計算機系統(tǒng)的容錯技術方法

摘要: 隨著計算機技術的發(fā)展，計算機系統(tǒng)的可靠性越來越受到人們的重視，而容錯技術是提高可靠性的一種有效方法。本文研究了計算機容錯技術的各種方法，如硬件容錯、信息容錯、軟件容錯等，介紹了TMR（三模冗余）的原理及其缺點，詳細研究了兩種最基本的軟件容錯技術NVP和RB。這些容錯技術可有效提高計算機系統(tǒng)的可靠性。

　　計算機的應用十分廣泛，航空航天、軍事、銀行監(jiān)管系統(tǒng)、交通運輸系統(tǒng)以及其他重要的工業(yè)領域?qū)τ嬎銠C的可靠性要求非常高。計算機系統(tǒng)出現(xiàn)故障不僅會導致國家財產(chǎn)的嚴重損失，還會危及人身安全。因此，在這些領域中計算機的可靠性越來越受到人們的重視，國家非常重視可靠性的研究工作，投入了大量的資源。

　　1 基本容錯技術

　　一般而言，提高計算機的可靠性有兩種比較有效的方法。一種是避錯，就是避免出現(xiàn)故障，這就需要嚴格篩選計算機元器件，完善設計，提高制造工藝，以及加強質(zhì)量管理等。但即使是這樣一個計算機系統(tǒng)，由于其所在的工作環(huán)境有各種環(huán)境應力，如濕度、溫度、電磁干擾、強震動等，因此總避免不了出現(xiàn)故障。這就要求在計算機出現(xiàn)故障的情況下容忍故障的存在，即第二種方法--容錯技術。容錯技術最早由約翰·馮·諾依曼（John VON Neumann）提出，所謂容錯是指在出現(xiàn)一個或者幾個硬件或軟件方面的故障或錯誤的情況下，計算機系統(tǒng)能夠檢測出故障的存在并采取措施容忍故障，不影響正常工作，或者在能夠完成規(guī)定的任務的情況下降級運行［1］。

　　故障是指由于部件的物理失效、環(huán)境應力的作用、操作錯誤或不正確的設計，引起系統(tǒng)的硬件或軟件的錯誤狀態(tài)［2］。下面介紹幾種相關技術的基本概念。

　　故障檢錯技術：對于計算機系統(tǒng)的容錯首先要用到故障檢錯技術，即在計算機系統(tǒng)發(fā)生故障的情況下能夠檢測出故障的存在。

　　故障診斷技術： 檢測出系統(tǒng)存在故障后要進行故障的定位，找出故障所在的位置。

　　故障恢復技術： 在檢測出故障和定位故障的所在位置之后，就要運用故障恢復技術把系統(tǒng)從故障的狀態(tài)恢復到無故障的狀態(tài)繼續(xù)運行。

　　容錯最基本的的方法是冗余技術，所謂冗余就是超過系統(tǒng)實現(xiàn)正常功能的額外資源。冗余包括硬件冗余、軟件冗余、時間冗余和信息冗余。

　　1.1 硬件容錯技術

　　硬件冗余又包括靜態(tài)硬件冗余（也叫被動硬件冗余）、動態(tài)硬件冗余（也叫主動硬件冗余）和混合冗余（靜態(tài)冗余和動態(tài)冗余的結合）。靜態(tài)硬件冗余常見的形式有三模冗余（TMR），其基本原理是：系統(tǒng)輸入通過3個功能相同的模塊，產(chǎn)生的3個結果送到多數(shù)表決器進行表決，即三中取二的原則，如果模塊中有一個出錯，而另外兩個模塊正常，則表決器的輸出正確，從而可以屏蔽一個故障，TMR的缺點是，如果3個模塊的輸出各不相同，則無法進行多數(shù)表決；若有兩個模塊出現(xiàn)一致的故障，則表決的結果會出現(xiàn)錯誤。TMR結構如圖1所示。

圖1 TMR結構圖

　　三模冗余可推廣到N模冗余（NMR），其基本原理與TMR的原理相同，其中N≥3，且N為奇數(shù)，以便進行多數(shù)表決。動態(tài)冗余是指當檢測到工作的模塊出現(xiàn)錯誤時，就切換到一個備用的模塊，當換上的備用模塊又發(fā)生故障時，再切換到另一個備用模塊，依次類推，直到備用的模塊用完。

　　1.2 時間容錯技術

　　時間容錯的基本思想是：重復執(zhí)行指令或者一段程序來消除故障的影響，以達到容錯的效果，它是用消耗時間來換取容錯的目的。根據(jù)執(zhí)行的是一條指令還是一段程序，分成兩種方法：

　　一種是指令復執(zhí)。當檢測出故障的時候，重復執(zhí)行故障指令，若故障是瞬時的，則在指令復執(zhí)期間可能不會出現(xiàn)，程序就可以繼續(xù)向前運行。指令復執(zhí)必須保留上一指令結束的“現(xiàn)場”，包括累加器、PC及其他狀態(tài)寄存器的狀態(tài)。

　　另一種是程序卷回。它不是重復執(zhí)行一條指令，而是重復執(zhí)行一小段程序。在整段程序中可以設置多個恢復點，程序有錯誤的情況下可以從一個個恢復點處開始重復執(zhí)行程序。首先檢驗一小段程序的計算結果，若結果出現(xiàn)錯誤則卷回再重復執(zhí)行那個部分，若一次卷回不能解決，可以多次卷回，直到故障消除。