- Robustes Design: Hardware-/Software-Redundanz, automatische Erkennung, Demontage und Reparatur.
- Sicherheitsdaten: Replikation, Partizipation, WAL und Zustimmung (Paxos/Raft/2PC) zur Überprüfung und Snapshots.
- Kontinuierlicher Betrieb: Ladeausgleich, Failover, RPO-Klarheit und horizontale Steigerung ohne Konsistenz.
- Unterschiede zwischen FT und HA: Ununterbrochener Service zur Minimierung von Ausfallzeiten, Kosten und Aufwand.
Im Rahmen einer Geschäftsverteilung werden die Informationen, die zwischen mehreren Knoten und Datenzentren geteilt werden, vor dem ersten Tag des Tages teilweise storniert . Ein Hinweis darauf, dass keine Antwort erfolgt ist, eine Verbindung mit gesättigtem Rot oder ein Server, der nicht mehr benötigt wird, um dem Buserlebnis zu entkommen. Der Schlüssel wurde unter Berücksichtigung der Toleranz gegenüber den Verletzten entworfen , damit der Kundendienst die korrekten Antworten erhält, auch wenn alle Komponenten fehlerhaft sind.
Abgesehen von der Wartung im Straßenverkehr müssen moderne Plattformen die Datenintegrität schützen und die Zeit der Inaktivität minimieren. Wir befinden uns in Spielkonzepten wie Verfügbarkeit, Vertrauenswürdigkeit und Wiederherstellung, verbunden mit Replikationstaktiken, Zustimmung und Redundanz. Wir haben alle diese Teile in einem praktischen und unauffälligen Training zusammengetragen , als Verweis auf die wichtigsten verteilten Systeme, die für Motoren auf der Straße und auf Datenplattformen im Laufe der Zeit eingesetzt werden.
Konzept und Vorschlag der Toleranz gegenüber den Fallos
Wenn wir uns auf die Toleranz gegenüber den Fehlern verlassen, beziehen wir uns auf die Kapazität eines Systems, um die korrekte Funktion zu gewährleisten, wenn Fehler in Teilen oder in der Gesamtheit aller ihrer Komponenten vorliegen . In einem verteilten System kann ein Fall von einer Untergruppe betroffen sein, während der Rest weiterhin in Betrieb ist; Das Ziel besteht darin, dass die Erfahrung des Benutzers nicht sehr beeinträchtigt ist und dass keine Transaktionen durchgeführt werden müssen.
Dies ist ein entscheidendes Ergebnis in sensiblen Kontexten wie Unternehmensgeschäften, elektronischen Geschäften, Finanzmärkten, IoT oder sozialen Netzwerken , einer Bank, die Geld kosten kann, Reputation und Vertrauen. Die Fehlertoleranz besteht aus Hardware- und Softwarelösungen : redundante Komponenten, Statusreplikation, Fehlererkennung und -behebung sowie Fehlerumwandlungsmechanismen (Failover).
Verfügbarkeit, Zuverlässigkeit, Sicherheit und Wartung
Um das vollständige Foto zu erhalten, sind verschiedene Eigenschaften erforderlich: Verfügbarkeit (Wahrscheinlichkeit, dass das System sofort verwendet werden kann), Zuverlässigkeit (Fähigkeit, während eines längeren Zeitraums ausfallsicher zu arbeiten), Sicherheit (keine Katastrophe eintritt während einer Unterbrechung) und mantenibilidad (erleichtert die Reparatur des Systems). Die hohe Wartungsfreundlichkeit und die automatische Fehlererkennung sind auf höchstem Niveau verfügbar , da die automatische Wiederherstellung nicht immer trivial ist.
Kritikerdienste hatten bereits vor fünf Jahren Ziele (99,999 %) , die weniger als ein paar Minuten Inaktivität im Jahr ausreichten, und die Technik, die sie anstießen, umfasste sieben neue Jahre (99,99999 %) , ein Jahr lang 3,16 Sekunden. Achten Sie bei der Planung, Prüfung und im Betrieb auf höchste Disziplin und berücksichtigen Sie dabei verschiedene Redundanz- und Kontrollmöglichkeiten.
