共模失效與異質載體韌性

廣義相位交流中的相關失效、共享依賴、冗餘極限與多樣性—互通性權衡

英文題名： Common-Mode Failure and Heterogeneous Carrier Resilience: Correlated Failures, Shared Dependencies, Redundancy Limits, and the Diversity–Interoperability Tradeoff in Generalized Phase Communication
系列： 廣義相位交流與載體安全（Generalized Phase Communication and Carrier Safety, GPC-CS）
Paper： 08
作者： Neo.K（許筌崴）
機構： EveMissLab／一言諾科技有限公司
理論協作： Aletheia（GPT-5.6 Sol）
版本： v1.0
日期： 2026-08-14
狀態： Public Theoretical Paper / Non-operational Safety Theory

摘要

Paper 00–07 已逐步建立廣義相位交流的單載體、雙載體與跨載體安全理論。本文把研究提升至多載體群體層，處理一個在冗餘系統中極容易被低估的問題：節點數量增加，為什麼不一定能讓系統風險趨近於零？

本文的核心回答是：冗餘的效益取決於失效是否真的具有足夠低的相關性。對 $N$ 個載體，令：

F_i\in\{0,1\}

表示載體 $i$ 在指定時間窗與安全規格下是否失效。總失效數：

K = \sum_{i=1}^{N}F_i.

則：

\mathbb E[K] = \sum_i p_i,

而其方差為：

\boxed{ \operatorname{Var}(K) = \sum_i p_i(1-p_i) + 2 \sum_{i<j} \operatorname{Cov}(F_i,F_j). }

因此，增加節點並不會消除由正相關所造成的群體波動。對等失效率 $p$ 與等 pairwise correlation $\rho$ 的簡化模型，平均失效比例：

\bar F_N = \frac1N \sum_{i=1}^{N}F_i

滿足：

\boxed{ \operatorname{Var}(\bar F_N) = p(1-p) \left[ \rho + \frac{1-\rho}{N} \right]. }

所以若 $\rho>0$ ，即使：

N\rightarrow\infty,

仍有：

\boxed{ \operatorname{Var}(\bar F_N) \rightarrow \rho p(1-p)>0. }

本文稱此為相關冗餘底限（correlation floor of redundancy）：只增加同質節點，無法把共模不確定性平均掉。

第二，本文建立一個最小 common-cause mixture model。令：

Z\sim\operatorname{Bernoulli}(q)

表示某個 common-cause event；當 $Z=1$ 時，全部 $N$ 個節點失效；當 $Z=0$ 時，各節點以獨立機率 $p$ 失效。若系統至少需要 $k$ 個節點正常工作，則系統失效機率為：

\boxed{ P_{\mathrm{sys}} = q + (1-q) \sum_{j=N-k+1}^{N} \binom Nj p^j(1-p)^{N-j}. }

因此：

\boxed{ P_{\mathrm{sys}}\ge q. }

不論增加多少冗餘，只要 common-cause probability $q$ 不下降，系統風險都具有不可由單純複製消除的 floor。

第三，本文拒絕把「異質」直接等同於「獨立」。對每個載體定義結構描述：

\zeta_i = ( \zeta_i^{\mathrm{sub}}, \zeta_i^{\mathrm{impl}}, \zeta_i^{\mathrm{model}}, \zeta_i^{\mathrm{data}}, \zeta_i^{\mathrm{trans}}, \zeta_i^{\mathrm{memory}}, \zeta_i^{\mathrm{dep}}, \zeta_i^{\mathrm{update}} ).

兩載體的結構距離：

H_{ij} = d_{\zeta}(\zeta_i,\zeta_j)

只能表示可觀察的設計異質性。本文給出反例：即使 $H_{ij}$ 極大，只要所有節點依賴同一上游資源 $D^\star$ ，當 $D^\star$ 失效時仍可全部同時失效。因此：

\boxed{ \text{structural heterogeneity} \not\Rightarrow \text{failure independence}. }

真正需要研究的是依賴感知異質性（dependency-aware heterogeneity）。

第四，本文引入共享依賴超圖：

\mathcal H_D = (V,\mathcal D,E_D),

其中 $V$ 是載體節點， $\mathcal D$ 是共享依賴因子。定義節點 $i$ 的依賴集合：

D_i \subseteq \mathcal D,

以及 pairwise dependency overlap：

\boxed{ \Omega_{ij} = \frac{ \sum_{d\in D_i\cap D_j}w_d }{ \sum_{d\in D_i\cup D_j}w_d }. }

$\Omega_{ij}$ 不是 failure correlation 的充分統計量，但可作為「結構共模曝險」的一個顯式指標。本文強調：真正的異質化不是讓外觀不同，而是盡可能減少會造成同一失效因子的共享脆弱切面。

第五，本文把異質載體群的安全寫成 quorum / $k$ -out-of- $N$ 形式，但加入 Paper 01 的 relation constraints。令：

S_i(\mathbf X) = \mathbf 1 [ x_i\in\mathcal S_i ]

為本地安全指標。最簡單的 quorum safe set 是：

\sum_iS_i\ge k.

但 GPC-CS 的全域安全仍須加入關係約束：

\boxed{ \mathcal S_{G,k}^{\star} = \left\{ \mathbf X: \sum_iS_i(\mathbf X)\ge k \right\} \cap \mathcal C_G. }

這表示「足夠多節點還活著」仍不保證整個相位網路安全；剩餘節點之間的耦合、同步、容量與轉導關係也必須保持合法。

第六，本文建立多樣性—互通性權衡。異質化可以降低某些 shared-mode correlation，但也可能增加：

Paper 02 的轉導錯配；
Paper 03 的介面／容量成本；
Paper 05 的 cross-gain 不確定性；
Paper 06 的 recovery complexity；
Paper 07 的 continuity alignment difficulty。

