1、系统稳定性的评判标准

在开始谈稳定性保障之前，我们先来聊聊业内经常提及的一个词SLA！业内喜欢用SLA （服务等级协议，全称：service level agreement）来衡量系统的稳定性，对互联网公司来说，就是网站与用户间定义的一种双方认可的协定。

我们平常经常看到互联网公司喊口号，我们今年一定要做到3个9、4个9，即99.9%、99.99%，甚至还有5个9，即99.999%。
9越多代表全年服务的可用时间，时间越长服务越可靠。就以一个标准99.99%为例，停机时间52.6分钟，平均到每周也就是只能有差不多1分钟的停机时间，也就是说网络抖动这个时间可能就没了。
服务稳定性计算标准一般都是，总的请求数-失败数 / 总请求数 ，比如100-5/100 = 95% ，下面列举了几个对应的停机时间。

1年 = 365天 = 8760小时3个999.9 = 8760 * 0.1% = 8760 * 0.001 = 8.76小时4个999.99 = 8760 * 0.0001 = 0.876小时 = 0.876 * 60 = 52.6分钟5个999.999 = 8760 * 0.00001 = 0.0876小时 = 0.0876 * 60 = 5.26分钟

2、提高系统稳定性的意义

我认为这是一个非常重要的问题，我们费了那么多资源，投入了许多时间、精力为的是什么，揭高系统稳定性的意义究竟是什么？

  • 不是让公司多挣钱，而是让公司少损失钱！（电商类，交易类系统）
  • 提升用户对系统的使用感受，减少用户的流失（用户评价：顺畅、垃圾、再在也用了、用竞品）

3、提高系统稳定性的本质

  • MTTF (Mean Time To Failure，平均无故障时间)，指系统无故障运行的平均时间，取所有从系统开始正常运行到发生故障之间的时间段的平均值。 MTTF =∑T1/ N
  • MTTR (Mean Time To Repair，平均故障修复时间)，指系统从发生故障到维修结束之间的时间段的平均值。MTTR =∑(T2+T3)/ N
  • MTBF (Mean Time Between Failure，平均故障间隔时间)，指系统两次故障发生时间之间的时间段的平均值。 MTBF =∑(T2+T3+T1)/ N

  • 可靠性：度量标准是平均故障间隔时间 (MTBF)，即经过此间隔时间后组件出现故障并需要修复。提高可靠性需要强调减少系统故障的次数，即不出故障或尽可能的少出故障，即增加MTTF时间。
  • 可用性：量化指标是周期内系统无故障运行的总时间（MTTF）。提高可用性需要强调减少从灾难中恢复的时间，即减小MTTR时间。

系统稳定性的本质：就是提高可靠性和可用性，增加故障间隔时间（MTTF），减小故障修复时间（MTTR）从而保障业务连续性，减少业务损失。

4、提高系统稳定性认知陷阱

本节大概讲一下，我们在维护系统时的一些常见陷阱，以及我们如何提升我们的认知水平。

陷阱1：我的系统从来没有发生过事故，肯定不会出故障

连续性思维：通常人们认为过去、现在、未来是连续的，而现实世界是非连续的，连续性只是认知假设。人类的默认思维方式是归纳法，它的适用范围是在同一曲线内，没有突变。我们的系统是一个变化的系统，一旦前提假设不成立，从过去看未来的归纳总结就不再成立。
认知升级：认识到连续性思维的局限，转变为非连续性思维，解决思维固化

陷阱2：网络出问题了，基础设施出问题了，我也没办法呀，不是我的错

Design for failure(故障设计)：我们的系统构建在硬件、操作系统等基础设施之上，依赖中间件、数据库、网络，依赖于三方系统，所有的这些都有可能失效，我们必须基于这些依赖都会失效进行设计。
认知升级：一切都可能失效，要考虑失效场景

陷阱3：我考虑了这些异常场景，做了专门设计，肯定没问题

故障演练验证:我们所有的设计是否有效，应该像物理学、化学一样，要得到验证，没有验证的东西都是

不可信的。我们要模拟故障场景，根据发生的概率和危害程度及后果进行可靠性设计验证、可用性设计验证，证明如我们期望的一样运行。
认知升级：设计是否有效，需要故障演练验

陷阱4：这个故障场景发生的可能性太低，应该不会发生

墨菲定律(Murphy’s Law)：主要内容有四个方面：

  • 任何事都没有表面看起来那么简单；
  • 所有的事都会比你预计的时间长；
  • 会出错的事总会出错；
  • 如果你担心某种情况发生，那么它就更有可能发生。

墨菲定律的根本内容是指任何一个事件，只要具有大于零的机率，就不能架设它不会发生。
认知升级：担心发生的迟早会发生，杜绝侥幸心理

陷阱5：这几天报警数有点多，不过没有用户反馈，过几天再说

海恩法则：任何不安全事故都是可以预防的。海恩法则，是航空界关于飞行安全的法则。海恩法则指出:每一起严重事故的背后，必然有29次轻微事故和300起未遂先兆以及1000起事故隐患。

按照海恩法则分析，当一件重大事故发生后，我们在处理事故本身的同时，还要及时对同类问题的“事故

征兆”和“事故苗头”进行排查处理，以此防止类似问题的重复发生，及时解决再次发生重大事故的隐患，把问题解决在萌芽状态。

海恩法则强调两点：一是事故的发生是量的积累的结果；二是再好的技术，再完美的规章，在实际操作层面，也无法取代人自身的素质和责任心
认知升级：不要麻痹大意，事情会由量变到质变转换的

5、提高系统稳定性的具体方法

上面说了一大堆，又是标准，又是意义的，下面的才是干货，我以为自己的角度进行了一下归纳总结。

6、总结

系统就像一辆高速运行的汽车，随时都会有新的需求，新的问题在等着我们，我们不能让这个高速行驶的汽车停下来修复问题，所以我们只能在它运行的时候修复，这是一项风险很高的操作，所以需要我们在各个环节都做好了，才能保证它不出问题。要提高系统稳定性也不一朝一夕的事，是一个长期的过程，所以不要松懈，有问题及时解决。

本是后山人,偶做前堂客。醉舞经阁半卷书,坐井说天阔。写的不好敬请谅解！