左耳朵耗子：聊聊分布式系统的认知故障和弹力设计

点击关注 InfoQ，置顶公众号

接收程序员的 8 点技术早餐

作者｜陈皓

编辑｜杨爽

本文摘自陈皓（左耳朵耗子）在极客时间 App 上开始的全年付费专栏《左耳听风》，已获授权。欲阅读《分布式系统架构的本质》、《弹力设计》全系列文章，请识别下图二维码订阅专栏阅读（支持微信支付）。

我前面写的《分布式系统架构的本质》系列文章，从分布式系统的业务层、中间件层、数据库层等各个层面介绍了高并发架构、异地多活架构、容器化架构、微服务架构、高可用架构、弹性化架构等，也就是所谓的“纲”。通过这个“纲”，你能够按图索骥，掌握分布式系统中每个部件的用途与总体架构思路。

为了让你更深入地了解分布式系统，在接下来的几期中，我想谈谈分布式系统中一些比较关键的设计模式，其中包括容错、性能、管理等几个方面。

• 容错设计又叫弹力设计，其中着眼于分布式系统的各种“容忍”能力，包括容错能力（服务隔离、异步调用、请求幂等性）、可伸缩性（有 / 无状态的服务）、一致性（补偿事务、重试）、应对大流量的能力（熔断、降级）。可以看到，在确保系统正确性的前提下，系统的可用性是弹力设计保障的重点。

• 管理篇 会讲述一些管理分布式系统架构的一些设计模式，比如网关方面的，边车模式，还有一些刚刚开始流行的，如 Service Mesh 相关的设计模式。

• 性能设计篇 会讲述一些缓存、CQRS、索引表、优先级队列、业务分片等相关的架构模式。

我相信，你在掌握了这些设计模式之后，无论是对于部署一个分布式系统，开发一个分布式的业务模块，还是研发一个新的分布式系统中间件，都会有所裨益。

今天分享的就是《分布式系统设计模式》系列文章中的第一篇《弹力设计篇之“认识故障和弹力设计”》。

系统可用性测量

对于分布式系统的容错设计，在英文中又叫 Resiliency（弹力）。意思是，系统在不健康、不顺，甚至出错的情况下有能力 hold 得住，挺得住，还有能在这种逆境下力挽狂澜的能力。

要做好一个设计，我们需要一个设计目标，或是一个基准线，通过这个基准线或目标来指导我们的设计，否则在没有明确的基准线的指导下，设计会变得非常不明确和不可预测或不可测量。可测试和可测量性是软件设计中非常重要的事情。

我们知道，容错主要是为了可用性，那么，我们是怎样计算一个系统的可用性的呢？下面是一个工业界里使用的一个公式：

其中，

• MTTF 是 Mean Time To Failure，平均故障前的时间，即系统平均能够正常运行多长时间才发生一次故障。系统的可靠性越高，MTTF 越长。（注意：从字面上来说，看上去有 Failure 的字样，但其实是正常运行的时间。）

• MTTR 是 Mean Time To Recovery，平均修复时间，即从故障出现到故障修复的这段时间，这段时间越短越好。

这个公式就是计算系统可用性的，也就是我们常说的，多少个 9，如下表所示。

根据上面的这个公式，为了提高可用性，我们要么提高系统的无故障时间，要么减少系统的故障恢复时间。

然而，我们要明白，我们运行的是一个分布式系统，对于一个分布式系统来说，要不出故障简直是太难了。

故障原因

老实说，我们很难计算我们设计的系统有多少的可用性，因为影响一个系统的因素实在是太多了，除了软件设计，还有硬件，还有第三方服务（如电信联通的宽带 SLA），当然包括“建筑施工队的挖掘机”。

所以，正如 SLA 的定义，这不只是一个技术指标，而是一种服务提供商和用户之间的 contract 或契约。这种工业级的玩法，就像飞机一样，并不是把飞机造出来就好了，还有大量的无比专业的配套设施、工具、流程、管理和运营。

