标签：
系统高可用，或者说系统的可用性，在计算机领域是一个相当久远并且重要的概念。小到CPU芯片、内存、硬盘等硬件组件，大到支付宝、微信等日常互联网服务，在设计、开发、维护的时候，都离不开对它的考量。本文首先介绍跟系统可用性相关的关键概念，然后讨论高可用系统的评价指标。
一个系统的可用性，由组成这个系统的模块的可用性，以及模块之间的关系决定。模块可以看成一个系统，由更小的子模块组成，而系统可以看成一个模块，从而组成更大的系统。所以计算机系统的可用性，可以一层一层这样递归讨论下去。讨论系统的可用性，就是讨论模块的可用性。
一个模块的行为分为标准行为（specified behavior）和实际行为（observed behavior）。设计和开发这个模块时定义的标准输入和输出称之为标准行为，模块实际工作过程中观察到的输入和输出称之为实际行为。当实际行为与标准行为不一致的情况，定义为模块发生了失败（failure）。比如我们在网站上点击一个新闻链接，标准行为是显示一个包含新闻详细内容的网页，而实际展示了一个错误页面，这就发生了失败。比如一个key-val数据库，我们给定key读取，应当返回val或者空，却返回了"未通过校验"，这就发生了失败。
错误（error）是导致模块失败（failure）发生的原因。比如新闻页面没能正常显示的失败，可能是数据库服务器宕机这个错误导致的。比如一个Key-Val数据库读取的错误，可能是硬盘损坏导致的。需要注意的是，错误存在并不一定会导致失败，比如key-val数据库的例子，硬盘损坏的错误发生之后，只有当我们需要读取损坏处的数据时，失败才会发生。
故障（fault）是导致错误（error）发生的原因。比如数据库宕机的的原因，可能是服务器电源故障。硬盘损坏的原因，可能是硬盘服务年限过长。错误和故障，并非只存在于硬件。比如，程序员写的代码里隐藏了一个bug，上线后这就是一个错误（error），导致这个错误的原因可能是程序员水平不行或者测试流程不规范，这是故障（fault），当在特定的条件下，这个bug被触发，影响了系统的行为，那么失败（failure）就发生了。
下图描述了上述几个概念之间的关系：
如上图所示，Failure导致模块服务中断，而检测到该错误之后，经过报告、更正、修复等过程后，模块恢复正常服务。通常使用MTTF和MTTR来量化一个模块的可用性。
MTTF（mean time to failure），指模块处在正常服务状态的平均时间。
MTTR（mean time to repair），指模块处在服务中断状态的平均时间。
模块可用性，指模块处在正常服务状态的时间与总的模块服务时间的比例。可以量化定义为：
MTTF/(MTTF + MTTR)
从我们讨论的概念入手，也就是说从引起模块失败的原因着手，才能提升模块可用性。具体可分为以下两大类，分别展开又是大话题，本文不再展开。
如果一个模块能够快速地检测到失败（failure），并在检测到失败（failure）后，立刻停止服务。我们称其为失败即停（failfast），失败即停是非常重要的，它可以大大加快上层模块检测到错误的时间，避免单一错误（error）变成级联错误。
如上面的讨论，系统可用性的定义是MTTF/(MTTF + MTTR)，一个大于等于0，小于等于1的数值。且该数值越大，系统可用性越高。业界最常用的方法是用9的个数来描述系统可用性，比如3个9的可用性，指系统在99.9%的时间里可用，而5个9的可用性意味着系统在99.999%的时间里都是可用的。
下表展示了基于9的个数描述系统可用性而计算得出的，不同可用性的情况下，系统每年允许的服务不可用时间。
| 可用性 | 年服务不可用时间 |
|---|---|
| 99%（2个9） | 3.65天 |
| 99.9%（3个9） | 8.76小时 |
| 99.99%（4个9） | 52.56分钟 |
| 99.999%（5个9） | 5.26分钟 |
| 99.9999%（6个9） | 31.54秒 |
这也就是说，如果一个服务提供方在SLA里承诺了3个9的服务可用性，那么一个自然年里，总的服务中断时间，不能超过8.76小时。
多数固定电话交换机的设计目标是达到5个9的可用性，即每年不超过5.26分钟的服务中断。在业界，除了某些需要更高可用性的场景，5个9的可用性被认为是数据服务的黄金标准。即对数据服务而言，满足了5个9的可用性，即可称之为做到了高可用。
标签：
原文地址：http://www.cnblogs.com/Leo_wl/p/5551888.html
