14、计算机集群可靠性、可用性及相关技术解析

计算机集群可靠性、可用性及相关技术解析

1. 系统可靠性与可用性基础概念

系统的可靠性通过平均故障间隔时间（MTTF）来衡量，它指的是系统（或系统组件）发生故障前的平均正常运行时间。而可维护性的衡量指标是平均修复时间（MTTR），即系统发生故障后修复并恢复到正常工作状态所需的平均时间。系统的可用性由以下公式定义：
[Availability = \frac{MTTF}{MTTF + MTTR}]

不同类型计算机系统的可用性和每年的停机时间如下表所示：
| 系统类型 | 可用性 (%) | 每年停机时间 |
| — | — | — |
| 传统工作站 | 99 | 3.6 天 |
| HA 系统 | 99.9 | 8.5 小时 |
| 容错系统 | 99.99 | 1 小时 |
| 容错系统 | 99.999 | 5 分钟 |

2. 故障类型

• 计划内与计划外故障

  • 计划外故障 ：系统因操作系统崩溃、硬件故障、网络断开、人为操作错误、停电等原因而损坏，需要修复才能恢复正常。
  • 计划内停机 ：系统本身未损坏，但为了进行升级、重新配置和维护而定期停止正常运行，也可能在周末或节假日停机。

• 瞬态与永久故障

  • 瞬态故障 ：暂时出现