大规模系统中的故障

• 作者: 本·毛雷尔 杨任宇 欧阳晋 胡春明
• 来源期刊: 中国计算机学会通讯
• 关键词: 大规模分布式系统 故障诊断 事故复审
• 年，卷（期）: 2016,（1）
• 所属期刊栏目: 译文
• 页码范围: 86-92
• 页数: 7页
• 语种: 中文

摘要

脸谱最佳实践:面对快速变化的系统可靠性. 故障已经成为任何大规模系统工程中的一部分.脸谱(Facebook)的价值观之一就是拥抱故障.门洛帕克市(Menlo Park)脸谱总部的墙上,悬挂着这样的海报:“假如没有恐惧,你会做什么?”和“天佑勇者”. 为了让脸谱在快速变化中保持系统的高可靠性,我们研究了通用的故障模式,并构建了用于处理故障的各种抽象.这使我们能够采取最好的措施确保在脸谱的整个基础设施中提高系统可靠性.为了指导我们抽象出可靠性概念,就必须理解大规模系统中的故障.为此我们构建了故障诊断工具和事故复审(incident review)机制,来推动我们不断改进系统,并预防未来的故障.