读书笔记之数据密集型应用的可靠性

本文的内容来自《​​数据密集型应用系统设计​​》，豆瓣评分高达 9.7

什么是数据密集型应用

数据密集型应用，英文名 Data-Intensive Application。

数据密集型应用（data-intensive applications） 正在通过使用这些技术进步来推动可能性的边界。一个应用被称为 数据密集型 的，如果 数据是其主要挑战（数据量，数据复杂度或数据变化速度）—— 与之相对的是 计算密集型，即处理器速度是其瓶颈。

数据密集型计算是一类并行计算应用程序，使用数据并行方法处理大量数据。

在大多数软件系统中很重要的三个问题是：

可靠性：即使面对意外情况如硬件、软件故障、人为失误等，系统也应正确工作，虽然系统的性能可能有所降低，但还是能执行正确的功能。

可扩展性：随着系统规模的增长（数据，流量量或复杂性），应有合理的方法来匹配该增长。

可维护性：随着时间的推移，许多新的人员参与到系统的开发与运维，人们应该能够依然有效维护该系统。

数据密集型应用特性

为了实现数据密集型计算的高性能，有必要最大程度地减少数据的移动。这可以通过 reduce 算法在数据居住的节点上执行算法来减少系统开销并提高性能。

数据密集型计算系统采用独立于机器的方法，其中运行时系统控制程序的调度、执行、负载平衡、通信和移动。

数据密集型计算非常关注数据的可靠性和可用性。传统的大规模系统可能容易受到硬件故障、通信错误和软件错误的影响，而数据密集型计算旨在克服这些挑战。

数据密集型计算是为可扩展性而设计的，因此它可以容纳任何数量的数据，因此可以满足时间关键要求。硬件和软件架构的可扩展性是数据密集型计算的最大优势之一。

可靠性

软件的典型的可靠性包括：

• 应用程序执行用户所期望的功能
• 可以容忍用户出现错误或不正确的软件使用方法
• 性能能够应对典型场景、合理负载压力和数据量
• 系统可防止任何未经授权的访问和滥用

故障通常被定义为组件偏离其正常规格， 而失效意味系统作为一个整体停止， 无法向用户提供所需的服务。 况且不太可能将故障概率降低到零， 因此通常设计容错机制来避免从故障引发系统失效。

硬件错误

硬件错误总是很容易想到：硬盘崩溃、内存故障、停电甚至是人为拔掉网线。

一般来说，处理硬件故障的标准方法是为硬件组件添加冗余，以便如果硬件发生故障，则随时可以更换。例如：

• 对磁盘的 RAID 配置
• 服务器配备双电源
• 热插拔 CPU
• 数据中心添加备用电源、发电机等

随着数据量和应用程序的计算需求的增加，人们偏向于使用软件故障容错技术来容忍硬件错误。这些软件容忍系统的一个优点是：对于单个服务器系统，如果需要重新启动机器（例如，应用操作系统安全补丁），则需要计划停机时间。但是，对于可以忍受机器故障的系统，可以一次修补一个节点然后重启（无需停机整个系统 - 滚动升级）。

这种方式使得系统更具有操作便利性。

软件错误

与硬件错误相比，软件错误之间更加具有关联性。这意味着，一个节点中的故障导致系统出现更多的故障。牵一发而动全身，例如：

• 由于软件错误，导致当输入特定值时应用服务器总是崩溃
• 一个应用进程使用了某个共享资源如 CPU、内存、磁盘或网络带宽，但却不幸失控跑飞了
• 系统依赖于某些服务，但该服务突然变慢。甚至无响应或者开始返回异常的响应
• 级联故障，其中某个组件的小故障触发另一个组件故障，进而引发更多的系统问题

解决方法（软件故障有时没有快速的解决方法，只能多考虑软件设计的细节）：

• 认真检查依赖的假设条件与系统之间交互
• 进行全面的测试，测试覆盖率争取达到 100%
• 进程隔离，允许进程崩溃并自动重启
• 监控并分析生产环节的种种数据

人为错误

设计和构建软件系统总是由人完成的，但人类是不可靠的。尽管人类不可靠，我们如何使系统可靠？通过多种方法的组合，例如：

• 巧妙的软件设计：通过精心设计的抽象，API 和管理界面来最大程度地限制错误机会的方式设计系统。
• 开发、测试、生产环境分离：分离最容易出错的地方、容易引发故障的接口。提供一个功能齐全但非生产用的沙箱环境（测试系统），使人们可以放心的尝试 、 体验， 包括导入真实的数据， 万一出现问题， 不会影响真实用户。
• 充分的测试：从单元测试到全系统集成测试、手动测试到自动测试。
• 快速的恢复机制：当出现人为失误，可以快速回复，以最大程度减少故障的影响。例如：快速回滚配置改动，滚动发布新代码，提供校验数据的工作
• 设置详细而清晰的监控子系统：包括性能指标和错误率

可靠性不单单是针对核电站和空中交管软件之类的系统很重要，日常的很多应用也需要可靠的工作。

系统设计应该秉持对用户负责的态度，因此可靠性非常关键。