Worker 节点故障如何检测与恢复？Pending vs In-progress 任务分别怎么处理，checkpointing 有什么用？

How do you detect and recover from worker failures? How do you handle pending vs in-progress jobs, and what is checkpointing for?

题目类型: 技术面试题

这是一道技术面试题，常见于澳洲IT公司面试中。

难度: medium

分类: System Design

标签: worker-failure, heartbeat, health-check, checkpointing

参考答案摘要

答案 故障检测常用两类机制： Heartbeat ：worker 周期性上报心跳，Coordinator 连续多次未收到则判定 unhealthy。 Health checks ：Coordinator 主动探测 CPU/内存/磁盘/网络等，识别过载或失联。 恢复时要区分： Pending（未开始） ：直接重新入队，交给其他 worker 领取。 In-progress（执行中） ：可能已产生部分...

本题提供 STAR 原则详细解答和技术解析，登录匠人学院学习中心即可查看完整答案。