Arten und Modelle von Fallos in verteilten Systemen
Ein System fällt aus, sobald der zuständige Dienst eingestellt wird . Ein Fehler ist ein Teil des Zustands, der zu dieser Situation führen kann, und der Grund dafür ist der Fall. Wenn Sie sich in Ihrem Unternehmen befinden, können die Fehler Folgendes umfassen : Übergangszeiten (einmal aufhören und bei erneuter Absicht verzweifelt sein), vorübergehende Zeiten (nicht mehr möglich) und dauerhafte Zustände (keine Wiederherstellung ohne Intervention). Bewerten Sie die Schadensbegrenzungstechnik sorgfältig.
Además, el modelo de falla condiciona condiciono the Protocolos a emplear. In den meisten Gemeinden gibt es Folgendes : Absturz oder Stillstand (der Prozess wird festgehalten und beantwortet), Unterlassung (nicht empfangen oder keine Mitteilungen aussenden; auf lange Sicht nicht in Erinnerung bleiben), zeitlich begrenzt (Antworten auf den Platz), falsche Antwort (aus Wert oder wegen unaufhörlicher Übergabe) und willkürlicher Fall bizantino (produzieren salidas erróneas indistinguibles de las Correctas). Cuanto mehr für Meer el Modell der Falla, mehr Kosten und die notwendigen Verteidigungsmaßnahmen.
Komponentenschlüssel einer Architektur, die gegen Unfälle tolerant ist
Auf einer Plattform für den Geschäftsvertrieb werden verschiedene Teile zusammengeführt, um eine kontinuierliche Garantie zu gewährleisten: Wiederherstellung von Hardware (redundante Hardware) , digitale Sicherung (Backups und Kopien von Software und Daten) , Sicherung von Daten (mehrere Routen und Sicherungen), Erkennungs- und Lösungsmechanismen (Überwachung, Alarme und automatisches Zubehör), Kontinuitätspläne (Umwandlungs-, Restaurierungs- und Kommunikationsverfahren) und proaktive Operationen (periodische Überprüfungen, Simulationen und vorbeugende Wartungsarbeiten). Die gesamte Koordinierung ist nicht in der Lage, einzelne Punkte zu vermeiden.
Auf der Ebene der Implementierung kann die Redundanz aktiviert werden (alle Instanzen während des Verkehrs) und anschließend aktiviert werden (die Reserve liegt im Spiel vor einem Fall). Ambos enfoques persiguen que, si nodo dola, ortro se haga Ladung augenblicklich und der Benutzer konnte keine Unterbrechungen erleiden.
Cómo opera la tolerancia a fallos: detector, aislar, reparar
Der grundlegende Zyklus besteht aus drei Schritten: Fehlererkennung (Daten zwischen Knoten, Analyse von Messwerten und Protokollen, Überprüfung der Integrität), Fehlerbeseitigung (Fehlerbehebung bei der Überprüfung der Komponenten und Änderung des Datenverkehrs) und Reparatur (Reinigung, Hardware-Austausch oder Reparatur). Jetzt müssen Sie die automatische Steuerung durchführen und die Konvertierung erneut durchführen, um den manuellen Eingriff auf das Minimum zu reduzieren.
Um dieses Verhalten zu gewährleisten, werden klassische Strategien kombiniert: Redundanz (mehrere Instanzen von kritischen Komponenten), Sicherheitskopien (zur Wiederherstellung von Daten durch mehrere Ereignisse) und Frachtverteilung (Vermeidung von Frachtkosten in einem einzigen Gebäude). Der konkrete Aufwand hängt von den Zielen des Dienstes und der Voraussetzungen ab.
