在计算机科学中，鲁棒性是指计算机系统在执行过程中应对错误以及处理错误输入的能力。这涵盖了许多领域，包括鲁棒编程、鲁棒机器学习和鲁棒网络设计。形式化技术，如模糊测试，对于证明鲁棒性至关重要，因为它们涉及使用无效或意外输入进行测试。或者，可以采用故意的故障注入来测试鲁棒性，并且各种商业产品会执行软件分析的鲁棒性测试。
构建覆盖所有可能故障点的鲁棒系统是困难的，因为可能的输入及输入组合数量庞大。由于对所有情况进行穷举测试不切实际，开发者会概括测试用例。例如，在测试整数输入时，开发者可能会选择负数、零和正数来代表整个实数集。这种方法更高效，但更容易出错。概括测试用例是处理无效用户输入导致故障的一种技术，但系统也可能因其他原因（如网络断开）而失败。无论如何，复杂系统应优雅地处理任何错误，而一些最鲁棒的系统是可演化的，并且易于适应新情况。
实现鲁棒性的挑战
程序和软件通常是针对特定任务的工具，这使得它们不如互联网或生物系统等能够适应环境的系统那样通用和灵活。生物系统实现适应的一种方式是通过冗余。例如，人类通常只需要一个肾脏，但拥有第二个肾脏为故障留出了余地。这一原则可以应用于软件，但存在挑战。不建议盲目添加代码，因为它会引入更多错误，增加复杂性，并使系统更难理解。新代码必须具有等效的功能，以便如果一个函数失效，另一个函数可以替代它，这可以使用手动或自动的软件多样性。这需要额外的逻辑来了解如何以及何时适应故障点，从而增加系统复杂性。开发者必须在冗余和复杂性之间取得平衡。目前，计算机科学的实践往往侧重于可扩展性和效率，而不是构建鲁棒系统，部分原因是鲁棒性难以以通用方式实现。
鲁棒编程
鲁棒编程是一种编程风格，侧重于通过显示准确且无歧义的错误消息来优雅地处理意外终止和意外操作，从而帮助用户调试程序。它遵循几个原则：
- 偏执：程序员假设用户会试图破坏代码，并且自己的代码可能失败或运行不正确。
- 愚蠢：程序员假设用户会尝试不正确、虚假和格式错误的输入。因此，程序员返回无歧义、直观的错误消息，无需查找错误代码，力求尽可能准确而不误导。
- 危险工具：用户不应获得库、数据结构或指向数据结构的指针的访问权限。这些信息应被隐藏，以防止可能引入错误的意外修改。当接口正确构建时，用户会使用它们而不会寻找漏洞，只专注于自己的代码。
- 不可能发生：代码修改可能引入“不可能”情况发生的可能性。此类情况被认为极不可能发生，开发者会相应地为其实现处理。
鲁棒机器学习
机器学习中的鲁棒性通常指算法的稳定性。要使机器学习算法被视为鲁棒，测试误差必须与训练误差一致，或者在向数据集添加噪声后性能必须保持稳定。随着深度学习的兴起，人们对神经网络的鲁棒性越来越感兴趣，特别是因为它们容易受到对抗性攻击。该领域的研究通常涉及对抗训练等技术，即在扰动输入上训练模型以提高韧性。该领域与Aleksander Madry等研究者的工作有关，他研究了对抗鲁棒性，以及Thomas G. Dietterich，他探索了纠错输出码和鲁棒学习。
鲁棒网络设计
鲁棒网络设计是在需求可变或不确定的情况下设计网络的研究。与软件设计类似，网络设计中的鲁棒性因变化或输入的多种可能性而广泛。它涉及创建能够在不同流量条件或故障下保持性能和连接性的网络。这一领域与亚马逊网络服务、微软Azure和谷歌云等云基础设施提供商相关，它们必须确保在负载变化和潜在硬件故障的情况下提供可靠服务。
鲁棒算法
存在能够容忍输入错误的算法。这些算法旨在即使输入数据包含噪声、异常值或其他不准确信息时，也能产生正确或可接受的输出。这在计算机视觉和信号处理等领域尤为重要，因为现实世界的数据往往不完美。鲁棒算法可能使用统计方法来识别并降低异常值的权重，或者可能以冗余为设计原则，类似于鲁棒编程的原则。
参见
- 容错
- 防御性编程
- 非功能性需求