，且延遲會製造 false positive。
- φ-accrual 的進步在於把二元判死換成連續疑似度、隨觀測到的心跳分佈自適應，Cassandra、Akka 採用。
- 要壓低單一觀點的誤判，就引入更多觀點：SWIM 用外包心跳做間接確認、gossip 聚合多方心跳表、FUSE 反過來用沉默傳播群組故障。
No notes yet — jot your takeaways or Q&A here.