Redundancia para enmascarar fallos: Informationen, Zeit und Finanzen
Die Maskierung der Fallos führt dazu, dass diese Prozesse den Durchschnitt nicht beeinträchtigen . Für diejenigen, die verwendet werden: Informationsredundanz (Codes, denen Bits hinzugefügt werden, um verlorene Daten auf dem Transportweg wiederzugewinnen), zeitliche Redundanz (Betriebsredundanz kann nicht garantiert werden, wenn sie auf den ersten Blick verlassen wird) und förmliche Redundanz (Ausrüstung und Nachbildung von Prozessen zur Sicherung von Komponentenverlusten). Die Idee, Ideen zu kombinieren, ist ein Gleichgewichtsproblem zwischen Kosten und Zielen.
Gruppen von Prozessen, Mitgliedern und Konsens
Replizieren Sie Prozesse in Ayuda-Gruppen, um Fallos-Einzelpersonen zu erhalten . Es gibt Gruppenpläne (wenn ein Knoten zusammenläuft, die Gruppe reduziert wird und die Entscheidungen, die mehr Koordinierung erfordern) und Gruppen gemeinsam (ein Koordinator agilisieren Entscheidungen, aber wenn nicht, dann muss alles erledigt sein, um eine Neueinstellung vorzunehmen). Die Kontrolle der Mitglieder ist kritisch : Gründung/Beseitigung von Gruppen, Beitritten und Verkäufen, die mit dem Flujo der Menschen verbunden sind, damit sie nicht beneidet werden, was sie nicht verlangen.
Die Mitglieder können auf einem Server zentralisiert (einfach und effizient, aber nur einmal) oder verteilt werden (höhere Widerstandsfähigkeit, mit der höchsten Komplexität). Die Erkennung von Fehlern beginnt mit Herzschlägen und befindet sich auch im normalen Verkehr (aufgrund von Klatsch und Tratsch) und ermöglicht es Ihnen, zwischen roten und schwarzen Fehlern zu unterscheiden. Wenn es Nachbildungen gibt, ist es unvermeidlich , dass die Konsensalgorithmen zu einer falschen Entscheidung übergehen, da fehlerhafte Komponenten vorhanden sind und verschiedene Vermutungen über die Synchronisierung auftreten.
Hohe Verfügbarkeit vs. Falltoleranz
Aunque a veces se confunden, no son lo mismo . La tolerancia a fallos persigue servicio continuo sin interruptus perceptibles cuando algo falla; Die hohe Verfügbarkeit verringert die Inaktivitätsdauer und akzeptiert kurze Zeiträume während der Konvertierung. FT ist äußerst anspruchsvoll und kostet mehr Komponenten und ist bis auf ein Niveau synchronisiert, da HA in vielen Unternehmensszenarien ausreichend sein kann.
| Tolerancia a fallos (FT) | Alta disponibilidad (HA) |
|---|---|
| Ununterbrochener Service ante fallos | Mindestdienstzeit durante la conmutación |
| Mayor coste por Duplizierung und Synchronisierung von Komponenten | Allgemein wirtschaftlicher; no requirere duplicarlo todo |
| Keine Duplikate der Transaktionen möglich | Möglicherweise gibt es pequeñas interrupciones o retentos |
Ein typisches HA-Beispiel wird in einem oder mehreren Zonen (wie einem Cloud-Anbieter) in Instanzen repliziert, um den Datenverkehr zu verbessern und zu verhindern. Die FT könnte einen Weg zur Protokollierung von HA mit strengeren Zielen in Betracht ziehen , um die sichtbare Ausfallzeit während des Auswurfs parallel oder während des Arbeitsspeichers zu beseitigen.
Ausgeglichenes Lade- und Papiergewicht in der Widerstandsfähigkeit
Das Ladungsgleichgewicht ergänzt die Widerstandsfähigkeit bei der Repartur durch die Arbeit zwischen mehreren Rekursen : Round-Robin (Rotation), einige aktivierte Verbindungen (jemand ist nicht mehr verfügbar) und andere Algorithmen, die sich in Latenz und Kapazität befinden. Sobald eine Komponente verloren geht, wird das Gleichgewicht zwischen der Pool-Instanz und der Ladung zwischen den Resten umverteilt, ohne dass die Ladung verloren geht.
