【稳定性day0】稳定性治理的三种思想—亚马逊、Netflix与蚂蚁金服

1、领域名词解释

稳定性（Reliability）、可用性（Availability）、可维护性（Maintainability），是三个有关联的概念、合称RAM，较为容易混淆，因此本需要特别说明一下。依据《ISO IEC 25010-2011 SQuaRE》标准，可将稳定性理解为”应对故障（faults)的能力、对用户而言是可用的，被性能、可用性、可维护性等因素影响。“ 稳定性并不纯粹、搞混淆RAM是很正常的，但治理故障这一点很清淅。

本文对高可用的定义是：能应对大流量的稳定性。因此实施方案当中也涉及SLA等指标的运营。

 

2、稳定性治理的三种思想

什么是交易长期坚持的高可用方向？故障涉及方方面面，高可用的方法也是种类繁多，我们需要几条基本方法去指导高可用长期的治理方向，我们有三种视角去看待高可用这件事：可用性计算公式、复杂系统理论、交易技术事故定级规范。从不同的视角看待事情，会导致不同的分析路径。

 

1.可用性计算公式—亚马逊

第一种理解可以从可用性计算公式(Availability Estimate)入手，涉及两个变量：故障概率、故障时长，增大MTBF、减小MTTR。主要包含减少故障发生概率、减少故障恢复时间、制造故障发生概率（可控的）三个方法。为什么会需要人为制造故障发生概率？因为故障发生相应频次较低，没有办法很好地提前发现故障，而制造故障本质则能帮助解决。减少故障发生概率是know unnkown的做事, 制造故障发生概率是unkown unkown的做事。

AvailabilityEstimate=MTBF/(MTBF+MTTR)。MTBF：theMeanTimeBetweenFailure，MTTR：MeanTimetoRecover

从这三个策略推导的一些主要方法如下图示，参考了亚马逊《AWS Reliability Pillar 2019》。

可用性公式拆解的稳定性原则(灰色部分源自《AWS Reliability Pillar 2019》)

 

2.复杂系统理论—Netflix

分布式系统具备复杂系统的一般特征，可以复杂系统理论来研究与指导分布式系统&