分布式系统中可用性及容错性的区别

可用性及容错性是分布式系统中很重要的两个属性。之前我对一致性关注得更多一些，但对两者的区别还是很模糊。
首先是msdn上的一篇介绍两者区别的文章：http://blogs.msdn.com/b/clustering/archive/2010/10/06/10072013.aspx
"High availability solutions traditionally consist of a set of loosely coupled servers which have failover capabilities."
"Fault tolerant solutions traditionally consist of a pair of tightly coupled systems which provide redundancy."
看了之后发现文章介绍的是HA/FT solution，并不是研究领域中的概念，不过这也体现了工业界对HA，FT这两个概念的看法。
文章认为HA解决方案中没有副本机制，故一个节点失效后，必须要等这个节点恢复或用新的节点替代旧的节点后，系统才会变得可用，所以会存在宕机时间；然而在有多副本机制的分布式系统中，尤其是提供弱一致性支持的系统中，一个节点失效并不会导致宕机。
对于FT解决方案，文章用了强一致的主从副本机制：当主节点失效后，从节点可以继续提供服务，使宕机时间为0.
我认为，文中对HA/FT的理解并不是通用的理解，起码在我的研究范围内不是；或者退一步说，文中对HA的理解就不适用于我的研究范畴。
对这两个概念的理解，不同人有不同的看法，例如下面一篇：
http://www.quora.com/What-is-the-difference-between-a-highly-fault-tolerant-and-a-highly-available-system
故在此提出我对这两者的看法。
--------------------------------------------------------------------------
这两个概念其实都是针对同一问题：系统出现异常了怎么办？
首先说明一下，我讨论的系统是分布式环境下有多数据副本的系统。另一类，异常如何定义？在我看的文献中，异常主要有两大类：omission failures及unreliable networks，下面也将沿用这一异常分类。
omission failure:
定义1：Omission failures either due to process crash either due to communication link failures are detected via timeouts
参考：http://stackoverflow.com/questions/12229099/understanding-omission-failure-in-distributed-systems
定义2：Process omission failures + Communication omission failures
参考：http://www.inf.ed.ac.uk/teaching/courses/ds/handouts/handout12.pdf
unreliable network: messages may be delayed for an arbitrary but finite duration, reordered, or dropped.

对于fault的理解，网上常常用可检测的硬件（包括服务器及网络设备）故障来理解，其实是不全面的。首先检测机制本身也会出现故障，另外，硬件故障可能是短期的，且使得检测机制来不及检测到硬件故障又自行恢复了（如网口暂时接触不良），最后，数据包可能会乱序，或者由于网络拥塞导致丢包等等。故障检测到现在都没有100%正确的方法，且仍是学术界研究的一个重要方向。

回到HA及FT的区别。HA是指系统在出现某些特定故障之前，都能继续提供服务，如non-strict quorum系统中的W=R=1的配置下，只要有一个副本可访问，系统就能持续提供服务。对于FT，我的理解还不是很透彻，感觉大家理解更多的是一出现单点故障，系统会迅速寻找到一个点替代故障点；另外，还有一点是替代节点完全可以替代故障节点，使得客户端感觉不到数据不一致的问题，而可用性则允许数据不一致，因为可用性与一致性是两个不同的属性。

参考：《Consistency, Availability, and Convergence》