Técnicas de tolerance a fallos en software
Auf dem logischen Plan gibt es drei große Begegnungen. Vervielfältigung des Betriebszustands : Erstellen Sie eine Kopie des Systemzustands (einschließlich Speicher), um die sofortige Kontrolle zu gewährleisten, wenn der erste Fall erfolgt; Wiederherstellung eines einheitlichen Punkts (Rollback) : Kontrollpunkte schützen, um sich aufgrund eines Vorfalls zu schützen; Mehrere Versionen/Konfigurationen (N-Version): Verschiedene Implementierungen werden ausgeführt, um korrelierte Fehler zu reduzieren. Es hängt davon ab, ob die Kosten gemildert und die Kosten gesenkt werden können.
| Estrategia | Vorteil | Nachteile |
|---|---|---|
| Duplicación de estado | Hohe Verfügbarkeit y protección ante pérdida | Mehr recursos y complejidad Synchronisation |
| Rollback a punto de control | Einfache Implementierung y limita daños | Können repetir el error o introducir latencia |
| N-Version/Varianten | Mitiga fallos comunes y eleva fiabilidad | Hohe Kosten y mayor complejidad operativa |
Técnicas de tolerancia a fallos en hardware
Im Rahmen der Geschäftstätigkeit werden mehrere Stromversorgungs-, Netzwerkkarten-, Steuerungs- und Serverfunktionen immer wieder aktiviert oder deaktiviert, damit eine andere Komponente nicht mehr vorhanden ist. Die Wahrscheinlichkeit eines gleichzeitigen Absturzes verringert sich erheblich durch gutes Design und Wartung.
Andere Teile sind im ECC-Speicher gespeichert , können festgestellt und festgestellte Fehler behoben werden, ohne dass der Service unterbrochen wurde. Dadurch werden Beschädigungen vermieden, da es beim Abschied zu Schwierigkeiten kommt und die Systeme der Arbeit die Ergebnisse beeinflussen können.
Die Wartung proaktiviert die Telemetrie (Temperatur, Vibration, Diskontfehler) und vorhersehbare Modelle, um die Komponenten vor dem Absturz erneut auszutauschen . Bei Geschäftsdienstleistern handelt es sich um einen Unterschied während der Nachfrage, weil die Kosten für Druckaufträge reduziert werden müssen.
Fallerkennung und Wiederherstellung
Um Fallos zunächst zu maskieren, müssen Sie sie erkennen. Sie können zwischen Prozessen wechseln (esperando respuesta en plazos acotados) oder den normalen Verkehr genehmigen, wenn ausreichend kommuniziert wird (Klatsch). Das Trennen von roten Zahlen von Knoten ist wichtig, um keine zweideutigen Entscheidungen zu treffen (z. B. „gespaltenes Gehirn“ vermeiden).
Während der Genesung gibt es zwei große Ereignisse : Zurück zu einem korrekten vorherigen Zustand (Punkte der regelmäßigen Kontrollperioden und ein stabiler Almacenamiento ) oder Anpassung des Systems an einen neuen gültigen Zustand (erforderlich, um die erwarteten Folgen zu erkennen). Der Grundstein ist allgemeiner, kann aber bei der Rückzahlung kostspielig sein ; Die zweite Sekunde geht schneller, ohne dass eine genaue Vorschau und eine spezielle Logik erforderlich sind.
Almacenamiento verteilt und konsistent im Datenfluss
Die Busmotoren und Streaming-Plattformen verfügen über eine hohe Stabilität im gesamten Vertrieb und basieren auf Grafikdaten wie Amazon Neptune . Die Daten werden zwischen den Standorten, der Redaktion, dem Kontroll- und Überwachungsplan , jeweils einer von Claras' Verantwortlichkeiten, gemeldet . Das Vermeiden eines einzigen Fallpunkts hat Vorrang , und die Kopien müssen in den Besitz der Fallo-Distintos übergehen.
