通过有效的故障管理提高系统可靠性(下)

如上所述，大多数故障是不能修正的，因此故障恢复操作比错误修正更受到HA设计的重视。错误是能观察到的，我们必须首先了解错误检测所扮演的角色。 大多数设计人员都很熟悉各式各样错误检测技术，包括硬件、软件、内部的、外部的、后台正确性检查等等。在任何可靠系统中，都应该尽可能开发使用这些技术，但事实是有大量不同的错误类型必须进行检测，而且每一种都有与其相关的分支。

 除此以外，同一种或几个相关故障可能会引起几乎同时发生的多个错误，如果处置不当还会引起其它错误或故障。回想一下我们常常不能判定故障的确切性质，即意味着在大多数场合下不能用检测错误的软件就地进行错误处理，因为错误处理软件自身也会遭到破坏。

在HA系统中，我们要将风险减少到最小，所以如果能找到故障或者用适当的修复操作进行处理的话，错误事件应尽可能传到系统最高级。因此必须要有一个通用工具，可以将检测到的错误递交给它以进行处理，这就是"故障管理器"。