计算机系统的容错技术方法

摘要: 随着计算机技术的发展，计算机系统的可靠性越来越受到人们的重视，而容错技术是提高可靠性的一种有效方法。本文研究了计算机容错技术的各种方法，如硬件容错、信息容错、软件容错等，介绍了TMR（三模冗余）的原理及其缺点，详细研究了两种最基本的软件容错技术NVP和RB。这些容错技术可有效提高计算机系统的可靠性。

　　计算机的应用十分广泛，航空航天、军事、银行监管系统、交通运输系统以及其他重要的工业领域对计算机的可靠性要求非常高。计算机系统出现故障不仅会导致国家财产的严重损失，还会危及人身安全。因此，在这些领域中计算机的可靠性越来越受到人们的重视，国家非常重视可靠性的研究工作，投入了大量的资源。

　　1 基本容错技术

　　一般而言，提高计算机的可靠性有两种比较有效的方法。一种是避错，就是避免出现故障，这就需要严格筛选计算机元器件，完善设计，提高制造工艺，以及加强质量管理等。但即使是这样一个计算机系统，由于其所在的工作环境有各种环境应力，如湿度、温度、电磁干扰、强震动等，因此总避免不了出现故障。这就要求在计算机出现故障的情况下容忍故障的存在，即第二种方法--容错技术。容错技术最早由约翰·冯·诺依曼（John VON Neumann）提出，所谓容错是指在出现一个或者几个硬件或软件方面的故障或错误的情况下，计算机系统能够检测出故障的存在并采取措施容忍故障，不影响正常工作，或者在能够完成规定的任务的情况下降级运行［1］。

　　故障是指由于部件的物理失效、环境应力的作用、操作错误或不正确的设计，引起系统的硬件或软件的错误状态［2］。下面介绍几种相关技术的基本概念。

　　故障检错技术：对于计算机系统的容错首先要用到故障检错技术，即在计算机系统发生故障的情况下能够检测出故障的存在。

　　故障诊断技术： 检测出系统存在故障后要进行故障的定位，找出故障所在的位置。

　　故障恢复技术： 在检测出故障和定位故障的所在位置之后，就要运用故障恢复技术把系统从故障的状态恢复到无故障的状态继续运行。

　　容错最基本的的方法是冗余技术，所谓冗余就是超过系统实现正常功能的额外资源。冗余包括硬件冗余、软件冗余、时间冗余和信息冗余。

　　1.1 硬件容错技术

　　硬件冗余又包括静态硬件冗余（也叫被动硬件冗余）、动态硬件冗余（也叫主动硬件冗余）和混合冗余（静态冗余和动态冗余的结合）。静态硬件冗余常见的形式有三模冗余（TMR），其基本原理是：系统输入通过3个功能相同的模块，产生的3个结果送到多数表决器进行表决，即三中取二的原则，如果模块中有一个出错，而另外两个模块正常，则表决器的输出正确，从而可以屏蔽一个故障，TMR的缺点是，如果3个模块的输出各不相同，则无法进行多数表决；若有两个模块出现一致的故障，则表决的结果会出现错误。TMR结构如图1所示。

图1 TMR结构图

　　三模冗余可推广到N模冗余（NMR），其基本原理与TMR的原理相同，其中N≥3，且N为奇数，以便进行多数表决。动态冗余是指当检测到工作的模块出现错误时，就切换到一个备用的模块，当换上的备用模块又发生故障时，再切换到另一个备用模块，依次类推，直到备用的模块用完。

　　1.2 时间容错技术

　　时间容错的基本思想是：重复执行指令或者一段程序来消除故障的影响，以达到容错的效果，它是用消耗时间来换取容错的目的。根据执行的是一条指令还是一段程序，分成两种方法：

　　一种是指令复执。当检测出故障的时候，重复执行故障指令，若故障是瞬时的，则在指令复执期间可能不会出现，程序就可以继续向前运行。指令复执必须保留上一指令结束的“现场”，包括累加器、PC及其他状态寄存器的状态。

　　另一种是程序卷回。它不是重复执行一条指令，而是重复执行一小段程序。在整段程序中可以设置多个恢复点，程序有错误的情况下可以从一个个恢复点处开始重复执行程序。首先检验一小段程序的计算结果，若结果出现错误则卷回再重复执行那个部分，若一次卷回不能解决，可以多次卷回，直到故障消除。