Für Robustheit ist es eine Kombination aus Replikation (vollständig, teilweise oder geografisch) und Partizipation (durch Rang, Hash oder mittlere Verzeichnisse, die jedes einzelne Fragment darstellen). Die Verwaltung von drei Kopien an verteilten Standorten ist eine gemeinsame Praxis, um die Haltbarkeit sicherzustellen, ohne das Ergebnis zu vernachlässigen.
Die Konsistenz wurde im Vorausschriftsregister (WAL) und in einem Konsensprotokoll festgelegt: Paxos und Raft für die Auswahl von Lesern und Replikationsaufträgen, und 2PC (Kompromiss in zwei Phasen) zur Koordinierung von Transaktionen, mit Vorsichtsmaßnahmen vor der Blockierung. Die Prüfsummen prüfen, ob die Kopien übereinstimmen , und wenn nicht, werden die Reparaturen automatisch aktiviert.
Als wir uns auf den Weg machten, war das Failover- Anwendungssystem defekt, der Datenverkehr wurde geändert , Daten wurden wiederhergestellt, wenn ein Fehler aufgetreten war, und die Routen wurden aktualisiert. Danach ist die Konsistenz und Gültigkeit zu bestätigen , das Ereignis zu dokumentieren und die Operation für den nächsten Schritt zu bestätigen.
Punkte zum Schutz und zur Wiederherstellung
Um die Auswirkungen von Vorfällen zu begrenzen, werden sofortige, konsistente (vollständige oder inkrementelle) Transaktionen auf zwei Ebenen begrenzt, RPO klargestellt und verarbeitet, kontinuierlicher Datenschutz (CDP) . Im Laufe der Zeit kommt es immer wieder zu Technikern, die durch die Teilung von Kontrollpunkten für Mobilgeräte verursacht werden, die den Verkehr nicht stören.
Rendimiento y crecimiento sin perder resiliencia
Escalar con cabeza ist unbezwingbar. Die horizontale Skala (angehängte Knoten) verteilt Daten und Computer, verringert die Punkte des Fallens und erhöht die Latenz; Die vertikale Treppe wird durch eine Betonkomponente ersetzt. Die Mitarbeiter können diese nach Bedarf und Voraussetzung kombinieren , indem sie auf den roten Anker, das Gleichgewicht des Almacenamiento und die Überwachungspflicht achten.
Die schnellen Schreibvorgänge unterliegen den Kritikpunkten: Unterschiedliche Schreibspeicher , Lot-Schreibvorgänge, Parallelisierung und Anpassung der SSD, um die Leistung zu erhöhen, ohne dass die Sicherheit geopfert wird. Der Reto besteht aus einer Beschleunigung, ohne darauf zu achten, dass die Haltbarkeit gewährleistet ist und die Beständigkeit des Benutzers gewährleistet ist.
Die Effizienz des Speichers und des Speichers ist durch Tierierung (kalte/Template/Fría), Komprimierung, Speicherkarte für den Zugriff auf häufige Zugriffe und gute Verwaltung von Puffern besser. Die automatische Verwaltung des Lebenszyklus migriert die Daten mit mehr Mitteln und sorgt dafür, dass man immer mehr aktiv ist.
| Ebene | Typische Latenz | Relative Kosten | Verwenden |
|---|---|---|---|
| Caché en memoria | <1 ms | Hoch | Tráfico activo |
| SSD | 1-5 ms | Mittel/hoch | aktuelle Daten |
| HDD | 10-20 ms | Bajo | Logs |
| Archivieren | > 100 ms | Bajo | Retención prolongada |
Herramientas, Bedienung und beste Praxis
Um diese Prinzipien zu verwirklichen, werden wiederkehrende Organisationen von Wettbewerbern wie Kubernetes zusammengestellt , automatisch in die Cloud hochgestuft (z. B. AWS Auto Scaling ), serverlose Plattformen wie Azure Functions , Datenökosysteme wie Hadoop und Caches in Redis -Speichern . Der ELK-Stack ist ein Beobachter und Absender, der RabbitMQ für eine stabilere Kommunikation und einen einheitlichen Telemetrie-Port von Datadog sorgt.
