保証の前提になる故障の範囲
障害モデルは、システムの参加者や通信がどのように失敗しうるかを定めます。停止して以後動かないクラッシュ停止、再起動して一部の状態を失うクラッシュ回復、任意の内容を送る可能性を含むビザンチン故障は異なる前提です。あるモデルで安全性を示したアルゴリズムが、別のモデルでもそのまま安全とは限りません。保存装置に残る状態、複数ノードが同時に故障する範囲、通信経路の分断も含め、守りたい保証と同じ具体性で前提を書きます。
遅い応答と停止は観測だけで区別しにくい
AがBへ要求を送り、期限まで応答が来ない例を考えます。Bが停止した、経路が分断された、要求や応答が遅れた、Bが長い処理をしている、といった説明が残ります。メッセージ遅延に既知の上限がない非同期モデルでは、有限時間の無応答だけから停止を確実に証明できません。タイムアウトは行動を決めるための検知器として役立ちますが、誤疑いを含めた設計が必要です。短くすれば検知は早まりうる一方、遅いだけの相手を除外する可能性も増えます。
タイミングと故障の種類を混同しない
同期モデルは処理や通信に既知の時間上限を置き、部分同期では一定の時点以後などに上限が成り立つ前提を使います。これはノードが任意の嘘をつくかどうかとは別の軸です。クラッシュ故障だけを扱う合意方式でも、進行のためには十分な期間の通信と参加者の到達性が必要になります。安全性は誤った結果を許さない性質、活性は最終的な進行に関する性質として分けます。停止せず待ち続ける動きが、安全性の違反でなく活性の問題になる場合があります。
故障注入はモデルに沿って読む
検証ではプロセス終了、再起動、通信の遮断や遅延などを別々に注入し、どの性質を確かめたか記録します。一度の停止試験で、任意のビザンチン故障や全組み合わせへの耐性が示されたわけではありません。リーダーを切り替える場合は、古いリーダーが遅れて再開する状況も考え、書き込みの権限をフェンシングなどで制限します。観測だけで相手が永久に消えたと決めず、復帰後にも不変条件を守る設計にします。試験結果は実施した条件に限定して報告し、理論上の前提と運用の現実の差を確認します。