通过有效的故障管理提高系统可靠性(中)

此外MTTF基本上是一个很难用任何分析手段计算得到的数字，软件质量的提高一般只需投入更多时间和资金，或者用更好的工具就可以了，但通常硬件质量方面任何大的改进(如MTTF)需要投入巨资。

另一方面，MTTR可以确切计算出来，只需付出相对很低且可以估计的费用就能获得一个数量级的改进。 为做到这一点，多数HA系统设计人员都定义一小类修复操作，使之满足所有部件失效情况。就像我们将要看到的那样，在系统中设计冗余部件减少MTTR是一种很有效的方法，可以避免与系统中多个部件都成函数关系的MTTF降低，但这并不表示对MTTF的考虑不重要，有一些通用部件设计技术常常用来提高系统MTTF水平。

错误、故障与失效

在我们讨论修复之前，必须首先清楚地了解是什么原因需要我们进行修复，这里将介绍三个概念，即错误、故障和失效。错误是一个可以观察到的状态，指一个值或者一个响应偏离了真实或正确值；故障定义为一个引起错误的交互系统或部件失效；失效也是一种状态，指系统或交互部件所观察到的反应偏离了规定的方向。

故障会引起错误，从而导致失效，但错误也可能在错误状态检测范围内得到修正。此外，故障还会引起一个新的故障，这个故障再引起另一个错误，并继续下去。二者的主要区别在于错误是可以观察的，而故障是观察不到的。如果可能，我们可以通过修正错误来尝试"修复"故障，但在大部分场合却无法做到。为了解这一点，我们需要看一下系统产生的错误类型。 一般来讲错误有两类。

第一类是定义明确的错误，其原因(故障)非常清楚，结果也是已知且确定的，并在一定范围内。这类错误一般是可以修正的，只要处置得当，不会引起失效。

第二类错误本质上是一种瞬态错误，一般很少发生，通常没有重复性和再生性，与时序或过载效应相关。

据研究显示，成熟系统中后一类瞬态错误要明显多于确定性错误，数量之比约为100比1。对于这种错误，我们通常不能用修正的方法进行修复，达到防止失效的目的，这是因为我们常常不能准确找出造成这种错误的故障。有时也能够从错误推断出故障，但大多数情况下做不到这一点，因为找不到线索，所以我们一般通过对错误造成的(或将造成的)失效进行恢复，从而达到修复的目的。更通常的做法是从失效源头处进行恢复，即从故障开始。