Im Rahmen der Infrastruktur haben wir Unternehmen mit globaler Präsenz und DDoS-Schutz ausgestattet und eine Architektur mit klaren Protokollen zur Reaktion und Wiederherstellung vernichtet. Algunas Organisationen entscheiden sich für Lösungen auf dem Markt wie Servion, um Teil der Arbeit und des Betriebs zu vereinfachen, ohne die Notwendigkeit und Voraussetzung.
Casos de uso y lecciones aprendidas
Netflix erfreut sich dank Mikrodiensten und Sicherheitstests großer Beliebtheit und sorgt dafür, dass das Streaming auf Kosten der Komponenten läuft. Durch die horizontale Vergrößerung und die geografische Reproduktion wird die Gefahr beobachtbarer Störungen durch den Benutzer drastisch reduziert.
Bei Airbnb ermöglicht die elastische und automatisch hochgestufte Cloud die Aufnahme von Bildern während der Ereignisse und Zeiträume. Die Failover-Automatisierung und die Überwachung verhindern Fehler und beschleunigen die Wiederherstellung, sobald sie fehlerhaft sind.
Google arbeitet mit intensiver Redundanz, Datenreplikation und ausgeglichenen Technikern und garantiert die Kontinuität der Dienstleistungen wie im laufenden Betrieb und bei der Korrespondenz. Ihre Ingenieurskunst für die Zuverlässigkeit des Standorts (SRE) wurde mit den Zielen SLO und Gestión des Riesgos markiert.
In Sektoren wie der Luft- und Raumfahrt nutzt SpaceX Redundanzen und Wiederherstellungen, um die Kontrolle über die Mission einschließlich Fehlern in konkreten Etappen aufrechtzuerhalten. Die Toleranz gegenüber der Software beeinträchtigt die Entscheidungen in den Bereichen Mechanik, Elektrik und Telemetrie.
Schnelle FAQ
Wie hoch ist die Widerstandsfähigkeit vor Fehlern? Es liegt an der Fähigkeit eines Systems, die richtigen Ergebnisse in einer oder mehreren Komponenten, bei der Replikation, Erkennung und Umwandlung zu erhalten .
Warum ist das nicht so schlimm? Um Inaktivität zu reduzieren und Daten zu schützen ; Während digitaler Geschäfte dauerte es jede Minute bis zur Kontinuität und Kontinuität.
Was ist die Implementierung? Durch die Vervielfältigung von Komponenten und die Vielfalt der Technologie können korrelierte Fehler vermieden und die Wiederherstellung durch Automatisierung und klarere Verfahren beschleunigt werden.
Gibt es einen Unterschied in der hohen Verfügbarkeit? Die HA-Aktion wurde zum größten Teil der Zeit in Betrieb genommen; Der FT vermeidet sichtbare Ausfallzeiten und führt zu Auswirkungen auf die Transaktionen während des Absturzes. FT kann einen (weitergehenden) Weg einschlagen, um HA-Ziele zu erreichen.
Während dies alles an die Geschäftsverteilung weitergeleitet wurde, wurden die Indizes und Shards repliziert, der Verkehr teilte sich zwischen gesunden Menschen und den Konsensprotokollen auf, die in der aktuellen Ordnung herrschten, und zwar in der Form, dass das Ranking keine Relevanz hatte, weil sie teilweise durch Kompromisse beeinträchtigt wurden . Die praktische Erfahrung besteht darin, dass eine Kombination aus Replikations-, Gleichgewichts-, Kontrollpunkt-, Konsens- und Überwachungssignalen eine stabile Erfahrung auch unter Druck bietet.
