?可靠性" 與 “可用性，可靠性實(shí)驗(yàn)的必要性
相信點(diǎn)開這篇文章的讀者，一定或多或少接觸過“高可靠"“高可用"這些字眼，但是往往或語(yǔ)焉不詳，或羅列術(shù)語(yǔ)（MTBF、MTTR ...），那么我們到底應(yīng)該如何定量描述系統(tǒng)的可靠性和可用性指標(biāo)呢，這些看著很上流的術(shù)語(yǔ)到底意味著什么呢？也許，看完這篇文章，您從此也可以和小伙伴們愉快地拽術(shù)語(yǔ)了！?
1) 軟件過程（代碼評(píng)審、單元測(cè)試等）4) 開發(fā)團(tuán)隊(duì)經(jīng)驗(yàn)5) 可復(fù)用代碼比例（久經(jīng)考驗(yàn)的代碼）比如正在運(yùn)行中的100只硬盤，1年之內(nèi)出了2次故障，則故障率為0.02次/年。上文提到的關(guān)于MTBF和Failure Rate關(guān)系值得細(xì)細(xì)體會(huì)，在現(xiàn)實(shí)生活中，硬件廠商也的確更熱衷于在產(chǎn)品上標(biāo)注MTBF（個(gè)人猜測(cè)是因?yàn)镸TBF往往高達(dá)十萬(wàn)小時(shí)甚至百萬(wàn)小時(shí)，容易吸引眼球）。Failure Rate伴隨著產(chǎn)品生命周期會(huì)產(chǎn)生變化，因此，只有在前述“浴盆曲線"的平坦底部（通俗點(diǎn)說就是產(chǎn)品的“青壯年時(shí)期"）才存在如下關(guān)系：一般來(lái)說，服務(wù)器的主要部件MTBF，廠商標(biāo)稱值都在百萬(wàn)小時(shí)以上。比如：主板、CPU、硬盤為100wh，內(nèi)存為400wh（4根內(nèi)存約為100wh），從而可以推算出服務(wù)器整體MTBF約25wh（約30年），年故障約3%，也就是說，100臺(tái)服務(wù)器每年總要壞那么幾臺(tái)。上面的理論計(jì)算看著貌似也沒啥問題，感覺還挺靠譜。但如果換個(gè)角度想想，總覺得哪里不太對(duì)勁：MTBF約30年，難道說可以期望它服役30年？先看看希捷的工程師如何解釋比如應(yīng)用升級(jí)或者程序CORE掉，往往借助所謂“秒起"來(lái)完成服務(wù)恢復(fù)，有些更的甚至攔截"段錯(cuò)誤"一類信號(hào)。其實(shí)，無(wú)論如何秒起，總歸會(huì)有部分用戶受影響，另外，如果是由于程序錯(cuò)誤導(dǎo)致的意外重啟，誰(shuí)能保證共享內(nèi)存的數(shù)據(jù)仍然處于正確狀態(tài)呢？此外，如果出現(xiàn)機(jī)房搬遷、空調(diào)故障、供電故障等意外，所謂的共享內(nèi)存+秒起也只能干瞪眼。因此，正如上文所說的，通過容災(zāi)備份+路由切換實(shí)現(xiàn)優(yōu)雅無(wú)縫重啟才是好的設(shè)計(jì)。一般來(lái)說，“可重啟"進(jìn)程具備如下特征：
- 不使用生命期大于進(jìn)程的IPC（共享內(nèi)存、跨進(jìn)程的mutex等）
- 不使用難以重建的IPC（父子進(jìn)程共享FD通信等）
那么又該如何優(yōu)雅重啟呢？一般分為兩種場(chǎng)景：首先將節(jié)點(diǎn)從服務(wù)列表中摘除，等待節(jié)點(diǎn)流量跌零，發(fā)起重啟過程（更新文件等），確認(rèn)服務(wù)啟動(dòng)正常后，重新將節(jié)點(diǎn)添加至服務(wù)列表，逐步引流進(jìn)行正確性驗(yàn)證（若發(fā)現(xiàn)異常，及時(shí)摘除）。服務(wù)節(jié)點(diǎn)依次分批處理，真正實(shí)現(xiàn)無(wú)縫重啟服務(wù)訪問方支持Failover，自動(dòng)切換備用節(jié)點(diǎn)，或者通過Name Service一類設(shè)施自動(dòng)摘除故障節(jié)點(diǎn)，人工介入恢復(fù)。當(dāng)然，前面一些看法并非“放之四海而皆準(zhǔn)"，在實(shí)際設(shè)計(jì)系統(tǒng)的時(shí)候，還是應(yīng)該因地制宜，選擇當(dāng)時(shí)環(huán)境的方案。?
會(huì)員1.png)