从500个服务器报警说起

在一台容错服务器内部有超过500个故障检测点，随时都有可能发出错误报警和通知。这些故障中，有处理器、芯片组、内存寻址、字节和电源错误，也有内部总线协议、CRC、ECC、系统时钟、系统服务和散热系统错误等，对于标准工业服务器而言，任何错误都可能导致系统瘫痪，更为可怕的是这些错误是随机的，很多属于临时性错误。如果把系统重新启动，有些故障就会消失。与故障相比，有些错误不容易被察觉，导致错误的计算结果，其危害更大。

工业标准服务器所以有如此的问题主要与设计思想有关，运行时间不是其主要设计目标，它只具有有限冗余特征，如电源，需要通过集群来提高可靠性。与之相比，小型机具有更高的可靠性设计，用于保障系统的可靠运行。小型机在故障点检测上有很多的保障机制。通常小型机的价格比较高。随着处理器技术的发展，特别是Intel Xeon 7500系列处理器的推出，IA处理器在可靠性性能设计上与小型机所采用的RISC处理器大幅度接近，但在系统上，标准工业服务器还是有些差距。

工业标准服务器的优势在于价格，小型机的竞争力在于高可靠性，有没有办法鱼和熊掌兼得呢？就只有在系统结构上想办法，双机、集群和容错都是不错的方法。

双机和集群是通过软件的方法，通过故障机切换来提升可靠性。与之相比，容错是采用硬件的方法，以及特有故障处理和保障机制提高系统的可靠性。容错较之单机具有更高的可靠性，其中，容错还具有纠正临时性错误的能力，可以确保计算的正确性。

小型机也通过双机和容错来进一步提升可靠性，但成本代价更高。随着IA处理器可靠性性能的改善，采用容错服务器提高系统可靠性成为了很多明智用户的选择。与双机相比，容错服务器硬件成本高于双机方案，但考虑软件因素，容错服务器具有相当竞争力。在这种情况下，以Stratus的ftServer为代表，容错服务器的门槛已经大大降低，成为关键业务应用的理想选择。