引子
在某种程度上来说，软件的复杂性是应对无处不在的错误所带来的。要想在不可靠的硬件、软件和网络的基础上构建可靠的系统，容错是必不可少的。
哪里会出错
要做到更好的容错、健壮和可靠，首先需要全面的梳理可能导致错误的源头和可能性。
要分析错误源头，则要首先分析应用及流程锁依赖的要素和环节。针对每一个要素和环节，推敲会出错的地方；要了解可预料到的错误，可以看看 Java 库或框架里的各种 Exception 。
机器节点
- 磁盘故障、内存耗尽、CPU 100% 占用、掉电；
网络
- DNS 故障、机架故障、路由器故障、设备故障、电缆故障；
- 连接中断、请求排队（延迟）、网络丢包、网络重传、网络拥塞、网络分区。
时间
- 很多监控统计依赖于时钟；
- 数据最终一致性的操作依赖于到达先后顺序；
- 同一台机器的时钟晶振可能受温度影响而波动；
- 不同机器上的时钟是不一致的，通过 NTP 协议同步；
- NTP 协议是经过网络的，这意味着网络的不稳定会影响时钟的同步；
- “跳秒”现象：1 分钟有 59s 或 61s ；
- 任务耗时过长，对外部来说就是无响应。
资源
- 资源不存在，比如文件不存在；
- 资源暂时不可用，比如端口已占用；
- 没有可用资源，比如连接池满；
- 资源路径已经被移动；
- 资源访问时的同步死锁。
数据
- 不符合预期格式的数据；
- 脏数据引起解析错误；
- 不一致的数据引起后继行为错误；
- 大对象数据引起 FullGC 导致响应不稳定；
- 错误配置；
- 非法请求获得正常资源；
- 恶意代码。
计算
- 溢出，不符合运算法则；
- 除零，无值可表示；
- 有限精度，浮点计算错误；
- 逻辑错误，比如越界、不正确的算法。
设计
- 设计不足或不合理，容易令人疏忽而导致误操作；
- 危险操作无确认、无提示，容易造成损失；
- 少数服从多数原则，达不到多数；
- Leader 的消息无法被其它节点接收，被其它节点判定为下线。
流程
- 中途取消操作；
- 逆向操作。
负荷
- 大流量超出应用承受负荷。
安全
- 非授权访问；
- 数据泄露；
- 数据被篡改；
- 访问拒绝。
并发
- 数据覆写：访问一个共享资源时，进程 A 获取锁，然后进入了 stop-the-world GC pause ； 进程 B 发现锁已过期，然后申请获得锁，进行数据写操作，接着释放锁；进程 A 结束 GC，进行数据写操作。 进程 A 将 进程 B 的写数据覆盖了。
拜占庭错误
- 当分布式系统里的节点要达成共识时，少数节点故意发送错误消息迷惑其它节点，以造成整体错误决策。比如航天领域防电子辐射干扰、多参与者协作和决策。
健壮性
健壮性是极为重要的程序质量属性。分为代码健壮性和业务健壮性。健壮性体现在代码和业务上的错误和异常处理上，避免整体失败、数据泄露、不一致、资损等故障。要做出健壮性好的设计和程序，就要预先思考清楚：流程中有哪些可能的错误和异常，每一种对应的处理措施是什么 ？ 这样，才能让逻辑思维更加缜密，也是锻炼逻辑思维的一种有效之法。
- 代码健壮性体现在避免局部失败导致整体失败。常见考虑：参数校验以拦截不合法请求、越界异常捕获、JSON 脏数据异常捕获、类型转换异常捕获、底层异常捕获（连接异常、DB 异常、网络超时异常等）。
- 业务健壮性体现在业务的闭合环。在整个业务过程中会发生什么异常，导致什么问题（体验或资损问题），如何处理。比如同城异常检测要考虑商家同城呼叫失败后又快递发货的情形。
容错机制
思路与方法
- 设定系统假定，检测系统假定是否成立，然后在系统假定上构建系统；
- 聚焦高频错误：磁盘故障 > 服务器单机故障 > DNS 故障 > 机架故障 > 路由器重启；
- 错误提示规范：定义规范一致的错误码和错误消息；
- 快速失败并记录日志：适用于“请求检测，请求中含有错误或非法数据”的场景；
- 忽略失败并记录日志：适用于“不影响整体输出且不造成负面影响的极次要地方有点小问题”的场景；
- 预防策略：避免容易导致错误的做法；
- 冗余策略：冗余、替换、路由，见高可用部分；
- 重试策略：幂等；完全重试；补偿重试；
- 回滚策略：中途取消，重续执行很容易导致脏数据，考虑回滚操作；
- 故障恢复：监控、检测错误和故障、自动恢复；