因此本文不建立「異質度越高越好」的單調公理，而以雙目標甚至多目標向量表示：

\boxed{ \mathcal R_{\mathrm{het}} = ( R_{\mathrm{corr}}, R_{\mathrm{dep}}, R_{\mathrm{trans}}, R_{\mathrm{coord}}, R_{\mathrm{rec}} ). }

其設計目標是 Pareto tradeoff，而不是最大化某一個 diversity scalar。這與現代 ensemble theory 對「diversity 不是越大越好，而是 bias–variance–diversity tradeoff」的研究方向一致。

本文不提供任何繞過安全、製造共模失效、針對共享依賴的攻擊方法或具體部署方案。本文只建立一個群體安全理論：冗餘只有在失效相關結構與共享依賴被同時考慮時，才具有可證明的韌性意義。

關鍵詞： 共模失效、相關失效、異質載體、冗餘、N-version programming、common-cause failure、共享依賴、quorum、ensemble diversity、韌性、廣義相位交流

0. 文獻定位與非目標

設計多樣性與多版本容錯並不是新概念。

Avizienis 的 N-version programming 路線希望透過獨立開發的多個軟體版本，使單一設計錯誤不致同時破壞所有版本。但 Knight 與 Leveson 1986 年的經典實驗直接檢驗「獨立開發是否帶來失效獨立」這個核心假設，並發現不能安全地把多版本 failures 當成統計獨立。NASA 後續大型 multi-version software 實驗也使用 dependent-failure model 重新分析冗餘效益。

這個歷史對本文很重要，因為它說明：

\boxed{ \text{independent development} \neq \text{independent failure}. }

現代 ensemble learning 也得到類似但更細緻的教訓。Diversity 可以改善某些 ensemble error / robustness 性質，但統一 diversity 理論強調，diversity 與 bias、variance、fit 形成 tradeoff，不能把「最大 diversity」本身當作普遍最佳目標。2025 年 adversarial ensemble learning 仍持續研究 diversity decomposition，表示這仍是活躍問題。

本文不重新發明 software diversity、ensemble diversity、common-cause failure 或 reliability theory。

本文的新增工作是把這些概念嵌入 GPC-CS，研究：

載體失效 correlation；
shared transducer / decoder / memory / update dependency；
heterogeneous carrier groups；
relation-safe quorum；
diversity-induced interoperability cost；
Paper 00–07 的安全量如何在群體層重新耦合。

1. 群體失效向量

考慮 $N$ 個載體：

V = \{ 1,\ldots,N \}.

在某指定時間窗、輸入分布與安全規格下，定義：

F_i = \begin{cases} 1, & \text{載體 }i\text{ 失效},\\ 0, & \text{otherwise}. \end{cases}

令：

p_i = \mathbb P(F_i=1).

失效向量：

\boxed{ \mathbf F = (F_1,\ldots,F_N)^\top. }

總失效數：

K = \sum_{i=1}^{N}F_i.

2. 期望失效數與相關失效

由線性期望：

\boxed{ \mathbb E[K] = \sum_{i=1}^{N}p_i. }

注意：

\mathbb E[K]

本身不依賴 failures 是否相關。

但 uncertainty / tail risk 會依賴 correlation。

3. 失效總數方差定理

定理 3.1

\boxed{ \operatorname{Var}(K) = \sum_{i=1}^{N} p_i(1-p_i) + 2 \sum_{i<j} \operatorname{Cov}(F_i,F_j). }

證明

由：

K = \sum_iF_i

以及一般方差展開：

\operatorname{Var} \left( \sum_iF_i \right) = \sum_i\operatorname{Var}(F_i) + 2\sum_{i<j}\operatorname{Cov}(F_i,F_j).

Bernoulli 變量有：

\operatorname{Var}(F_i) = p_i(1-p_i).

代入即得。

證畢。

4. 為什麼 correlation 是冗餘核心

若：

\operatorname{Cov}(F_i,F_j)>0,

則某些失效傾向共同發生。

因此冗餘群體的 tail behavior 不再由：

p_i

單獨決定。

即使所有：

p_i

都很小，

只要 cross-covariance 很大，

多節點同時失效的機率仍可能顯著增加。

因此：

\boxed{ \text{marginal reliability} \neq \text{systemic resilience}. }

5. 等相關 Bernoulli 模型

為了得到清楚解析式，先考慮簡化模型：

p_i=p

對所有 $i$ ，

且對：

i\neq j

有：

\operatorname{Corr}(F_i,F_j) = \rho.

因此：

\operatorname{Cov}(F_i,F_j) = \rho p(1-p).

定義平均失效比例：

\bar F_N = \frac1N \sum_iF_i.

6. 相關冗餘底限定理

定理 6.1

在上述等失效率、等 pairwise correlation 模型中：

\boxed{ \operatorname{Var}(\bar F_N) = p(1-p) \left[ \rho + \frac{1-\rho}{N} \right]. }

證明

由定理 3.1：

\operatorname{Var}(K) = Np(1-p) + N(N-1) \rho p(1-p).

兩邊除以：

N^2.

得到：

\operatorname{Var}(\bar F_N) = p(1-p) \left[ \frac1N + \frac{N-1}{N}\rho \right].

整理：

= p(1-p) \left[ \rho + \frac{1-\rho}{N} \right].

證畢。

7. Correlation Floor

若：

\rho>0,

則：

\boxed{ \lim_{N\rightarrow\infty} \operatorname{Var}(\bar F_N) = \rho p(1-p) >0. }

如果：

\rho=0,

則：

\operatorname{Var}(\bar F_N) = \frac{p(1-p)}N \rightarrow0.

因此：

\boxed{ \text{redundancy averages independent noise;} }

但：

\boxed{ \text{redundancy does not average away a persistent common component.} }

本文稱：

\rho p(1-p)

為這個簡化模型中的 correlation floor。

8. 等相關模型只是示意

並非所有 Bernoulli correlation matrix 都能對任意 $(p,\rho,N)$ 合法存在。

而且實際載體 failures：

不等概率；
不等相關；
可能具有高階 dependence；
可能由 latent common cause 產生；
correlation 也可能隨時間與輸入改變。

因此定理 6.1 是一個解析示例，不是全域 common-mode failure law。

真正一般模型應保留：

\Sigma_F = \operatorname{Cov}(\mathbf F).

