11. 延伸阅读与总结

一句话理解：分布式系统是 AI Infra 的底层语言；想要深入，必读《Designing Data-Intensive Applications》、Lamport 的时钟与 Paxos 论文、Raft 论文，以及 etcd/Ray/PyTorch Distributed 的官方文档。

11.1 必读书籍

书籍	作者	看点
Designing Data-Intensive Applications	Martin Kleppmann	复制、分区、事务、一致性与共识的系统化讲解
Distributed Systems（在线版）	Maarten van Steen & Andrew Tanenbaum	从基础概念到一致性协议
The Datacenter as a Computer	Luiz André Barroso 等	数据中心 scale、故障域、能耗

11.2 经典论文

论文	作者	看点
Time, Clocks, and the Ordering of Events in a Distributed System	Leslie Lamport, 1978	逻辑时钟、happens-before
Paxos Made Simple	Leslie Lamport, 2001	Paxos 的最清晰入门
In Search of an Understandable Consensus Algorithm (Raft)	Ongaro & Ousterhout, ATC'14	现代工程共识算法首选
Viewstamped Replication Revisited	Barbara Liskov & James Cowling	另一种复制状态机视角
Dynamo: Amazon's Highly Available Key-value Store	DeCandia et al., SOSP'07	Leaderless + Quorum + Gossip
Bigtable: A Distributed Storage System for Structured Data	Chang et al., OSDI'06	分片 + SSTable + 分布式协调
Spanner: Google's Globally-Distributed Database	Corbett et al., OSDI'12	TrueTime + 外部一致性
The Google File System	Ghemawat et al., SOSP'03	大规模分布式文件系统
MapReduce: Simplified Data Processing on Large Clusters	Dean & Ghemawat, OSDI'04	分布式计算编程模型
ZooKeeper: Wait-free coordination for Internet-scale systems	Hunt et al., ATC'10	分布式协调服务
Large-scale cluster management at Google with Borg	Verma et al., EuroSys'15	超大规模调度与状态管理
Ray: A Distributed Framework for Emerging AI Applications	Moritz et al., OSDI'18	AI 场景分布式运行时
Falcon: Replacing Fragmented Datasets with Distributed Shared Memory	Kim et al., NSDI'24	AI 训练中的分布式共享内存

11.3 官方文档与源码

资源	说明
etcd 官方文档	Raft 实现与运维必读
etcd Raft 源码	生产级 Raft 实现
Ray 官方文档	ownership、GCS、fault tolerance
PyTorch Distributed	DDP/FSDP/c10d/Elastic
Kubernetes 官方文档	etcd、controller、scheduler 设计
NCCL 文档	GPU 集合通信
MLflow Tracking Server	分布式实验追踪

11.4 相邻主题交叉引用

主题	关系	链接
Linux 系统与性能调优	单机 OS 底座	总览
计算机网络	网络分区、RPC、消息传递	总览
存储系统	CAP、复制、一致性、对象存储	总览
Kubernetes	etcd/Raft、controller、watch	总览
Ray	ownership、GCS、对象存储、lineage	总览
Google 案例研究	Borgmaster/Paxos、GFS/Bigtable	总览
Meta 案例研究	ZippyDB/Paxos、Twine 调度	总览

11.5 推荐学习路径

1. 第 1 周：精读本章 01-05 节，理解 CAP、一致性谱系、Raft、quorum、2PC。
2. 第 2 周：读 06 源码分析 + 07 Mini Demo；本地运行分布式系统模拟器。
3. 第 3 周：读 08-09 生产实践与最佳实践；结合你所在的 K8s / 训练 / 推理平台做 CAP 决策树练习。
4. 第 4 周：读 10 面试题；挑 3-5 题用白板或文档写出完整答案；阅读 DDIA 相关章节和 Raft 论文。

11.6 一句话总结

分布式系统是 AI Infra 的“操作系统”：它把不可靠的网络、节点、时钟组织成可靠的计算、存储、协调能力。掌握它，才能真正理解 Kubernetes、Ray、FSDP、对象存储和超大规模训练平台为什么这样设计。

本章小结

• 经典书籍和论文是深入理解分布式系统的不二法门。
• etcd Raft 源码、Ray 文档、PyTorch Distributed 文档是 AI Infra 工程师的实战参考。
• 本主题与 Linux、网络、存储、Kubernetes、Ray、案例研究形成完整知识闭环。