# 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： $$ \boxed{ \operatorname{Var}(K) = \sum_i p_i(1-p_i) + 2 \sum_{i0$，即使： $$ 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_{i0, $$ 則某些失效傾向共同發生。 因此冗餘群體的 tail behavior 不再由： $$ 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 $$ 的系統 A、B。 若對所有： $$ iB. $$ 因此： $$ \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 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： $$ \boxed{ \bar H_t = \frac{ 2 }{ N(N-1) } \sum_{i0 $$ 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 1. 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. 2. 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. 3. 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. 4. 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. 5. Ortega, L. A., Cabañas, R., Masegosa, A. R., & Valera, I. (2022). Diversity and Generalization in Neural Network Ensembles. *Proceedings of AISTATS 2022*, PMLR 151. 6. 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. 7. Wu, Y., Chow, K.-H., Wei, W., & Liu, L. (2023). Exploring Model Learning Heterogeneity for Boosting Ensemble Robustness. arXiv:2310.02237. 8. 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. 9. NASA Technical Reports Server. (1990). *An experimental evaluation of software redundancy as a strategy for improving reliability*. NASA-TM-102613. 10. 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