9. Failure Covariance Matrix

定義：

\boxed{ \Sigma_F = \mathbb E \left[ (\mathbf F-\mathbf p) (\mathbf F-\mathbf p)^\top \right]. }

其中：

\mathbf p = (p_1,\ldots,p_N)^\top.

對任意權重：

w \in \mathbb R^N,

加權失效量：

L=w^\top\mathbf F

滿足：

\boxed{ \operatorname{Var}(L) = w^\top\Sigma_Fw. }

因此系統對哪些 correlation modes 最敏感，可由：

\Sigma_F

與系統 functional weights 共同決定。

10. Dominant Correlated Failure Mode

若：

\Sigma_F v_1 = \lambda_1v_1,

其中：

\lambda_1

是最大特徵值，

則：

v_1

表示失效 covariance 中最強的線性 collective mode。

定義：

\boxed{ R_{\mathrm{mode}} = \frac{ \lambda_1 }{ \operatorname{tr}(\Sigma_F) } }

作為一個簡化 dominant-mode concentration。

若：

R_{\mathrm{mode}} \approx1,

表示大部分 failure variance 集中在少數共同方向。

但它仍不是 causal common-cause identification。

11. Correlation 不等於 Common Cause

兩個節點高度相關失效可能來自：

共同上游資源；
相同輸入難例；
相同模型架構；
相同轉導器；
直接互相耦合；
第三個 latent variable；
偶然統計相關。

因此：

\boxed{ \text{correlation} \neq \text{causal common cause}. }

Paper 08 需要同時保留 statistical layer 與 dependency layer。

12. Common-Cause Mixture Model

令：

Z \sim \operatorname{Bernoulli}(q)

表示 common-cause event。

當：

Z=1,

所有：

F_i=1.

當：

Z=0,

假設：

F_i \overset{\mathrm{iid}}{\sim} \operatorname{Bernoulli}(p).

這是一個故意極簡的 common-cause mixture。

13. $k$ -out-of- $N$ 系統

若系統要求至少：

k

個載體正常，

則系統失效等價於：

\#\{\text{failed nodes}\} \ge N-k+1.

在 $Z=0$ 時，失效數為：

J \sim \operatorname{Binomial}(N,p).

14. Common-Cause Floor 定理

定理 14.1

在第 12 節的 mixture model 中：

\boxed{ P_{\mathrm{sys}} = q + (1-q) \sum_{j=N-k+1}^{N} \binom Nj p^j(1-p)^{N-j}. }

因此：

\boxed{ P_{\mathrm{sys}} \ge q. }

證明

依 total probability：

P_{\mathrm{sys}} = P(Z=1) P(\mathrm{sysfail}\mid Z=1) + P(Z=0) P(\mathrm{sysfail}\mid Z=0).

當：

Z=1,

所有節點失效，所以：

P(\mathrm{sysfail}\mid Z=1)=1.

當：

Z=0,

用 binomial tail。

代入即得。

證畢。

15. 加節點無法壓過 Common-Cause Floor

若：

q>0,

即使增加：

N,

也始終：

P_{\mathrm{sys}}\ge q.

因此：

\boxed{ \text{more replicas} \not\Rightarrow \text{arbitrarily small system risk}. }

要降低這個 floor，

必須降低：

q

或改變 common-cause structure。

這就是異質化與依賴分離真正可能有用的位置。

16. 結構描述向量

對每個載體：

L_i,

定義結構描述：

\boxed{ \zeta_i = ( \zeta_i^{\mathrm{sub}}, \zeta_i^{\mathrm{impl}}, \zeta_i^{\mathrm{model}}, \zeta_i^{\mathrm{data}}, \zeta_i^{\mathrm{trans}}, \zeta_i^{\mathrm{memory}}, \zeta_i^{\mathrm{dep}}, \zeta_i^{\mathrm{update}} ). }

它可以描述：

substrate / hardware class；
implementation / software stack；
model family；
training / calibration data lineage；
transducer / decoder family；
memory architecture；
upstream dependency structure；
update schedule / provenance。

這些不是固定宇宙標準。

未來可以增加或刪減。

17. Pairwise Heterogeneity Distance

選擇結構距離：

d_\zeta.

定義：

\boxed{ H_{ij} = d_\zeta ( \zeta_i,\zeta_j ). }

若：

H_{ij}

大，只表示：

在目前選擇的結構描述空間中，兩者差異較大。

它不直接等於：

\operatorname{Corr}(F_i,F_j)

低。

18. 結構異質不推出失效獨立

命題 18.1

可以存在：

H_{ij}\gg0

對所有：

i\neq j,

但：

F_1=\cdots=F_N

幾乎必然同時失效。

構造

令所有載體在：

hardware；
software；
model；
memory；

上完全不同，因此：

H_{ij}

很大。

但令所有載體都依賴同一必要上游資源：

D^\star.

只要：

D^\star

失效，

全部載體失效。

若唯一研究的 failure event 就是：

D^\star\text{ fails},

則：

F_i=Z

對所有 $i$ 。

因此：

\operatorname{Corr}(F_i,F_j)=1.

證畢。

19. 異質性必須 Dependency-Aware

命題 18.1 表示：

\boxed{ \text{appearance/design diversity} \not\Rightarrow \text{resilience diversity}. }

真正有用的異質性至少要問：

兩個載體是否仍共享會讓它們一起失效的必要依賴？

因此需要顯式建模：

\mathcal D.

20. 共享依賴超圖

定義：

\boxed{ \mathcal H_D = (V,\mathcal D,E_D). }

其中：

$V$ ：載體；
$\mathcal D$ ：依賴因子；
$E_D$ ：載體—依賴關聯。

每個載體的依賴集合：

D_i \subseteq \mathcal D.

