嵌入式系統(tǒng)設(shè)計人員經(jīng)常需要實(shí)現(xiàn)那些能在99.999%的業(yè)務(wù)時間內(nèi)可靠運(yùn)行的系統(tǒng)，這意味著一天內(nèi)系統(tǒng)故障的時間將少于一秒。這些系統(tǒng)稱為高可用性系統(tǒng)。高可用性系統(tǒng)的設(shè)計通過對冗余硬件和軟件進(jìn)行組合，無需人為干預(yù)即可管理故障檢測和糾錯。本文首先簡要回顧了與高可用性系統(tǒng)和故障管理相關(guān)的一些概念，然后研究了容錯系統(tǒng)的一些硬件和軟件設(shè)計模式。

故障與失效

在設(shè)計高可用性系統(tǒng)時，需要重點(diǎn)關(guān)注“故障”和“失效”。為了更好地說明，這里將“失效”定義為系統(tǒng)提供的業(yè)務(wù)與設(shè)計規(guī)范不符的情況。故障則是與系統(tǒng)相互作用的一種錯誤，它是人們通常所指的不期望發(fā)生事件的可能原因。因此，故障可能是系統(tǒng)的子系統(tǒng)失效、器件失效、外部系統(tǒng)失效或程序錯誤。

故障可以是瞬時故障、永久故障或周期性故障。故障一旦發(fā)生，將導(dǎo)致系統(tǒng)或子系統(tǒng)的狀態(tài)出錯，而這些錯誤將引發(fā)系統(tǒng)失效。故障處理主要有以下四種主要方法：

1. 故障預(yù)測；

2. 故障避免；

3. 故障消除；

4. 容錯。

故障預(yù)測利用數(shù)學(xué)模型和試驗(yàn)提供故障及其后果的預(yù)估。例如，實(shí)際中采用的一種故障預(yù)測技術(shù)就是在系統(tǒng)中插入故障，研究可能出現(xiàn)的各種系統(tǒng)失效。

故障避免和消除則通過嚴(yán)格的系統(tǒng)、硬件和軟件開發(fā)工藝及正式規(guī)范和驗(yàn)證技術(shù)加以實(shí)現(xiàn)。

容錯通過采用各種冗余系統(tǒng)實(shí)現(xiàn)，從而避免了故障影響?！笆趸笔菍?shí)現(xiàn)容錯的一種方法：即便該方法難以提供整體系統(tǒng)性能，也能提供切合實(shí)際的部分功能。“失效保護(hù)(fail safe)或失效即停(fail stop)”則是另一種容錯方法：當(dāng)故障發(fā)生時，該方法在一個安全狀態(tài)終止系統(tǒng)，而不讓系統(tǒng)繼續(xù)執(zhí)行。

容錯涉及的主要概念是冗余。容錯基于這樣的思想(或愿望)：多個獨(dú)立的故障不會同時攻擊系統(tǒng)。容錯系統(tǒng)應(yīng)能規(guī)避單點(diǎn)失效，換言之，如果系統(tǒng)的某部分可能出現(xiàn)故障，那么系統(tǒng)中應(yīng)當(dāng)存在解決該故障的冗余部分，從而避免失效。

冗余具有很多種形式：

1. 硬件冗余(低端、高端或兩者兼有)；

2. 軟件冗余；

3. 時間冗余；

4. 信息冗余。

飛機(jī)內(nèi)的自校驗(yàn)邏輯電路及多臺飛行計算機(jī)即為典型的硬件冗余。軟件冗余可采用兩種完全不同的算法，得到的結(jié)果也完全相同。時間冗余可以利用通信重傳實(shí)現(xiàn)，而信息冗余則可采用備份、校驗(yàn)及糾錯代碼實(shí)現(xiàn)。

冗余可以是動態(tài)的，也可以是靜態(tài)的，兩者均需復(fù)制系統(tǒng)的基本要素。在靜態(tài)冗余中，同一時刻所有的復(fù)制要素均保持激活。如果一個復(fù)制“拋出”故障，系統(tǒng)能夠馬上使用另一復(fù)制，并繼續(xù)正確的操作。在動態(tài)冗余中，只有一個復(fù)制保持激活，而其余復(fù)制則不激活。如果被激活的復(fù)制產(chǎn)生故障，先前未被激活的一個復(fù)制將被激活并接管臨界操作。

那么上述各種方法是如何實(shí)現(xiàn)高可用性的呢？首先，必須對高可用性進(jìn)行定義。高可用性表征系統(tǒng)容錯并根據(jù)規(guī)范繼續(xù)提供業(yè)務(wù)的能力。系統(tǒng)可以采用本文給出的所有概念和方法實(shí)現(xiàn)高可用性。

