服务器可靠性:一个9的差距究竟有多大?
在讨论关键业务系统的可靠性时，常听到4个9或5个9的说法，即99.99%和99.999%。虽然4个9和5个9的差距仅为0.009%，不到0.01%，但对系统而言，这不到0.01%的差距却决定了系统的等级完全不同。下面让我们探讨一下服务器一个9的差距究竟有多大。
所谓5个9的系统，一年内不能正常工作的时间少于5分15秒。而4个9的系统则不超过52分36秒。这些是理论数据，但在实际操作中，故障导致的宕机时间可能远超5分钟，即使是大型主机也有过宕机4个多小时的惨痛经历。
问题出在哪里?
系统的可靠性不仅仅取决于硬件，而是由软件和硬件共同决定的。如果是软件问题，最好的解决方法是打补丁和升级，再好的硬件也无法解决软件问题。要提高系统的可靠性，软件方面没有太好的解决方案，只能依靠厂商的服务。用户能选择的只有硬件，包括网络、服务器和存储设备。网络可以通过多运营商接入来解决，存储可以通过RAID、快照等技术和备份来提高数据安全性。而对于服务器，用户通常选择双机集群方案。
然而，双机集群方案并不能达到5个9的要求。原因在于，双机集群通过集群软件构建，当一台服务器出现故障时，切换到备份主机以保持业务连续性。设备之间可以通过心跳线连接来判定故障。集群要求主机和备用机环境一致，在实际应用中，需要严格的管理，如同步升级和打补丁。如果管理不到位，可能会导致切换失败。这也是为什么系统在演示环境下能成功切换，但在现实中往往做不到的原因。
即使管理到位，双机集群也无法实现无缝切换，即业务不停顿的切换。因为备用主机无法同步主机的内存和I/O数据，一旦主机突发故障，这些数据无法在备机中同步，因此无法实现不停机的切换。因此，双机系统切换需要时间。
对于用户来说，双机系统的价值在于及时恢复系统，重建应用。一旦切换不成功，系统恢复需要较长时间；如果是集群软件问题，则需要集群软件厂商的技术人员来解决。因此，双机集群方案对用户的管理和技术水平有很高要求。
要实现故障的无缝切换，容错服务器几乎是唯一的方案。容错服务器无法解决软件问题，但可以解决硬件系统问题，因为处理器、内存和I/O在每个计算机时钟周期内的每个操作都是同步的，通过“锁步技术”保持一致性，对结果进行比对，只有结果一致才判定成功，否则需要重新计算。当一部分硬件出现故障时，系统失去容错，进入单机运行状态，待更换故障部件后，重新进入容错流程。因此，采用容错可以彻底克服突发性硬件故障，避免业务中断。
与小型机和大型机等高可靠性产品相比，采用容错方案构建的系统，其高可靠性不是来自容错服务器产品本身，而是通过特殊的体系架构应对故障。如果小型机和大型机也采用容错结构，系统的可靠性将跨上一个新台阶，但成本代价不是一般用户可以承受的。