依賴可以是：

shared transducer；
shared decoder；
shared model base；
shared memory store；
shared update source；
shared communication path；
shared external service；
其他共同必要資源。

21. Dependency Overlap

給每個 dependency：

d

一個非負權重：

w_d.

定義：

\boxed{ \Omega_{ij} = \frac{ \sum_{d\in D_i\cap D_j}w_d }{ \sum_{d\in D_i\cup D_j}w_d }. }

若分母為零，可另定義：

\Omega_{ij}=0.

這是一個 weighted Jaccard 型結構重疊。

22. Dependency Overlap 也不是 Failure Correlation

即使：

\Omega_{ij}=0,

兩節點仍可能對同一外部輸入難例同時失效。

反之：

\Omega_{ij}>0

也不表示共享依賴真的在研究時間窗內會失效。

因此：

\boxed{ \Omega_{ij} \neq \operatorname{Corr}(F_i,F_j). }

它只是 causal-structure proxy。

真正完整安全需要：

\boxed{ \text{structure} + \text{failure data} + \text{causal model}. }

23. Shared Dependency Exposure

對 dependency：

d,

定義其覆蓋節點集合：

V_d = \{ i: d\in D_i \}.

定義 exposure fraction：

\boxed{ E_d = \frac{|V_d|}{N}. }

若：

E_d=1,

表示所有載體都依賴：

d.

若：

d

又是一個 single point of failure，

則它形成完整 common-mode cut。

24. Dependency Cut Set

定義 dependency subset：

C \subseteq \mathcal D.

若移除／失效：

C

後，系統不再具有至少：

k

個可工作節點，

則稱：

C

為 $k$ -quorum dependency cut。

最小 cut size：

\boxed{ \kappa_D = \min \{ |C|: C\text{ is a quorum dependency cut} \}. }

$\kappa_D$ 越小，表示越少共享依賴就能破壞 quorum。

25. 異質化真正可能提高的是 Cut Diversity

如果所有節點依賴完全相同：

D_i=D

且其中一個必要元素：

d^\star

即可讓所有節點不可用，

則：

\kappa_D=1.

若透過依賴分離讓不同節點使用不同必要資源，

則可能提高：

\kappa_D.

因此：

\boxed{ \text{resilience-relevant diversity} }

比：

H_{ij}

更接近：

是否真的增加最小 common-cause cut 的結構深度？

26. 局部安全 Quorum

Paper 01 定義每個載體安全域：

\mathcal S_i.

令：

S_i(\mathbf X) = \mathbf1 [ x_i\in\mathcal S_i ].

若系統至少需要：

k

個本地安全節點，

定義：

\boxed{ \mathcal Q_k = \left\{ \mathbf X: \sum_{i=1}^{N} S_i(\mathbf X) \ge k \right\}. }

27. Quorum Safety 不等於 GPC Global Safety

GPC-CS 還有關係安全域：

\mathcal C_G.

因此：

\boxed{ \mathcal S_{G,k}^{\star} = \mathcal Q_k \cap \mathcal C_G. }

即使：

\sum_iS_i\ge k,

若剩餘節點的：

coupling；
phase relation；
capacity；
transduction；
shared-memory relation；

不滿足：

\mathcal C_G,

整體仍不安全。

28. Quorum Failure Probability under Independence

若各節點 iid failure probability：

p,

而系統需要至少：

k

個正常節點，

則在獨立假設下：

\boxed{ P_{\mathrm{fail}}^{\mathrm{ind}} = \sum_{j=N-k+1}^{N} \binom Nj p^j (1-p)^{N-j}. }

這是最理想的冗餘改善基準。

但 Paper 08 的核心就是：

不應在沒有證據時把這個獨立公式當成異質系統的真實可靠度。

29. Independence Gain

定義單節點 failure probability：

p.

對某 quorum 系統，可定義理想獨立冗餘改善：

G_N^{\mathrm{ind}} = \frac{ p }{ P_{\mathrm{fail}}^{\mathrm{ind}} }

在分母非零時。

但真實系統若有 dependence：

P_{\mathrm{fail}}^{\mathrm{real}}

可能遠大於獨立估計。

定義 independence optimism factor：

\boxed{ \mathfrak O_{\mathrm{ind}} = \frac{ P_{\mathrm{fail}}^{\mathrm{real}} }{ P_{\mathrm{fail}}^{\mathrm{ind}} }. }

若：

\mathfrak O_{\mathrm{ind}}\gg1,

表示獨立假設嚴重樂觀。

30. Knight–Leveson 問題在 GPC-CS 的一般化

N-version programming 的核心歷史警告可以抽象成：

\boxed{ \text{independent construction} \not\Rightarrow \text{independent failure surfaces}. }

對 GPC carrier 而言也是一樣。

兩個 AI／Agent／生物—計算混合載體即使：

分開實作；
不同模型；
不同硬體；

仍可能因：

相同轉導標準；
相同資料來源；
相同安全邏輯；
相同 shared memory；
相同外部世界模型；

形成相關失效。

31. Pairwise Correlation 不足以描述全部群體風險

Covariance matrix：

\Sigma_F

只包含二階統計。

但 quorum failure 是高階 joint event。

因此相同：

marginal probabilities；
pairwise correlations；

仍可能具有不同高階 failure structure。

32. Pairwise Independent 仍不等於 Jointly Independent

命題 32.1

存在三個 Bernoulli failure indicators：

F_1,F_2,F_3

兩兩獨立，但三者不 jointly independent。

構造

令：

X,Y \overset{\mathrm{iid}}{\sim} \operatorname{Bernoulli}\left(\frac12\right).

定義：

F_1=X,

F_2=Y,

F_3=X\oplus Y.

則任意兩者都獨立且：

P(F_i=1)=\frac12.

但：

F_1\oplus F_2\oplus F_3=0

必然成立。

因此 joint distribution 不等於三個獨立 Bernoulli 的乘積。

證畢。

33. 二階相同不代表 Quorum Tail 相同

在命題 32.1 中：

P(F_1=F_2=F_3=1)=0.

