系统可靠性设计（系统架构师）

1. 系统故障模式

2. 系统可靠性模型

3. 可靠性指标与评估

3.1 可靠性指标

3.2 可靠性计算

4. 可靠性设计

4.1 冗余技术

4.2 软件容错

4.3 集群技术

参考

系统可靠性是指系统在规定的时间内及规定的环境条件下，完成规定功能的能力，也就是系统无故障运行的概率。

规定时间

我们一般用系统的执行时间来算，这样比较准确。

规定的条件

规定条件，一般是指软件的运行环境。在不同的环境下，软件的可靠性是不同的。有了明确的环境条件，我们就可以有效的判断软件系统是否失效，责任方是在用户方还是开发方。

所要求的的功能

要求的功能不一样，软件的运行情况会有所区别，其可靠性也不同。所以要准确度量软件系统的准确性，必须先明确它的任务和功能。

1. 系统故障模式

系统故障时只由于部件失效、环境的物理干扰、操作错误、不正确的设计引起的硬件或软件中的错误状态。表现形式有：

永久性、间歇性、瞬时性 。

对故障的表现进行建模，可以建立4个级别的故障模型：

逻辑级的故障模型：固定性故障、短路故障、开路故障、桥接故障。

数据结构级的故障：故障在数据结构上表现为差错。常见的差错：独立差错、算数差错、单向差错。

软件故障和软件差错：软件故障指软件设计过程造成的与设计说明不一致，软件故障在数据结构或程序输出中的表现成为软件差错。

系统级的故障模型：在系统级上表现为功能错误，即系统输出与系统设计说明的不一致。

2. 系统可靠性模型

与系统故障模型对应的就是系统可靠性模型，常见有3种

时间模型

故障植入模型

数据模型

3. 可靠性指标与评估

3.1 可靠性指标

平均无故障时间

平均故障修复时间

平均故障间隔时间

3.2 可靠性计算

串联系统

假设一个系统由n个子系统组成，当且仅当所有子系统都能正常工作，系统能正常工作。

设系统中各个子系统的可靠性分别用R1,R2,...,Rn表示，各个子系统的失效率分别为L1,L2,L3,...,Ln。

可靠性：R = R1 * R2 * R3 * ... * Rn

失效率：L = L1 + L2 + ... + Ln

并联系统

在一个由 n 个模块（部件）构成的系统中，只要有一个模块可运行，系统就可运行。

可靠性：R = 1 - （1 - R1）* (1 - R2) * (1 - R3) * ... * (1 - Rn)

模冗余系统

4. 可靠性设计

提高计算机可靠性的技术有避错技术、容错技术 。避错是预防和避免系统在运行中出错，例如：软件测试就是一种避错技术；容错是指系统在某一组件故障存在的情况下不失效，仍能够正常工作的特性，例如：冗余组件设计。

4.1 冗余技术

结构冗余
- 静态冗余：三模冗余、多模冗余
- 动态冗余：多重模块待机储备，当系统检测到某工作模块出现错误时，就用一个备用模块替换它重新运行。
- 混合冗余：兼有静态冗余和动态冗余的好处。

信息冗余

实现正常功能所需要的信息外，再添加一些信息，以保证运行结果的正确的方法。例如：纠错码。

时间冗余：使用附加一定时间的方法来完成系统功能，这些附加时间主要用在故障检测、复查、故障屏蔽上。

冗余附加技术

为实现上述冗余所需要的资源和技术，包括程序、指令、数据、存放和调用他们的空间和通道等。

系统一旦发生故障，就需要采用某种方法进行恢复。故障的恢复策略一般有前向恢复和后向恢复。前向恢复时指当前的计算继续下去，把系统恢复成连贯的正确状态，弥补当前状态的不连贯情况，这需要有错误的详细说明；后向恢复时指系统恢复到前一个正确状态，继续执行，这种方法显然不适合实时处理场合。

4.2 软件容错

软件容错的主要目的是提供足够的冗余信息和算法程序，使系统在实际运行时能够及时发现程序设计错误，采取补救措施。

恢复块程序

恢复块方法是一种动态的故障屏蔽技术 ，采用向后恢复策略 。提供具有相同功能的主块和几个后备块，一个块就是一个执行完整的程序段，主块首先投入运行，结束后进行验证测试，如果没有通过验证测试，系统经现场恢复后由一后备块运行，直到可以耗尽所有后备块。

设计时应保证实现主块和后备块之间的独立性，避免相关错误的产生，使主块和后备块之间的共性错误降到最低。

N版本程序设计

一种静态的故障屏蔽技术 ，采用向前恢复策略 。其设计思想是用N个具有相同功能的程序同时执行一项计算，结果通过多数表决来选择。其中N份程序必须由不同的人独立设计，使用不同的方法，不同的设计语言，不同的开发环境和工具来实现。

防卫式程序设计

一种不采用任何一种传统的容错技术就能实现软件容错的方法，对于程序中存在的错误和不一致性，防卫式程序设计的基本思想是通过在程序中包含错误检查代码 和错误恢复代码 ，使得一旦发生错误，程序能撤销错误状态，恢复到一个已知的正确状态。其实现策略有错误检测、破坏估计、错误恢复 3个方法。典型的防卫式程序设计：try {} catch {}

其它技术：限流，熔断，服务降级

4.3 集群技术

利用多台服务器，提供更稳定的服务。包括负载均衡集群等。

集群分类
- 高性能计算科学集群
- 负载均衡集群
- 高可用集群

集群硬件配置
- 镜像服务器双机
- 双机与磁盘阵列柜
- 光纤通道双机双控集群系统

参考

《系统架构设计师》

关于作者：

犇叔，浙江大学计算机科学与技术专业，研究生毕业，而立有余。先后在华为、阿里巴巴和字节跳动，从事技术研发工作，资深研发专家。主要研究领域包括虚拟化、分布式技术和存储系统（包括CPU与计算、GPU异构计算、分布式块存储、分布式数据库等领域）、高性能RDMA网络协议和数据中心应用、Linux内核等方向。

专业方向爱好：数学、科学技术应用

关注犇叔，期望为您带来更多科研领域的知识和产业应用。

内容坚持原创，坚持干货有料。坚持长期创作，关注犇叔不迷路