故障检测、隔离与恢复

故障处理的完整链路：健康检查 → 快速检测 → 隔离节点 → 从检查点恢复 → 补充节点。本章给出各环节的目标时间与实现方式，以及”有效训练时间占比”（goodput）这一综合指标。