若三者真正獨立且各自：

p=\frac12,

則：

P(F_1=F_2=F_3=1) = \frac18.

兩個系統具有相同 marginal 與 pairwise correlation：

\rho_{ij}=0,

但三重 joint tail 不同。

因此：

\boxed{ \Sigma_F \text{ is not a complete systemic-risk descriptor}. }

未來全域 phase network 必須允許高階 dependence model。

34. Failure Hypergraph

除了 dependency hypergraph，也可直接建立 empirical failure hypergraph。

令：

\mathcal E_F

包含高頻共同失效的節點集合：

e \subseteq V.

對每個：

e,

估計：

P \left( \bigcap_{i\in e} \{F_i=1\} \right).

此結構能直接描述二階以上共同失效模式。

本文不指定估計算法。

35. Effective Independent Count

在等 $p$ 、等 $\rho$ 模型中，獨立 $N_{\mathrm{eff}}$ 個節點的平均失效比例方差為：

\frac{ p(1-p) }{ N_{\mathrm{eff}} }.

令它等於定理 6.1 的相關系統方差：

\frac{ p(1-p) }{ N_{\mathrm{eff}} } = p(1-p) \left[ \rho+\frac{1-\rho}{N} \right].

得到：

\boxed{ N_{\mathrm{eff}} = \frac{ N }{ 1+(N-1)\rho }. }

36. Effective Redundancy Saturation

若：

\rho>0,

則：

\boxed{ \lim_{N\rightarrow\infty} N_{\mathrm{eff}} = \frac1\rho. }

例如在這個簡化模型中，如果：

\rho=0.1,

不論實際複製多少節點，二階 variance 意義下的有效獨立樣本數都不會無限增長，而趨近：

10.

這不是一般 reliability theorem。

它只是非常直觀地展示 correlation floor 的代價。

37. 降低 Covariance 的二階收益

定理 37.1

考慮兩個具有相同 marginal failure probabilities：

p_i

的系統 A、B。

若對所有：

i<j

都有：

\operatorname{Cov}_A(F_i,F_j) \le \operatorname{Cov}_B(F_i,F_j),

則總失效數滿足：

\boxed{ \operatorname{Var}_A(K) \le \operatorname{Var}_B(K). }

證明

由定理 3.1，兩系統的 individual variance terms 相同。

差異只在 covariance sum。

逐項較小即得到總方差較小。

證畢。

38. 定理 37.1 不保證 Tail Risk 單調下降

因為 pairwise covariance 並不完整決定 joint distribution。

所以：

\operatorname{Var}_A(K) < \operatorname{Var}_B(K)

不能一般推出所有：

P(K\ge r)

都更小。

因此：

\boxed{ \text{second-order resilience} \neq \text{full tail resilience}. }

這是群體安全分析不可忽略的限制。

39. 異質性與 Failure Correlation 的關係必須實證

理想直覺可能期待：

H_{ij}\uparrow \Rightarrow \operatorname{Corr}(F_i,F_j)\downarrow.

本文不採用這個公理。

真正可以研究的是 empirical relation：

\rho_{ij} = g ( H_{ij}, \Omega_{ij}, c_{ij}, \text{environment}, \text{task} ) + \epsilon_{ij},

其中：

$H_{ij}$ ：結構異質；
$\Omega_{ij}$ ：依賴重疊；
$c_{ij}$ ：其他 coupling；
environment / task：共同外部條件。

因此異質性是否真的降低失效相關，必須被測量。

40. Diversity 不應被無限最大化

現代 ensemble theory 已明確指出，diversity 是 ensemble loss decomposition 中的重要成分，但不是一個「越大越好」的獨立目標。

如果兩個模型為了追求差異而變得：

bias 更大；
個體品質更差；
alignment 更差；
coordination 成本更高；

總體效果可能下降。

因此 GPC-CS 採用：

\boxed{ \text{useful diversity} \neq \text{maximum structural distance}. }

41. 異質載體的轉導代價

Paper 02 定義跨載體錯配向量：

\Delta_{ij} = ( \delta_{\mathrm{geom}}, \delta_{\mathrm{dec}}, \delta_{\mathrm{func}}, \delta_{\mathrm{info}}, \delta_{\mathrm{safe}} ).

若載體越異質，某些：

\delta_{ij}

可能上升。

因此異質化可能降低 common-mode risk，同時提高：

R_{\mathrm{trans}}.

42. 容量與協調代價

Paper 03 定義：

\mathfrak C_i(x_i).

異質載體可能具有不同：

bitrate；
latency；
memory；
temporal resolution；
service rate。

因此群體協調可能需要：

\mathfrak C_G^{\mathrm{coord}}

額外資源。

所以：

\boxed{ \text{heterogeneity} \rightarrow \text{potential resilience} + \text{coordination burden}. }

43. Recovery Complexity 也會增加

Paper 06 顯示 recovery depends on：

inverse availability；
side information；
recovery language；
safe path。

對異質群體，不同載體可能具有不同 recovery operators：

\mathcal L_R^{(i)}.

因此群體恢復不能只靠一個 universal rollback。

定義簡化 recovery heterogeneity：

R_{\mathrm{rec}} = \operatorname{Disp} \left( \mathcal L_R^{(1)}, \ldots, \mathcal L_R^{(N)} \right).

本文不指定唯一 dispersion metric。

44. Continuity Alignment Cost

Paper 07 定義 continuity vector：

\mathbf C = ( C_{\mathrm{obs}}, C_{\mathrm{info}}, C_{\mathrm{func}}, C_{\mathrm{lin}}, C_{\mathrm{sub}} ).

