通過有效的故障管理提高系統(tǒng)可靠性(中)

此外MTTF基本上是一個很難用任何分析手段計算得到的數(shù)字，軟件質(zhì)量的提高一般只需投入更多時間和資金，或者用更好的工具就可以了，但通常硬件質(zhì)量方面任何大的改進(如MTTF)需要投入巨資。

另一方面，MTTR可以確切計算出來，只需付出相對很低且可以估計的費用就能獲得一個數(shù)量級的改進。 為做到這一點，多數(shù)HA系統(tǒng)設計人員都定義一小類修復操作，使之滿足所有部件失效情況。就像我們將要看到的那樣，在系統(tǒng)中設計冗余部件減少MTTR是一種很有效的方法，可以避免與系統(tǒng)中多個部件都成函數(shù)關系的MTTF降低，但這并不表示對MTTF的考慮不重要，有一些通用部件設計技術常常用來提高系統(tǒng)MTTF水平。

錯誤、故障與失效

在我們討論修復之前，必須首先清楚地了解是什么原因需要我們進行修復，這里將介紹三個概念，即錯誤、故障和失效。錯誤是一個可以觀察到的狀態(tài)，指一個值或者一個響應偏離了真實或正確值；故障定義為一個引起錯誤的交互系統(tǒng)或部件失效；失效也是一種狀態(tài)，指系統(tǒng)或交互部件所觀察到的反應偏離了規(guī)定的方向。

故障會引起錯誤，從而導致失效，但錯誤也可能在錯誤狀態(tài)檢測范圍內(nèi)得到修正。此外，故障還會引起一個新的故障，這個故障再引起另一個錯誤，并繼續(xù)下去。二者的主要區(qū)別在于錯誤是可以觀察的，而故障是觀察不到的。如果可能，我們可以通過修正錯誤來嘗試"修復"故障，但在大部分場合卻無法做到。為了解這一點，我們需要看一下系統(tǒng)產(chǎn)生的錯誤類型。 一般來講錯誤有兩類。

第一類是定義明確的錯誤，其原因(故障)非常清楚，結(jié)果也是已知且確定的，并在一定范圍內(nèi)。這類錯誤一般是可以修正的，只要處置得當，不會引起失效。

第二類錯誤本質(zhì)上是一種瞬態(tài)錯誤，一般很少發(fā)生，通常沒有重復性和再生性，與時序或過載效應相關。

據(jù)研究顯示，成熟系統(tǒng)中后一類瞬態(tài)錯誤要明顯多于確定性錯誤，數(shù)量之比約為100比1。對于這種錯誤，我們通常不能用修正的方法進行修復，達到防止失效的目的，這是因為我們常常不能準確找出造成這種錯誤的故障。有時也能夠從錯誤推斷出故障，但大多數(shù)情況下做不到這一點，因為找不到線索，所以我們一般通過對錯誤造成的(或?qū)⒃斐傻?失效進行恢復，從而達到修復的目的。更通常的做法是從失效源頭處進行恢復，即從故障開始。