分布式系統中可用性及容錯性的區別

可用性及容錯性是分布式系統中很重要的兩個屬性。之前我對一致性關注得更多一些，但對兩者的區別還是很模糊。
首先是msdn上的一篇介紹兩者區別的文章：http://blogs.msdn.com/b/clustering/archive/2010/10/06/10072013.aspx
"High availability solutions traditionally consist of a set of loosely coupled servers which have failover capabilities."
"Fault tolerant solutions traditionally consist of a pair of tightly coupled systems which provide redundancy."
看了之后發現文章介紹的是HA/FT solution，並不是研究領域中的概念，不過這也體現了工業界對HA，FT這兩個概念的看法。
文章認為HA解決方案中沒有副本機制，故一個節點失效后，必須要等這個節點恢復或用新的節點替代舊的節點后，系統才會變得可用，所以會存在宕機時間；然而在有多副本機制的分布式系統中，尤其是提供弱一致性支持的系統中，一個節點失效並不會導致宕機。
對於FT解決方案，文章用了強一致的主從副本機制：當主節點失效后，從節點可以繼續提供服務，使宕機時間為0.
我認為，文中對HA/FT的理解並不是通用的理解，起碼在我的研究范圍內不是；或者退一步說，文中對HA的理解就不適用於我的研究范疇。
對這兩個概念的理解，不同人有不同的看法，例如下面一篇：
http://www.quora.com/What-is-the-difference-between-a-highly-fault-tolerant-and-a-highly-available-system
故在此提出我對這兩者的看法。
--------------------------------------------------------------------------
這兩個概念其實都是針對同一問題：系統出現異常了怎么辦？
首先說明一下，我討論的系統是分布式環境下有多數據副本的系統。另一類，異常如何定義？在我看的文獻中，異常主要有兩大類：omission failures及unreliable networks，下面也將沿用這一異常分類。
omission failure:
定義1：Omission failures either due to process crash either due to communication link failures are detected via timeouts
  參考：http://stackoverflow.com/questions/12229099/understanding-omission-failure-in-distributed-systems
定義2：Process omission failures + Communication omission failures
  參考：http://www.inf.ed.ac.uk/teaching/courses/ds/handouts/handout12.pdf
unreliable network: messages may be delayed for an arbitrary but finite duration, reordered, or dropped.

對 於fault的理解，網上常常用可檢測的硬件（包括服務器及網絡設備）故障來理解，其實是不全面的。首先檢測機制本身也會出現故障，另外，硬件故障可能是 短期的，且使得檢測機制來不及檢測到硬件故障又自行恢復了（如網口暫時接觸不良），最后，數據包可能會亂序，或者由於網絡擁塞導致丟包等等。故障檢測到現 在都沒有100%正確的方法，且仍是學術界研究的一個重要方向。

回到HA及FT的區別。HA是指系統在出現某些特定故障之前，都能繼續提 供服務，如non-strict quorum系統中的W=R=1的配置下，只要有一個副本可訪問，系統就能持續提供服務。對於FT，我的理解還不是很透徹，感覺大家理解更多的是一出現單 點故障，系統會迅速尋找到一個點替代故障點；另外，還有一點是替代節點完全可以替代故障節點，使得客戶端感覺不到數據不一致的問題，而可用性則允許數據不 一致，因為可用性與一致性是兩個不同的屬性。


參考：《Consistency, Availability, and Convergence》