- 乐观锁：递增的 fencing token ，防止过期写操作覆盖已经完成的写操作；
系统假定
-
同步模型假定：任何网络延迟、进程暂停、时钟错误都不可能超出某个上限值。即：有限的网络延迟；有限的进程暂停；有限的时钟错误。
-
部分同步模型假定：在同步模型假定的基础上，允许极少数的无法预测的超上限的网络延迟、进程暂停、时钟错误。
-
异步模型假定：对时序不做假定，难以预料事件何时发生和动作何时执行。
-
节点崩溃假定：节点突然失去响应，再也无法正常运行；
-
节点崩溃-恢复假定：节点可能在任何时候失去响应，在一段时间之后自动恢复并正常运行；易失性存储（比如内存）中的数据丢失，而持久性存储（比如磁盘）中的数据完好；
-
拜占庭假定：部分节点通过虚假消息欺骗其它节点，从而诱导作出错误的整体决策。
最常见的系统假定：部分同步模型假定 + 节点崩溃-恢复假定。
算法的正确性
- 正确性假定：算法满足某些指定性质。
- 达成预期结果、安全、活性。
重试
- 使操作满足幂等性质；
- 可以使用失败队列来记录失败的操作及失败信息、失败现场；
- 完全重试策略：整个操作从头开始执行，适合多读少写的长事务；
- 补偿重试策略：从失败现场的地方重续执行，适合多写且回滚代价昂贵的长事务；‘
- 完全重试策略，可指定重试次数；
- 可采用定时任务重试。
- 幂等：唯一索引、Token 机制（防页面重复提交）、分布式锁、select+insert、状态机幂等、查询/删除天然幂等。
可靠性实现
TCP可靠传输
- 网络的不可靠性： IP 数据包的丢失、重复、失序；
- TCP 连接可靠性： 三次握手、四次挥手；
- TCP 可靠机制：全双工连接、字节流、数据包有序编号、数据校验和、确认、定时器与超时重传、重复丢弃、流量控制（滑动窗口机制）、拥塞控制；
- TCP 重传机制： 超时重传和快速重传。超时重传依赖于超时时间的设定，快速重传依赖确认包的接收。可以说，选择不同的依赖因子决定了不同的解决途径，也就有不同的优点和缺点。
超时重传机制
TCP 发送数据包后，会启动相应的定时器，如果超时 RTO 还没有收到数据确认包，就会重新发送该数据包。
超时 RTO 的选择非常重要。若 RTO > RTT, 则可能网络利用率低，若 RTO < RTT 则可能拥塞。RTO 的选取基于 RTT 的统计及 BEB （二进制指数退避算法），重传次数及重传最大超时时间（RFC1122）。
RTO 估计： EWMA RTT 权重估计法（RTO = min(ubound, max(lbound,(SRTT)β)), RTO = (1-2)*SRTT, SRTT ← α(SRTT) + (1 − α) RTTs, α 取 80%-90%, β 取 1.3-2.0），标准估计法（查阅相关文献）。由于 RTO 通常至少是 RTT 的 2 倍，因此超时重传机制容易导致网络利用率不高。
快速重传机制
TCP 收到失序数据包后会立即发送确认包，意在告诉发送方迅速发送需要的数据包以填补“包漏洞”（可能存在包丢失）。如果有 dupthresh 个包重新确认了，则很可能存在包丢失，将启动快速重传机制，而不是依赖超时。也就是说，依赖确认包的快速发送和重复确认包来决定是否重传。
SACK （选择性确认）用来解决数据包重复和失序的问题，总是发送最近收到确认的序列号的范围值。发送者可以推理出最需要发送的未确认的包，并优先发送这些数据包。可以使用位图来检测没有收到的确认序号。快速重传更高效，不过会产生误重传问题。
重传的性能优化
- TCP 可以记录每一次的连接和传输，作为性能调优的依据（srtt 和 rttvar），可以做成自适应的；
- TCP 重传时，可以将多个数据包重组起来一起发送（总大小不能超过 MSS 和 MTU），以提升网络传输效率，也可以减轻重传数据包的二义性。
TIME_WAIT
TCP 连接关闭的过程中，客户端在发送服务端 FIN 包的 ACK 之后，进入 TIME_WAIT 状态，需要等待 2MSL 才能关闭。这是为了确保 ACK 可靠到达服务端。
参考资料
- 《 Designing Data-Intensive Applications》 ： 第 8 章
- 《TCP/IP ILLustrated Volume 1: The Protocols》：第 12-17 章