分布式系统很少以单一整体发生故障。更常见的情况是：某个依赖项变慢、某个分片不可用、某个区域容量丢失，或某个资源池饱和，而邻近组件仍保持健康。工程挑战不仅在于可用性，更在于防止局部缺陷演变为系统级事件。Google 的 SRE 指南将级联故障描述为正反馈过程：丢失的容量将负载转移至幸存容量，直至更多组件发生故障。韧性设计必须尽早、以低成本、在足够窄的边界处打断这一循环，从而在其他地方保留有用工作。