量化系統可用性（Availability）的指標是時間，通常會說的是一年可容忍停機多久，或是用百分比來說明系統可用的時間，帶出來的幾個名詞是：
- SLA：Service Level Agreement服務水準協議
廠商給予服務水準的正式承諾文件 - SLO：Service Level Objectives服務水準目標
對SLA的服務標的之說明文件，像是在某個條件下的維修服務做到哪邊 - MTD：Maximum Tolerable Downtime 最大可容忍停機時間，通常會寫的是Annual MTD，以年為標準列出可停機的時間，MTD根據可用性高到低列出：
- 6個9：MTD=32s，一年最多停機32秒，可用性是99.9999%
- 5個9：MTD=5m15s：最多停機5分多鐘，可用性是99.999%
- 4個9：MTD=52m34s：最多停機快1小時，可用性是 99.99%
- 3個9：MTD=8hr45m36s：最多停機8個多小時，可用性是99.9%
- 2個9：MTD=3d15hr36m：最多停機超過3天半，可用性是99%
談到MTD最大可停機時間，就需要說明幾個與災難（Disaster，指的是停機發生）與復原（Recovery，指的是系統恢復）相關的時間點：
- Last backup：災難發生前最後備份的時間點
- Disaster：事故（outage event）發生的時間點
- Complete system recovery：完成系統還原的時間點，只有系統沒有資料
- 完成recovery lost data：把最後備份的資料倒回去的時間點，有系統還有部分資料
- 完成recover manually collect data：把手工蒐集的資料完整倒回去，也就是恢復了系統與資料。這個時間點之後系統完全正常作業，但需要進一步的驗證
- 完成test & verify system/data：完成系統與資料的驗證。
確定事件的時間點後，就可以說明各個時間區間了終於講到這篇的重點：
- RPO：Recovery Point Objective可容許的最大資料損失量（acceptable amount of data lose），從時間點1到2
這段時間的資料因為處於備份的空窗期，所以即便是系統復原後資料還是會有缺失。這部分缺失的資料後面會做recover work backlog來嘗試修復 - RTO：Recovery Time Objective讓系統重新上線花費的時間（acceptable amount of downtime），即時間點2到3
這段時間系統因為事故而無法正常運行，所以重點會是恢復整個系統，簡稱work backlog，注意到這邊資料都還沒有倒回去，所以系統是空的 - WRT：Work Recovery Time將工作恢復到之前的服務水準，時間點從3到5。
- 這段時間就是將備份的資料倒回去，時間點從3到4
- 嘗試修復RPO這段時間失去的資料叫recover work backlog，注意這部分不是把備份倒回去
- 把備份倒回去這個動作叫做recover lost data
- 對於當下無法上系統的資料要先手工處理後然後再上系統，時間從3到5
把手工處理蒐集的資料倒進去叫做recover manually collect data - MTD：等於RTO+WRT，從災難發生到系統完全恢復，時間從2到5
參考文件
- 漫談高可用性與災難重建的規劃與評估(第三集) by Joseph Tu：有圖與解釋
- RPO, RTO, WRT 與 MTD@Dog's Life 2.0：有圖有解釋有例子
_EOF_
沒有留言:
張貼留言