简而言之，SLA 的几个 9 就是能持续提供可用服务的级别。不过，工业界中，会把服务不可用的因素分成两种：一种是有计划的，一种是无计划的。

无计划的宕机原因。下图来自 Oracle 的 High Availability Concepts and Best Practices。

有计划的宕机原因。下图来自 Oracle 的 High Availability Concepts and Best Practices。

可以看到，宕机原因主要有以下这些。

无计划的

• 系统级故障，包括主机、操作系统、中间件、数据库、网络、电源以及外围设备。

• 数据和中介的故障，包括人员误操作、硬盘故障、数据乱了。

• 还有自然灾害、人为破坏，以及供电问题等。

有计划的

• 日常任务：备份，容量规划，用户和安全管理，后台批处理应用。

• 运维相关：数据库维护、应用维护、中间件维护、操作系统维护、网络维护。

• 升级相关：数据库、应用、中间件、操作系统、网络，包括硬件升级。

我们再给它们归个类。

1. 网络问题。网络链接出现问题，网络带宽出现拥塞……

2. 性能问题。数据库慢 SQL、Java Full GC、硬盘 IO 过大、CPU 飙高、内存不足……

3. 安全问题。被网络攻击，如 DDoS 等。

4. 运维问题。系统总是在被更新和修改，架构也在不断地被调整，监控问题……

5. 管理问题。没有梳理出关键服务以及服务的依赖关系，运行信息没有和控制系统同步……

6. 硬件问题。硬盘损坏、网卡出问题、交换机出问题、机房掉电、挖掘机问题……

故障不可避免

如果你看过我写过的《分布式系统架构的本质》和《故障处理》这两个系列的文章，就会知道要管理好一个分布式系统是一件非常难的事。对于大规模的分布式系统，出现故障基本上就是常态，甚至还有些你根本就不知道会出问题的地方。

在今天来说，一个分布式系统的故障已经非常复杂了，因为故障是分布式的、多米诺骨牌式的。就像我在《分布式系统架构的本质》中展示过的这个图一样。

如果你在云平台上，或者使用了“微服务”，面对大量的 IoT 设备以及不受控制的用户流量，那么系统故障会更为复杂和变态。因为上面这些因素增加了整个系统的复杂度。

所以，要充分地意识到下面两个事。

• 故障是正常的，而且是常见的。

• 故障是不可预测突发的，而且相当难缠。

所以，亚马逊的 AWS 才会把 Design for Failure 做为其七大 Design Principle 的重点。这告诉我们，不要尝试着去避免故障，而是要把处理故障的代码当成正常的功能做在架构里写在代码里。

因为我们要干的事儿就是想尽一切手段来降低 MTTR——故障的修复时间。

这就是为什么我们把这个设计叫做弹力（Resiliency）。

• 一方面，在好的情况下，这个事对于我们的用户和内部运维来说是完全透明的，系统自动修复不需要人的干预。

• 另一方面，如果修复不了，系统能够做自我保护，而不让事态变糟糕。

这就是所谓的“弹力”——能上能下。这让我想到三国杀里赵云的技能——“能进能退乃真正法器”，哈哈。

小   结

好了，今天的内容就到这里。相信通过今天的学习，你应该已经明白了弹力设计的真正目的，并对系统可用性的衡量指标和故障的各种原因有所了解。下一篇文章，我们将开始罗列一些相关的设计模式。

在文章的最后，很想听听大家在设计一个分布式系统时，设定了多高的可用性指标？实现的难点在哪里？踩过什么样的坑？你是如何应对的？

这是《分布式系统设计模式》系列文章的目录，希望你能在这个列表里找到自己感兴趣的内容。订阅极客时间《左耳听风》专栏即可阅读全部文章，一次订阅，永久阅读。

• 弹力设计篇之“认识故障和弹力设计”

• 弹力设计篇之“隔离设计”

• 弹力设计篇之“异步通讯设计”

• 弹力设计篇之“幂等性设计”

• 弹力设计篇之“服务的状态”

• 弹力设计篇之“补偿事务”

• 弹力设计篇之“重试设计”

• 弹力设计篇之“熔断设计”

• 弹力设计篇之“限流设计”

• 弹力设计篇之“降级设计”

• 弹力设计篇之“弹力设计总结”

如何订阅？

方法一：

长按识别下图二维码，微信支付，即刻订阅。

全年订阅价格 199 元，新用户注册即享 30 元红包，可立即支付使用。

方法二：

点击 阅读原文，下载“极客时间”App，注册并登录，领取 30 元新人红包。

从首页轮播图或专栏页进入《推荐系统 36 式》，完成订阅。