高可用技术概述

算机系统高可用技术的基本概念。

前言

在分析高可用的技术前，我们需要先对一些概念进行说明，先从相关的词语开始。

系统

系统，即若干部分相互联系、相互作用，形成的具有某些功能的整体。分布式系统是其中一个部分。

系统并不是计算机科学独有的名词，它是非常宽泛的概念，生态，机械等，都是系统。

类比

这里用生态系统来类比。因为生态系统是天然的，可以用做参考。

可以看出，计算机系统和生态系统相似。

高可用

如果生态系统受到过于大的破坏，会崩溃。计算机系统也是如此，我们做的就是提升抗风险的能力，避免系统崩溃。高可用HA（High Availability）就是对抗风险能力的描述，它是一个形容词。

提高可用性，就是减少系统不能提供服务的时间。

风险

风险是故障的根源，我们所做的就是提高系统抗风险的能力。

内部风险

内部风险主要是程序Bug和人为操作的因素，这更多是软件工程，质量管理(QA)和流程管理的范畴。

事实上，大部分的故障是由变更引起的。

外部风险

服务器宕机，硬盘损坏，机房断电，光缆被挖断等等，都是外部风险。这类风险大多不可抗拒，或难以预测。高可用技术就是为了对抗这些风险。

本文只讨论应对外部风险的高可用技术，不考虑内部风险。内部风险是另一个话题。

容灾

提高可用性的本质是冗余，具体的实现方案会有不同，但目的都是降低不可用的时长。

从对不可用时长的影响来分类，有两种策略：

1. 灾备：成本较低，易于实现，需要立刻故障转移，会产生不可用时间。
2. 容错：成本较高，实现难度大，不需要立刻故障转移，不会产生不可用时间。

我们总是从最坏的情况去考虑，但并非要做到尽善尽美，可用性需在成本和故障影响程度之间权衡。

灾备(快速恢复)

灾备，指的是灾难发生后的处理。它的流程是，前期准备，发现故障，故障转移。从发现灾难到故障转移，多少会有一段时间被计入不可用时长。但随着技术发展，故障时长已经被降低到秒级。

更多分析请看自动灾备技术分析。

容错

容错指的是系统可以容忍局部的错误存在。是使系统在部分组件发生故障时仍能正常运作的能力。

更多的在信息技术中用于对抗干扰，比如极化码。在硬件中，ECC内存，SSD硬盘会在出现错误的情况下修复数据，这个动作上层无感。

这个方案本质上是信息冗余，但在计算机架构设计中很少。分布式存储系统有这种方案，比如阿里的分布式存储系统盘古，客户端直链3个ChunkServer，一个ChunkServer异常，上游完全无感知。也就不会产生不可用时间。

虽然上游无感知，但依然要做故障转移，下线故障机器，新增副本，只是不需要立刻操作。可异步处理。

其它

灾备和容错的区别

二者的差异在于故障转移是否是恢复业务的关键。打个比方，有人攻城，守城将军要人送信求援。有两种办法。

1. 灾备：派出一个人送信，如果发现送信人没成功突围，或一段时间没回来，再派一个人。
2. 容错：一开始就派出多个人送信。 在灾备的流程中，将军发现没有突围会再派一个人，这就是故障转移的动作，不再派人信肯定送不出去。一次性排除多个人，通常情况下总会有人把信送到。 我们会觉得一开始派多个人是最好的选择，一个一个派像是添油战术。但派出送信人是需要人力的，如果将军手下只剩下几个人了呢。 在计算机系统中，我们还得考虑数据一致性等问题，需要更复杂的处理。

分布式共识算法

分布式共识算法解决的是数据一致性问题，并不是一种容灾方案。但它是容灾方案中不可缺少的一部分。

分片技术

分片指的是将业务水平拆分，使其分片可以分散在不同服务器上，常见的是数据库的分库分表。更复杂的是业务层面的分片，比如淘宝单元化。

分片可以降低系统故障引起的影响范围，但分片的主要目的是提高系统吞吐能力，它并未消除单点。如果一个分片瘫痪了，对于这个分片的用户来说，系统不可用。所以分片不属于高可用技术。

总结

1. 高可用的本质是减少系统不能提供服务的时间。
2. 灾备和容错，主要区别是是否需要立刻故障转移。
3. 在业务较为复杂度情况下，通常使用的是灾备的办法。一些简单，频繁，且重要的场景则会用容错处理。无论哪种，最终都需要做故障转移。避免故障叠加，产生更大的故障。