可用性通常采用“可用度”或“每年故障時間”進(jìn)行量度。常規(guī)的容錯系統(tǒng)可以達(dá)到99.99%的可靠度，即相當(dāng)于每年故障1小時(每天故障10秒鐘)。但高可用性系統(tǒng)則有望實(shí)現(xiàn)高達(dá)99.999%的可用度，即每年故障少于5分鐘(簡單地說，即每天故障1秒鐘)。這意味著當(dāng)故障出現(xiàn)時，系統(tǒng)必須能自動處理，因?yàn)椴僮魅藛T難以在很短的時間內(nèi)移除或掩蓋任何故障。

硬件冗余

與采用極可用器件構(gòu)建單個極可用模塊的硬件設(shè)計相比，使用由常規(guī)商業(yè)級質(zhì)量的器件構(gòu)成的常規(guī)商業(yè)級質(zhì)量硬件進(jìn)行冗余復(fù)制模塊設(shè)計，無疑具有更高的成本效益。

每個復(fù)制通常都要求具有“快速失效”或“失效即停”特性，這極大地簡化了故障管理決策。每次失效都使硬件在運(yùn)行中停止，而不是試圖勉強(qiáng)執(zhí)行下去并要求管理人員指出模塊中哪些輸出發(fā)生故障，哪些則一切正常。

對于采用靜態(tài)冗余的容錯，每個復(fù)制模塊都具有常規(guī)的商用可用性。采用雙重復(fù)制的模式稱為配對或雙路復(fù)用(duplexing)。如果采用了N個復(fù)制，則稱為N路復(fù)用(N-plexing)。

圖1顯示了3路復(fù)用或3重冗余硬件設(shè)計，這三重復(fù)制均位于方框圖的底端附近。這些復(fù)制向“表決器”提交輸出，表決器決定了子系統(tǒng)的最終實(shí)際輸出。在N路復(fù)用設(shè)計中，當(dāng)N ≥ 3時，表決器通常采用多數(shù)決策策略。但是，這需要占不失效復(fù)制的絕大多數(shù)，而不僅僅是占復(fù)制總數(shù)(失效和不失效復(fù)制)的簡單多數(shù)。

然而，表決器的硬件和軟件不是類似于系統(tǒng)中的任何其他模塊，也會失效嗎？實(shí)際上，確實(shí)如此；而且一旦失效，還會給系統(tǒng)帶來災(zāi)難性的影響。但表決器通常極為簡單，因此可以通過設(shè)計和測試保證其魯棒性。此外，還可以設(shè)計復(fù)雜表決器和二級表決器等復(fù)雜系統(tǒng)，但本文不準(zhǔn)備進(jìn)行深入討論。

對于采用動態(tài)冗余的容錯，復(fù)制模塊仍然只需具有常規(guī)的商用可用性。一種實(shí)現(xiàn)方法是采用由一個被激活模塊和一個備用模塊組成的冗余對。另一方法則采用一簇模塊，這些模塊不必是其他模塊的精確復(fù)制，可以具有不同的特征、接口和容量。這簇復(fù)制需要采用失效接替策略，這樣當(dāng)主模塊出現(xiàn)故障時，就能確定如何對多個模塊進(jìn)行管理。下面給出了一些選擇：

1. 熱備用。主模塊在系統(tǒng)中運(yùn)行時，備份模塊處于“熱備用”狀態(tài)，一旦主模塊出現(xiàn)故障，備份模塊將啟動并接管主模塊。例如，可以采用這種方法設(shè)計高可用性的互聯(lián)網(wǎng)服務(wù)器。

2. 轉(zhuǎn)動備用。主模塊在系統(tǒng)運(yùn)行時，可以具有許多備用模塊。一旦主模塊出現(xiàn)故障，一個備用模塊將接管系統(tǒng)的運(yùn)行。航天飛機(jī)上飛行計算機(jī)的設(shè)計就基于該原理：主模塊由兩臺總穩(wěn)定工作的計算機(jī)組成，其中一個備用模塊是一個相似對(similar pair)，而第二個備用模塊則是一臺只能根據(jù)操作員指令接管系統(tǒng)的計算機(jī)。

3. 非關(guān)鍵模塊的失效接替。主模塊占用系統(tǒng)的關(guān)鍵資源，備用模塊則占用其他非關(guān)鍵資源。一旦主模塊出現(xiàn)故障，備用模塊就能接管主模塊占用的大部分關(guān)鍵資源。日常生活中我們也常常這么做：當(dāng)我們試圖發(fā)送一封緊急的電子郵件時，如果計算機(jī)的高速互聯(lián)網(wǎng)連接出現(xiàn)故障，我們會立即切換到舊式的調(diào)制解調(diào)器。

4. 共同接管。每個模塊均運(yùn)行自帶的關(guān)鍵資源，而且一旦某個模塊發(fā)生故障，其他模塊還能接管故障模塊的關(guān)鍵資源。例如，在功能增強(qiáng)的心護(hù)理室中，每8位病人將設(shè)置一臺心臟監(jiān)控計算機(jī)。如果一臺心臟監(jiān)控計算機(jī)崩潰，那么鄰近的計算機(jī)也能對故障計算機(jī)監(jiān)控的8位病人進(jìn)行監(jiān)控(或許性能將有所降低)。

