可靠性

Часто задаваемые вопросы

可靠性和可用性有什么区别？

可靠性强调"一段时间内不出故障"，关注故障发生的频率，用 MTBF 等指标衡量；可用性强调"需要时能否访问"，关注服务在线时间的比例，用 99.9% 这类百分比衡量。二者相关但不等价：一个系统可能很少故障（高可靠），但每次故障恢复都极其缓慢（低可用）。工程实践中通常需要同时优化故障间隔与故障恢复速度。

灾备方案与高可用方案有什么区别？

高可用主要解决局部故障，如同城机房内的服务器、网络或进程故障，目标是秒级到分钟级自动切换，保证业务不中断；灾备主要应对区域性灾难，如机房断电、洪水或地震，目标是在异地恢复业务，RTO 通常以分钟到小时计。二者互补：高可用保证"不轻易倒"，灾备保证"倒了能重新站起来"，完整的业务连续性体系需要同时覆盖。

RTO 和 RPO 应该如何设定？

RTO（恢复时间目标）指业务中断后可容忍的最长恢复时间，RPO（恢复点目标）指可容忍的最大数据丢失量。设定时应先做业务影响分析，识别关键业务链路及其停机损失，再结合行业监管要求与投入成本确定目标值。例如核心交易系统可能需要 RTO<5 分钟、RPO≈0，而内部报表系统可放宽至小时级。目标一旦确定，就应通过架构选型与演练结果反向验证其可达性。

数据集成中的断点续传如何做到不丢不重？

通常采用"位点记录 + 幂等写入"的组合机制：任务运行过程中周期性地把消费位点或分片进度持久化，中断后从最近一次成功位点继续，避免数据丢失；同时在目标端以主键或唯一业务键做幂等更新，即使发生重放也不会产生重复数据。配合全程留痕记录每次执行的时间、数据量与状态，可以在出现异常时快速定位断点并人工介入校验，形成可审计的可靠性闭环。

如何客观评估一个系统的可靠性水平？

可从四个维度评估：一是历史运行数据，统计真实故障次数、MTBF 与 MTTR；二是架构审查，检查是否存在单点、是否有自动故障转移与限流降级策略；三是演练结果，包括故障注入与灾备切换的实际耗时是否满足 RTO/RPO；四是可观测性，是否具备覆盖指标、日志与链路追踪的监控告警能力。四者结合才能得到接近真实的可靠性画像，避免仅凭设计文档判断。