Fiabilidad, disponibilidad y facilidad de mantenimiento.

Confiabilidad, disponibilidad y facilidad de mantenimiento ( RAS ), también conocida como confiabilidad, disponibilidad y mantenibilidad ( RAM ), es un término de ingeniería de hardware informático que abarca la ingeniería de confiabilidad , la alta disponibilidad y el diseño de facilidad de mantenimiento . La frase fue utilizada originalmente por IBM para describir la robustez de sus computadoras centrales . ^{[ 1 ] [ 2 ]}

Los ordenadores diseñados con niveles más altos de RAS tienen muchas características que protegen la integridad de los datos y ayudan a que permanezcan disponibles durante largos períodos de tiempo sin fallos . ^{[ 3 ]} Esta integridad de datos y tiempo de actividad es un punto de venta particular para los mainframes y los sistemas tolerantes a fallos .

Si bien RAS se originó como un término orientado al hardware , el pensamiento de sistemas ha extendido el concepto de confiabilidad-disponibilidad-mantenibilidad a los sistemas en general, incluido el software : ^{[ 4 ]}

• La fiabilidad se puede definir como la probabilidad de que un sistema produzca resultados correctos hasta un tiempo determinado t . ^{[ 5 ]} La fiabilidad se ve mejorada por características que ayudan a evitar, detectar y reparar fallos de hardware. Un sistema fiable no continúa funcionando silenciosamente ni entrega resultados que incluyan datos corruptos sin corregir. En cambio, detecta y, si es posible, corrige la corrupción, por ejemplo: reintentando una operación para errores transitorios ( suaves ) o intermitentes, o bien, para errores incorregibles, aislando el fallo e informándolo a mecanismos de recuperación de nivel superior (que pueden conmutar a hardware de reemplazo redundante, etc.), o bien deteniendo el programa afectado o todo el sistema e informando de la corrupción. La fiabilidad se puede caracterizar en términos de tiempo medio entre fallos (MTBF), con fiabilidad = exp(−t/MTBF). ^{[ 5 ]}
• La disponibilidad se refiere a la probabilidad de que un sistema esté operativo en un momento dado, es decir, el porcentaje de tiempo que un dispositivo está realmente en funcionamiento con respecto al tiempo total que debería estarlo. Los sistemas de alta disponibilidad pueden informar la disponibilidad en términos de minutos u horas de inactividad por año. Las funciones de disponibilidad permiten que el sistema permanezca operativo incluso cuando se producen fallos. Un sistema de alta disponibilidad desactivaría la parte defectuosa y continuaría funcionando a una capacidad reducida. Por el contrario, un sistema menos capaz podría fallar y quedar totalmente inoperativo. La disponibilidad se suele expresar como un porcentaje del tiempo que se espera que un sistema esté disponible, por ejemplo, 99,999 % (" cinco nueves ").
• La facilidad de mantenimiento se refiere a la simplicidad y rapidez con la que se puede reparar o mantener un sistema; si aumenta el tiempo de reparación de un sistema averiado, disminuirá su disponibilidad. La facilidad de mantenimiento incluye diversos métodos para diagnosticar fácilmente el sistema cuando surgen problemas. La detección temprana de fallos puede reducir o evitar el tiempo de inactividad del sistema. Por ejemplo, algunos sistemas empresariales pueden llamar automáticamente a un centro de servicio (sin intervención humana) cuando el sistema experimenta un fallo. Tradicionalmente, el enfoque se ha centrado en realizar las reparaciones correctas con la menor interrupción posible de las operaciones normales.

Nótese la distinción entre fiabilidad y disponibilidad: la fiabilidad mide la capacidad de un sistema para funcionar correctamente, incluyendo la prevención de la corrupción de datos, mientras que la disponibilidad mide la frecuencia con la que el sistema está disponible para su uso, incluso si no funciona correctamente. Por ejemplo, un servidor puede funcionar indefinidamente y, por lo tanto, tener una disponibilidad ideal, pero puede ser poco fiable y sufrir frecuentes daños en los datos. ^{[ 6 ]}

Los fallos físicos pueden ser temporales o permanentes:

• Las fallas permanentes dan lugar a un error continuo y generalmente se deben a alguna falla física, como la electromigración del metal o la ruptura dieléctrica.
• Las fallas temporales incluyen fallas transitorias e intermitentes .
  • Las fallas transitorias (también llamadas fallas leves ) provocan errores puntuales e independientes y no se deben a fallas permanentes del hardware: algunos ejemplos son las partículas alfa que alteran un bit de memoria, el ruido electromagnético o las fluctuaciones en la fuente de alimentación.
  • Las fallas intermitentes ocurren debido a un componente débil del sistema, por ejemplo, la degradación de los parámetros del circuito, lo que lleva a errores que probablemente se repitan. ^{[ 5 ]}

Las fallas transitorias e intermitentes generalmente se pueden detectar y corregir, por ejemplo, mediante códigos ECC o la repetición de instrucciones (véase más abajo). Las fallas permanentes generan errores irrecuperables que se pueden solucionar reemplazando el hardware por duplicado (por ejemplo, mediante la reserva de procesadores) o transfiriendo el error irrecuperable a mecanismos de recuperación de alto nivel. Una falla intermitente corregida con éxito también se puede notificar al sistema operativo para proporcionar información para el análisis predictivo de fallas .