正確的失效接替實(shí)現(xiàn)非常關(guān)鍵。如果故障的主模塊需要拋棄故障并繼續(xù)執(zhí)行，而同時另一模塊也試圖接管其業(yè)務(wù)，那么后果將是災(zāi)難性的，因?yàn)樗鼈兊臉I(yè)務(wù)有可能產(chǎn)生沖突。如果主模塊拋棄故障后停止執(zhí)行，而又沒有其他模塊接管其業(yè)務(wù)，這樣的后果同樣是災(zāi)難性的。因此失效接替的驗(yàn)證和測試非常關(guān)鍵，盡管我們當(dāng)中的許多人并不熱衷于此。

軟件冗余

大多數(shù)硬件故障都是隨機(jī)產(chǎn)生并由物理缺陷導(dǎo)致，這些缺陷要么在生產(chǎn)過程中維持不變，要么隨器件的老化而不斷變化，要么將受到外部物理環(huán)境的沖擊。相反，軟件故障與物理?xiàng)l件無關(guān)，因?yàn)檐浖粫匣?。與硬件故障不同，軟件故障源自對軟件設(shè)計或?qū)崿F(xiàn)中固有故障的軟件路徑調(diào)用。由于軟件通常比硬件復(fù)雜，因此軟件中可能具有比硬件多得多的內(nèi)置缺陷，從而導(dǎo)致軟件中的故障更多，容錯設(shè)計的成本也更高。

N版編程（N-version programming ）是久經(jīng)考驗(yàn)的一種軟件容錯設(shè)計方法。20世紀(jì)70年代偶然接觸到該方法時，那時還被稱為異質(zhì)軟件(dissimilar software)。這是硬件N路復(fù)用(如圖1所示)的等價軟件實(shí)現(xiàn)。但該方法比硬件N路復(fù)用的復(fù)制機(jī)制復(fù)雜，N路復(fù)用中相同軟件的N個復(fù)制將包含相同的故障并產(chǎn)生N次相同的錯誤。在N版編程中，如果N套軟件功能需要并行運(yùn)行，那么它們應(yīng)當(dāng)是該功能的N個不同實(shí)現(xiàn)，而且是由N個單獨(dú)的開發(fā)團(tuán)隊(duì)獨(dú)立開發(fā)完成。這就是N版編程的基本原理。

1996年6月，當(dāng)首次發(fā)射的阿麗安娜-5衛(wèi)星發(fā)送火箭上升到4000米高空時，突然發(fā)生了爆炸。該事故的原因在于火箭的慣性參考系統(tǒng)(這是數(shù)字飛行控制的一部分)發(fā)生了故障。盡管慣性參考系統(tǒng)中引入了硬件冗余，但軟件冗余沒有得到正確的處理。阿麗安娜-5帶有兩臺慣性參考計算機(jī)，一臺處于工作狀態(tài)，而另一臺則處于“開機(jī)”備用狀態(tài)。這兩套系統(tǒng)并行運(yùn)行，并具有完全一樣的硬件和軟件。系統(tǒng)上的軟件也與先前已經(jīng)成功發(fā)射的阿麗安娜-4幾乎一模一樣，但由于阿麗安娜-5上的某些飛行參數(shù)值比阿麗安娜-4大，因此數(shù)據(jù)發(fā)生了溢出。解決問題的方法是關(guān)閉計算機(jī)，由于冗余計算機(jī)也在運(yùn)行相同的軟件，因此也將受到數(shù)據(jù)溢出的沖擊，從而很快關(guān)閉，這樣整個慣性參考系統(tǒng)就完全崩潰。結(jié)果，引擎的噴管被回旋至極限位置，導(dǎo)致火箭突然轉(zhuǎn)向，并在自毀之前裂成兩半。這種處理數(shù)據(jù)溢出錯誤的方法適用于處理隨機(jī)出現(xiàn)的硬件錯誤，但不適用于處理兩臺計算機(jī)上出現(xiàn)的類似軟件錯誤。N版編程可以避免兩臺計算機(jī)出現(xiàn)類似的軟件錯誤。

在20世紀(jì)70年代，N版編程(N-version programming)是先進(jìn)的軟件容錯設(shè)計方法。此后，這種設(shè)計模式引發(fā)了一系列問題：隨著該技術(shù)的采用，軟件開發(fā)成本直線飆升，因?yàn)楸仨毘闪個單獨(dú)的團(tuán)隊(duì)開發(fā)N套相互獨(dú)立的軟件。如果期望降低成本，則將陷入所謂的“平均智商( Average IQ)”怪圈：較低成本的開發(fā)團(tuán)隊(duì)意味著較低質(zhì)量的軟件工程師，而這些工程師只能開發(fā)出較低質(zhì)量的代碼。因此，最終只能得到充斥著以N種不同方式產(chǎn)生故障的N種不同程序。