主要内容

计算机是在不同的抽象层上设计和构造的。我们可以逐级深入计算机的不同层面，将每个组件放大为一个完整的子系统进行查看，直到深入到独立的晶体管为止。尽管有些故障会波及整个系统，比如掉电，但许多故障可以被限制在模块的单个组件上。因此，在某一层级看来是整个模块完全失效的情况，当从更高层级来看时，可能只是一个模块中的组件故障。这种层级区分有助于找出构建可靠计算机的方法。
　　如何判断一个系统的运行是否正常，这是一个难题。随着互联网服务的普及，这个问题变得更为明确。基础设施供应商开始提供服务等级协议(service level agreement,SLA)或服务等级目标(service level objective,SLO),以保证他们的网络或电源服务是可靠的。例如、他们在一个月内无法满足协议的时间超过若干小时，就会向客户做出赔偿。因此，可以使用LA来判断系统是正常运行还是已经宕机。
　　系统在SLA规定的两种服务状态之间切换。
　　(1)服务完成，即提供了指定服务。
　　(2)服务中断、即所提供的服务与SLA不一致。
　　两种状态之间的转换由故障（由状态1至状态2）或恢复（由状态2至状态1）导致。对这两种转换进行量化，可以得到可信任度的两种主要度量。
　　模块可靠性是对从参考初始时刻开始的连续的服务完成情况的度量（一种等价的说法是、对发生故障之前的时间的度量)。因此，平均无故障时间(mean time to failure,MTTF)是一种可靠性度量。MTTF的倒数就是故障率，通常以运行10亿小时发生的故障数来表示，被称为FIT(failures in time)。因此，1 000 000小时的MTTF相当于10⁹/10⁶=1000FIT。服务中断用平均修复时间(mean time to repair,MTTR)来度量。平均故障间隔时间(mean time between failures,MTBF)就是MTTF+MTTR。尽管MTBF使用得更为广泛，但MTF通常更适用。如果一组模块的生存期呈指数分布，也就是说模块的老化对于故障概率的影响不大，那么这一组模块的整体故障率就是这些模块的故障率之和。
　　模块可用性是指在服务完成与服务中断两种状态之间切换时，对服务完成情况的度量。对于可修复的非冗余系统，模块可用性为
　　模块可用性=MTTF/(MTTF+MTTR)
　　注意，可靠性和可用性现在是可量化指标，而不再是可信任度的同义词。从这些定义出发，如果我们对组件的可靠性做出一些假设，并假设故障之间互相独立，则可以量化地估计一个系统的可靠性。

其实应对故障的主要方法是冗余，或者是时间冗余（重复操作），或者是空间冗余（当一个组件故障的时候由其他组件来进行接管）。