谈一谈软件系统的可用性

什么是可用性

系统的可用性用如下公式表示：

其中：

• MTBF：即平均无故障工作时间，英文全称是“Mean Time Between Failure”。是衡量一个产品（尤其是电器产品）的可靠性指标。单位为毫秒、秒钟、分钟、小时等
• MTTR：平均修复时间（Mean time to repair，MTTR），是描述产品由故障状态转为工作状态时修理时间的平均值。产品的特性决定了平均值的长短。单位为毫秒、秒钟、分钟、小时等

互联网和软件行业写入SLA中的可用性就是在特定周期内的可用性，一般用几个9表示。这个周期一般跟计费周期相关，譬如包月资源周期定为一个月，下表以年为周期：

可用性	年不可用时间
90%
99%
99.9%
99.99%
99.999%
99.9999%

那是不是Availability越高系统就越好呢？答案是：不一定，看下面两个

• 有一个系统，MTBF=2h，MTTR=5s，即可以稳定运行2小时，然后挂掉，5秒钟之后又恢复了，通过公式计算Availability=0.9999768，约等于5个9
• 另一个系统，MTBF=30day，MTTR=1h，即可以稳定运行30天，然后挂掉，1小时之后恢复，通过公式计算Availability=0.9986130，约等于4个9

能说这两个系统都很好吗？答案是：不能

能说第一个系统好于第二个系统吗？答案还是：不能

因为：系统的可靠性和可用性同等重要，只谈其一，没有意义

如何提升可用性

从公式可以看出，提升可用性有两个方向，分别是：

1. 提升MTBF，即提升系统可靠性
2. 降低MTTR，即减小故障恢复时间

提升可靠性

提升系统可靠性，有两个大方向：

1. 提升系统质量，让系统能够长时间稳定运行，这是最容易想到却最不容易做到的
2. 并联或者冗余，让系统对外提供长时间稳定运行的能力，但内部允许故障，只要保证同一时间至少一个实例正常运行即可。受益于摩尔定律，计算机系统需要的硬件设备越来越便宜，开发和维护成本占比越来越高，并联或者冗余的方案成为提升可靠性的主流

降低故障恢复时间

降低故障恢复时间，分阶段有多重手段来实现，大致如下：

1. 原始阶段。用户使用系统功能时发现不可用，经投诉反馈渠道知会到相关人员，由运维人员恢复故障，这个阶段的主要特点是：被动发现，用户体验极差
2. 手工阶段。专人定时巡检，发现故障后及时知会运维人员修复，这个阶段的主要特点是：主动发现、发现不及时、修复不及时
3. 自动发现。专门的系统监控所有组件，一旦发现故障，告警知会运维人员修复，这个阶段的主要特点是：主动发现、发现及时、修复不及时
4. 智能运维。一套智能系统监控所有组件，发现故障后自动调整系统，例如隔离故障实例启动新实例进行替换、自动扩缩容适应负载变化等，这个阶段的主要特点是：智能运维、无人值守

我始终相信：随着技术的不断发展，脏活、累活终究都会变成机器的活儿

参考链接

• MTBF
• MTTR