可靠性指標

可靠性（Availability），或者說可用性，是描述系統可以提供服務能力的重要指標。高可靠的分佈式系統，往往需要各種複雜的機制來進行保障。

通常情況下，服務的可用性可以用服務承諾（Service Level Agreement，SLA SLA）、服務指標（Service Level Indicator，SLI）、服務目標（Service Level Objective，SLO）等方面進行衡量。

幾個 9 的指標

很多領域裡談到服務的高可靠性，都喜歡用幾個 9 的指標來進行衡量。

幾個 9，其實是概率意義上粗略反映了系統能提供服務的可靠性指標，最初是電信領域提出的概念。

下表給出不同指標下，每年允許服務出現不可用時間的參考值。

指標	概率可靠性	每年允許不可用時間	典型場景
一個 9	90%	1.2 個月	簡單測試
二個 9	99%	3.6 天	普通單點
三個 9	99.9%	8.6 小時	普通集群
四個 9	99.99%	51.6 分鐘	高可用
五個 9	99.999%	5 分鐘	電信級
六個 9	99.9999%	31 秒	極高要求
七個 9	99.99999%	3 秒	N/A

一般來說，單點的服務器系統至少應能滿足兩個 9；普通企業信息系統三個 9 就肯定足夠了（大家可以統計下自己企業內因系統維護每年要停多少時間），系統能達到四個 9 已經是領先水平了（參考 AWS 等雲計算平臺）。電信級的應用一般需要能達到五個 9，這已經很厲害了，一年裡面最多允許出現五分鐘左右的服務不可用。六個 9 以及以上的系統，就更加少見了，要實現往往意味著極高的代價。

兩個核心時間

一般地，描述系統出現故障的可能性和故障出現後的恢復能力，有兩個基礎的指標：MTBF 和 MTTR。

• MTBF：Mean Time Between Failures，平均故障間隔時間，即系統可以無故障運行的預期時間。

• MTTR：Mean Time To Repair，平均修復時間，即發生故障後，系統可以恢復到正常運行的預期時間。

MTBF 衡量了系統發生故障的頻率，如果一個系統的 MTBF 很短，則往往意味著該系統可用性低；而 MTTR 則反映了系統碰到故障後服務的恢復能力，如果系統的 MTTR 過長，則說明系統一旦發生故障，需要較長時間才能恢復服務。

一個高可用的系統應該是具有儘量長的 MTBF 和儘量短的 MTTR。

提高可靠性

那麼，該如何提升可靠性呢？有兩個基本思路：一是讓系統中的單個組件都變得更可靠；二是乾脆消滅單點。

IT 從業人員大都有類似的經驗，普通筆記本電腦，基本上是過一陣可能就要重啟下；而運行 Linux/Unix 系統的專用服務器，則可能連續運行幾個月甚至幾年時間都不出問題。另外，普通的家用路由器，跟生產級別路由器相比，更容易出現運行故障。這些都是單個組件可靠性不同導致的例子，可以通過簡單升級單點的軟硬件來改善可靠性。

然而，依靠單點實現的可靠性畢竟是有限的。要想進一步的提升，那就只好消滅單點，通過主從、多活等模式讓多個節點集體完成原先單點的工作。這可以從概率意義上改善服務對外整體的可靠性，這也是分佈式系統的一個重要用途。