不同 carrier families 使用的：

\Psi_i

可能不同。

因此跨載體 continuity comparison 需要：

\Theta_{ij}

或共同 observable space。

這產生：

R_{\mathrm{cont}}

形式的 alignment cost。

45. 異質韌性向量

本文因此不使用單一：

H

當作「異質越高越安全」分數。

定義：

\boxed{ \mathcal R_{\mathrm{het}} = ( R_{\mathrm{corr}}, R_{\mathrm{dep}}, R_{\mathrm{trans}}, R_{\mathrm{coord}}, R_{\mathrm{rec}}, R_{\mathrm{cont}} ). }

其中前兩項通常希望降低：

failure correlation；
shared dependency exposure；

後四項則代表異質化可能帶來的成本。

46. Pareto Resilience

對兩個 system designs：

A,B,

若：

\mathcal R_{\mathrm{het}}(A) \preceq \mathcal R_{\mathrm{het}}(B)

且至少一項嚴格更好，

則 A 在目前選定 risk vector 下 Pareto-dominates B。

若兩者在不同項互有優劣，

則不能在不加入權重的情況下宣稱：

A>B.

因此：

\boxed{ \text{heterogeneous resilience is naturally multi-objective}. }

47. Common-Mode Operator

Paper 04 把更新抽象成：

O_i: \mathcal X_i \rightarrow \mathcal X_i.

群體中可能存在一個共同更新因素：

C,

誘發每個節點：

O_i^{(C)}.

若同一 common event：

C

讓大量：

O_i^{(C)}

同時把各節點推出：

\mathcal S_i,

則它形成 operator-level common mode。

因此 common-mode 不只存在於硬體故障。

它也可以存在於：

common update；
common decoder revision；
common memory corruption；
common transduction rule；
其他共享狀態轉換機制。

48. Common Operator 的 Universal Core

令：

\mathfrak O_C

為所有可能同時作用於多節點的 common operators。

對全域安全域：

\mathcal S_G^\star,

定義：

\boxed{ \mathcal K_C = \left\{ \mathbf X\in\mathcal S_G^\star: \forall O_C\in\mathfrak O_C, \; O_C(\mathbf X) \in \mathcal S_G^\star \right\}. }

若：

\mathcal K_C

很小，

表示系統對 common updates 的 universal safe core 很有限。

49. 異質 Local Operators 不能抵消所有 Common Operators

即使各節點 local dynamics：

O_i

完全不同，

若存在：

O_C

直接作用於共同依賴層，

仍可能同步影響所有節點。

因此：

\boxed{ \text{local heterogeneity} \not\Rightarrow \text{common-layer heterogeneity}. }

真正的 resilience analysis 必須沿 dependency stack 分層。

50. Diversity Layer Vector

可定義：

\boxed{ \mathbf H = ( H_{\mathrm{sub}}, H_{\mathrm{impl}}, H_{\mathrm{model}}, H_{\mathrm{data}}, H_{\mathrm{trans}}, H_{\mathrm{memory}}, H_{\mathrm{dep}}, H_{\mathrm{update}} ). }

某個系統可以：

hardware 很異質；
model 很異質；
但 update source 完全同質。

因此：

\mathbf H

比單一 scalar 更能表達 common-mode surface。

51. Weakest Diversity Layer

若某個失效因子主要作用於 layer：

\ell,

那麼與此 failure mode 相關的 resilience 更依賴：

H_\ell,

而不是其他層 diversity。

例如：

如果所有載體都共享同一個必需 transducer，

那麼 model diversity 可能對 transducer common failure 幾乎沒有幫助。

因此：

\boxed{ \text{diversity must match the failure mechanism}. }

52. Dynamic Homogenization

異質性不是固定不變。

若所有載體持續接受同一更新算子：

U,

且在結構／表示度量中：

d(U(x),U(y)) \le c\,d(x,y), \qquad 0<c<1,

則 pairwise distance 會下降。

53. Common Update Homogenization 定理

定理 53.1

若所有載體同步接受同一 contraction：

U,

且：

d(U(x),U(y)) \le c\,d(x,y), \qquad 0<c<1,

則任意 pair：

i,j

有：

\boxed{ d \left( U^t(x_i), U^t(x_j) \right) \le c^t d(x_i,x_j). }

因此：

d \left( U^t(x_i), U^t(x_j) \right) \rightarrow0.

證明

直接反覆使用 contraction inequality。

證畢。

54. 異質載體可以重新變成同質

定理 53.1 表示：

初始 structural / representational diversity 不保證永久存在。

共同：

fine-tuning；
shared memory；
shared policy update；
common feedback；

都可能讓不同載體逐漸收斂。

因此需要研究：

\boxed{ H(t) }

而不只是：

H(0).

55. Diversity Drift

定義平均 pairwise heterogeneity：

\boxed{ \bar H_t = \frac{ 2 }{ N(N-1) } \sum_{i<j} H_{ij}(t). }

定義 diversity drift：

\boxed{ \Delta_H(t) = \bar H_{t+1} - \bar H_t. }

若：

\Delta_H<0

長期成立，

群體逐漸 homogenize。

但：

\bar H

仍只是結構多樣性指標，不是 failure independence。

56. Common-Mode Risk 也會隨時間變化

失效 covariance：

\Sigma_F(t)

與 dependency sets：

D_i(t)

都可能因更新改變。

因此：

\boxed{ R_{\mathrm{common}} = R_{\mathrm{common}}(t) }

是一個動態量。

這為 Paper 09 的全域級聯動力學建立直接接口。

57. 多載體安全核心

對：

\mathcal S_{G,k}^{\star},

以及全域更新：

\Gamma_G,

定義：

\boxed{ \mathcal K_{G,k} = \bigcap_{n\ge0} \Gamma_G^{-n} ( \mathcal S_{G,k}^{\star} ). }

這是固定全域動力學下，持續保持至少 $k$ 個本地安全節點且滿足 relation constraints 的最大 forward-invariant core。

若存在 switching / disturbances，則回到 Paper 01 的量詞版本。

58. Graceful Degradation

真正有韌性的群體不一定要求：

F_i=0 \quad \forall i.

可以允許：

K>0

但仍維持：

\mathbf X \in \mathcal S_{G,k}^{\star}.