Entre las características de hardware que pueden servir de ejemplo para mejorar el RAS se incluyen las siguientes, listadas por subsistema:

• Procesador :
  • Detección de errores en las instrucciones del procesador (por ejemplo, comprobación de residuos de resultados ^{[ 7 ]} ) con reintento de instrucciones, por ejemplo, recuperación alternativa del procesador en mainframes de IBM ^{[ 8 ]} o "tecnología de reproducción de instrucciones" en sistemas Itanium ^{[ 9 ] .}
  • Los procesadores funcionan de forma sincronizada para llevar a cabo sistemas de verificación maestra o de votación.
  • Arquitectura de comprobación de máquina e interfaz de errores de plataforma ACPI para informar de errores al sistema operativo.
• Memoria :
  • Paridad o ECC (incluida la corrección de un solo dispositivo ) protección de los componentes de memoria ( caché y memoria principal ); desactivación de líneas de caché defectuosas; limpieza de memoria ; ahorro de memoria, duplicación de memoria; ^{[ 10 ]} desconexión de páginas defectuosas; dirección de bits redundante ; matriz redundante de memoria independiente (RAIM).
• E/S :
  • Sumas de comprobación de redundancia cíclica para la transmisión/reintento de datos y el almacenamiento de datos, por ejemplo, PCI Express (PCIe) Advanced Error Reporting (AER), ^{[ 11 ]} rutas de E/S redundantes .
• Almacenamiento :
  • Configuraciones RAID para almacenamiento en discos duros y unidades de estado sólido .
  • Sistemas de archivos con registro de transacciones para la reparación de archivos después de fallos.
  • Sumas de verificación tanto en los datos como en los metadatos, y limpieza en segundo plano .
  • Tecnología de autocontrol, análisis e informes para discos duros y unidades de estado sólido.
• Alimentación/refrigeración:
  • Duplicar componentes para evitar puntos únicos de fallo , por ejemplo, las fuentes de alimentación.
  • Sobredimensionar el sistema para los rangos operativos especificados de frecuencia de reloj , temperatura, voltaje y vibración.
  • Sensores de temperatura para regular la frecuencia de funcionamiento cuando la temperatura se sale de los parámetros especificados.
  • Protector contra sobretensiones , sistema de alimentación ininterrumpida , alimentación auxiliar .
• Sistema:
  • Intercambio en caliente de componentes: CPU , RAM , discos duros y unidades de estado sólido .
  • Análisis predictivo de fallos para predecir qué errores intermitentes corregibles conducirán finalmente a errores permanentes no corregibles.
  • Particionamiento/agrupación de componentes informáticos para permitir que un sistema grande actúe como varios sistemas más pequeños.
  • Máquinas virtuales para disminuir la gravedad de los fallos del software del sistema operativo .
  • Dominios de E/S redundantes ^{[ 12 ]} o particiones de E/S ^{[ 13 ]} para proporcionar E/S virtual a las máquinas virtuales invitadas.
  • Capacidad de agrupación de ordenadores con capacidad de conmutación por error , para una redundancia completa de hardware y software.
  • Actualización dinámica de software para evitar la necesidad de reiniciar el sistema para actualizar el software del kernel , por ejemplo, Ksplice en Linux.
  • Procesador de gestión independiente para la operatividad: monitorización, alertas y control remotos.

Los diseños tolerantes a fallos ampliaron la idea al convertir la fiabilidad, disponibilidad y disponibilidad ( RAS ) en la característica definitoria de sus ordenadores para aplicaciones como las bolsas de valores o el control del tráfico aéreo , donde las caídas del sistema serían catastróficas. Los ordenadores tolerantes a fallos (por ejemplo, Tandem Computers y Stratus Technologies ), que suelen tener componentes duplicados funcionando de forma sincronizada para garantizar la fiabilidad, se han vuelto menos populares debido a su elevado coste. Los sistemas de alta disponibilidad , que utilizan técnicas de computación distribuida como los clústeres de ordenadores , se emplean a menudo como alternativas más económicas.

• Arquitectura de verificación de máquina (MCA)
• Excepción de verificación de máquina (MCE)
• Alta disponibilidad (HA)
• Redundancia (ingeniería)
• Soporte logístico integrado
• RAMS (fiabilidad, disponibilidad, mantenibilidad y seguridad)

• Características de confiabilidad, disponibilidad y facilidad de servicio (RAS) de Itanium Archivado el 11/11/2011 en Wayback Machine Descripción general de las características RAS en general y características específicas del procesador Itanium .
• POWER7 System RAS Aspectos clave de la confiabilidad, disponibilidad y facilidad de mantenimiento de los sistemas Power. Daniel Henderson, Jim Mitchell y George Ahrens. 10 de febrero de 2012. Archivado el 28 de diciembre de 2018 en Wayback Machine . Descripción general de las características RAS en los procesadores Power .
• Intel Corp. Fiabilidad, disponibilidad y facilidad de mantenimiento para la empresa siempre activa (apéndice B) y la familia de procesadores Intel Xeon E7: compatibilidad con servidores RAS de próxima generación. Libro blanco. Descripción general de las funciones RAS en los procesadores Xeon .
• Descripción general del sistema zEnterprise 196. IBM Corp. (Capítulo 10) Descripción general de las características RAS del procesador IBM z196 y del servidor zEnterprise 196 .
• Maximización de la fiabilidad y disponibilidad de las aplicaciones con las funciones RAS del servidor SPARC M5-32 de Oracle.