因此：

\boxed{ \text{resilience} \neq \text{zero component failures}. }

而更接近：

在部分節點失效後，系統是否仍維持必要功能與安全關係。

59. Functional Quorum 與 Identity Quorum 可以不同

Paper 07 已區分 functional continuity 與 identity-related continuity。

因此某系統可能只需要：

k_F

個 functionally valid nodes，

但另有：

k_I

個 identity-related continuity nodes 的要求。

可以定義：

\mathcal Q_{k_F,k_I}.

本文暫不展開其治理含義。

重要的是：

\boxed{ \text{quorum itself is specification-dependent}. }

60. 異質性不應被道德化

同質架構可能：

容易驗證；
容易維護；
轉導成本低；
recovery 一致。

異質架構可能：

降低某些共模；
但增加互通與驗證成本。

因此：

\boxed{ \text{homogeneous} \neq \text{bad}, }

\boxed{ \text{heterogeneous} \neq \text{good}. }

真正問題是 failure model 與 tradeoff。

61. 本文的十二個主命題

命題 A：冗餘收益取決於失效 dependence

\operatorname{Var}(K)

包含所有 pairwise covariance terms。

命題 B：正等相關造成 redundancy correlation floor

\boxed{ \operatorname{Var}(\bar F_N) = p(1-p) \left[ \rho+\frac{1-\rho}{N} \right]. }

命題 C：Common-cause mixture 產生不可由單純複製消除的 failure floor

\boxed{ P_{\mathrm{sys}}\ge q. }

命題 D：結構異質不推出失效獨立

共享必要 dependency 可以讓高度異質節點完全相關失效。

命題 E：Pairwise independence 不推出 joint independence

因此 covariance matrix 不是 quorum tail 的完整描述。

命題 F：Dependency structure 與 failure statistics 必須分層

\Omega_{ij}

不是：

\rho_{ij}.

命題 G：局部安全 quorum 不等於 GPC 全域安全

還需：

\mathcal C_G.

命題 H：有用異質性是 failure-mechanism-relative

不同 failure layer 需要不同 diversity layer。

命題 I：異質化具有 interoperability cost

需同時考慮 transduction、capacity、coordination、recovery 與 continuity alignment。

命題 J：異質 resilience 是 multi-objective problem

更自然地以：

\mathcal R_{\mathrm{het}}

做 Pareto 比較，而不是最大化單一 diversity scalar。

命題 K：共同更新可以重新同質化群體

若共同更新為 contraction：

H_{ij}(t)\rightarrow0.

命題 L：真正韌性允許 graceful degradation

安全目標可以是：

\mathcal S_{G,k}^{\star},

而不是要求所有節點永不失效。

62. 可證偽性

本文的擴張可以被以下結果削弱。

62.1 所有實際載體 failures 幾乎獨立

若長期實證顯示：

\operatorname{Cov}(F_i,F_j)\approx0

且高階 dependence 也可忽略，

那麼 common-mode analysis 的重要性下降。

62.2 Structural heterogeneity 可穩定單調預測 failure independence

若未來找到某個：

H^\star

可跨任務、跨環境穩定地單調決定：

\rho_{ij},

則 dependency-aware multi-layer model 可以簡化。

62.3 Heterogeneity 的 interoperability cost 幾乎為零

若不同載體可以無損、低成本地互通，

則：

R_{\mathrm{trans}}, R_{\mathrm{coord}}, R_{\mathrm{rec}}

可以弱化。

62.4 全域安全只取決於本地 quorum

若所有系統：

\mathcal C_G = \prod_i\mathcal X_i,

則：

\mathcal S_{G,k}^{\star} = \mathcal Q_k.

relation-safe quorum 的擴張不再必要。

63. 與 Paper 00–07 的整合

Paper 00：

\text{carrier-state safety}.

Paper 01：

\text{safe domains / invariance}.

Paper 02：

\text{transduction mismatch}.

Paper 03：

\text{capacity feasibility}.

Paper 04：

\text{operator family dynamics}.

Paper 05：

\text{bidirectional coupling}.

Paper 06：

\text{history / recoverability}.

Paper 07：

\text{continuity / branching}.

Paper 08 現在加入：

\boxed{ \text{population redundancy} + \text{failure dependence} + \text{structural diversity} + \text{shared dependency}. }

因此系列第一次真正跨進：

N>2

的群體風險。

64. 結論

「多放幾個備份」只有在失效足夠獨立時，才會得到理想中的冗餘收益。

本文最簡潔的結果是：

\boxed{ \operatorname{Var}(\bar F_N) = p(1-p) \left[ \rho+\frac{1-\rho}{N} \right]. }

只要：

\rho>0,

就留下：

\boxed{ \rho p(1-p) }

的 correlation floor。

因此：

\boxed{ N\rightarrow\infty }

本身不能替代：

\boxed{ \rho\rightarrow0. }

common-cause mixture 更進一步給出：

\boxed{ P_{\mathrm{sys}}\ge q. }

說明共享失效因子的風險 floor 也不能靠單純增加 replicas 消除。

但本文同樣拒絕另一個過度簡化：

\boxed{ \text{heterogeneous} \Rightarrow \text{independent}. }

高度不同的載體只要共享同一必要 dependency，仍可完全共同失效。

因此真正的韌性研究必須同時看到：

\boxed{ \text{failure covariance}, }

\boxed{ \text{higher-order dependence}, }

\boxed{ \text{dependency hypergraph}, }

\boxed{ \text{diversity layers}. }

異質化也不是免費的。

它可能降低：

R_{\mathrm{corr}}

與：

R_{\mathrm{dep}},

卻提高：

R_{\mathrm{trans}}, R_{\mathrm{coord}}, R_{\mathrm{rec}}, R_{\mathrm{cont}}.

因此 Paper 08 的最終立場是：

\boxed{ \text{resilience} \neq \text{maximum redundancy} \neq \text{maximum diversity}. }

更合理的目標是：

在已知 failure mechanisms、shared dependencies 與互通成本下，找到能降低群體相關失效、又仍可驗證與協調的結構性 Pareto 區域。

下一篇 Paper 09 將正式進入：

\boxed{ \text{全域相位網路與級聯動力學}. }

那裡不再只問「多少節點一起失效」，而要研究：

\boxed{ \text{一個節點的狀態變化如何被其他節點重建、放大、回送，最後成為整個網路的動力學。} }

也就是 Paper 00 最初提出的：

\boxed{ \text{error becoming dynamics}. }

參考文獻

Avizienis, A. (1985). The N-Version Approach to Fault-Tolerant Software. IEEE Transactions on Software Engineering, SE-11(12), 1491–1501. DOI: 10.1109/TSE.1985.231893.
Knight, J. C., & Leveson, N. G. (1986). An Experimental Evaluation of the Assumption of Independence in Multiversion Programming. IEEE Transactions on Software Engineering, SE-12(1), 96–109. DOI: 10.1109/TSE.1986.6312924.
Eckhardt, D. E., Caglayan, A. K., Knight, J. C., Lee, L. D., McAllister, D. F., Vouk, M. A., & Kelly, J. P. J. (1991). An Experimental Evaluation of Software Redundancy as a Strategy for Improving Reliability. IEEE Transactions on Software Engineering, 17. NASA reprint / NTRS 19910067537.
Wood, D., Mu, T., Webb, A., Reeve, H., Luján, M., & Brown, G. (2023). A Unified Theory of Diversity in Ensemble Learning. Journal of Machine Learning Research, 24(359), 1–49.
Ortega, L. A., Cabañas, R., Masegosa, A. R., & Valera, I. (2022). Diversity and Generalization in Neural Network Ensembles. Proceedings of AISTATS 2022, PMLR 151.
Loh, C., Han, S., Sudalairaj, S., Dangovski, R., Xu, K., Wenzel, F., Soljačić, M., & Srivastava, A. (2023). Multi-Symmetry Ensembles: Improving Diversity and Generalization via Opposing Symmetries. Proceedings of ICML 2023, PMLR 202, 22614–22630.
Wu, Y., Chow, K.-H., Wei, W., & Liu, L. (2023). Exploring Model Learning Heterogeneity for Boosting Ensemble Robustness. arXiv:2310.02237.
Guo, J.-Q., Qian, M.-Z., Gao, W., & Zhou, Z.-H. (2025). On the Diversity of Adversarial Ensemble Learning. Proceedings of ICML 2025, PMLR 267, 20880–20902.
NASA Technical Reports Server. (1990). An experimental evaluation of software redundancy as a strategy for improving reliability. NASA-TM-102613.
Reliability/common-cause-failure literature using beta-factor, alpha-factor, multiple-Greek-letter and binomial-failure-rate models provides the broader engineering background for the distinction between independent and dependent failures.

系列狀態

Series: Generalized Phase Communication and Carrier Safety
Paper: 08
Version: v1.0
Canonical source encoding: UTF-8
Canonical mathematics delimiters: $...$ and $$...$$ only
Operational failure-induction details: Excluded
Governance/deployment prescriptions: Out of scope
Depends on: Paper 00–07
Next: Paper 09 — 全域相位網路與級聯動力學

共模失效與異質載體韌性

共模失效與異質載體韌性

廣義相位交流中的相關失效、共享依賴、冗餘極限與多樣性—互通性權衡

摘要

0. 文獻定位與非目標

1. 群體失效向量

2. 期望失效數與相關失效

3. 失效總數方差定理

定理 3.1

證明

4. 為什麼 correlation 是冗餘核心

5. 等相關 Bernoulli 模型

6. 相關冗餘底限定理

定理 6.1

證明

7. Correlation Floor

8. 等相關模型只是示意

9. Failure Covariance Matrix

10. Dominant Correlated Failure Mode

11. Correlation 不等於 Common Cause

12. Common-Cause Mixture Model

13. kkk -out-of- NNN 系統

14. Common-Cause Floor 定理

定理 14.1

證明

15. 加節點無法壓過 Common-Cause Floor

16. 結構描述向量

17. Pairwise Heterogeneity Distance

18. 結構異質不推出失效獨立

命題 18.1

構造

19. 異質性必須 Dependency-Aware

20. 共享依賴超圖

21. Dependency Overlap

22. Dependency Overlap 也不是 Failure Correlation

23. Shared Dependency Exposure

24. Dependency Cut Set

25. 異質化真正可能提高的是 Cut Diversity

26. 局部安全 Quorum

27. Quorum Safety 不等於 GPC Global Safety

28. Quorum Failure Probability under Independence

29. Independence Gain

30. Knight–Leveson 問題在 GPC-CS 的一般化

31. Pairwise Correlation 不足以描述全部群體風險

32. Pairwise Independent 仍不等於 Jointly Independent

命題 32.1

構造

33. 二階相同不代表 Quorum Tail 相同

34. Failure Hypergraph

35. Effective Independent Count

36. Effective Redundancy Saturation

37. 降低 Covariance 的二階收益

定理 37.1

證明

38. 定理 37.1 不保證 Tail Risk 單調下降

39. 異質性與 Failure Correlation 的關係必須實證

40. Diversity 不應被無限最大化

41. 異質載體的轉導代價

42. 容量與協調代價

43. Recovery Complexity 也會增加

44. Continuity Alignment Cost

45. 異質韌性向量

46. Pareto Resilience

47. Common-Mode Operator

48. Common Operator 的 Universal Core

49. 異質 Local Operators 不能抵消所有 Common Operators

50. Diversity Layer Vector

51. Weakest Diversity Layer

52. Dynamic Homogenization

53. Common Update Homogenization 定理

定理 53.1

證明

54. 異質載體可以重新變成同質

55. Diversity Drift

56. Common-Mode Risk 也會隨時間變化

57. 多載體安全核心

58. Graceful Degradation

59. Functional Quorum 與 Identity Quorum 可以不同

60. 異質性不應被道德化

61. 本文的十二個主命題

13. $k$ -out-of- $N$ 系統