大存儲廠商一直都在強調磁盤可靠性對于整個存儲系統的重要性，并用各種參數來說明自己的磁盤產品的高可靠性。但事實上，相比于用戶對于可靠性的需求來說，目前存儲系統的可靠性技術發展已經滯后了，并且，評價可靠性的各種參數也不再適應當今用戶的需求了。因此，我們需要尋找新的標準來衡量磁盤的可靠性和使用年限。

　　據統計，有20%到25%的存儲系統故障是由于磁盤問題所引起的，而且，磁盤驅動器的實際故障率是廠商們聲稱的15倍甚至更高，用戶更換磁盤的頻率也遠高于廠商的統計數字。上面這些統計數字讓我們不得不更重視磁盤的可靠性，因此，用戶在設計可靠性存儲系統時應綜合考慮更多的因素，如選擇更可靠的磁盤類型和支撐架、使用冗余技術來應付組件故障、給不同的存儲子系統配備獨立的連接等。

　　在存儲領域，MTBF(平均 無故障時間，mean time between failures)和AFR(年平均故障率，average failure rate)一直都是存儲廠商們自我評價的標準，同時也是用戶在選購時非常關注的重要參數。

　　那么，為什么存儲廠商和用戶都會如此地關注這兩個參數呢?從存儲廠商的角度來看，他們希望用這樣的數字來表征技術的發展。現在，廠商們紛紛宣稱自己的磁盤產品的MTBF已經達到了100萬至150萬小時的水平，相當于114年到170年，這樣的年限甚至已經遠超過了一般人的壽命。

　　MTBF是用來衡量存儲產品的可靠性指標，具體來說，是指相鄰兩次故障之間的平均工作時間。“但現在，MTBF這個參數已經變得越來越沒有意義了，因為用戶越來越弄不清楚這個數字究竟代表了什么。”Data Mobility的分析師Robin Harris說:“存儲廠商們都在宣稱自己的磁盤產品的平均無故障時間已經達到了100萬小時，甚至更長的時間，但事實上，磁盤根本就堅持不了那么久，這讓很多IT主管以及數據中心中的管理員們都感到十分困惑。”

　　“這些被‘冠名’為MTBF或者是AFR的數字真的能夠幫助用戶衡量磁盤驅動器的好壞嗎?”曾經是EMC員工，現在是一家咨詢公司IT顧問的Steve Smith對此提出了自己的質疑。

　　其實，甚至連存儲廠商NetApp自己也承認了這一點。當有用戶在分析機構Data Mobility所運營的StorageMojo博客上發表了一篇公開信來抗議實際的平均無故障率時間要比廠商標稱的高出好幾倍時，NetApp的回復是：大部分有經驗的用戶都知道，存儲領域的磁盤故障率跟汽車廠商所標稱的每公里耗油數的定義有些類似。也就是說，關于磁盤故障率的問題，就好比是開同樣的車、使用相同的汽油，但是跑的公里數卻不一樣，在平均無故障時間上出現的偏差在很大程度上是因為用戶沒有在******的環境中配置和使用磁盤。很明顯，這樣的解釋不免有些牽強。

　　.

　　MTBF已經過時

　　***近，很多研究機構對MTBF和AFR等衡量存儲特性的參數進行了新一輪的研究，研究結果可以用這樣的一句話來總結：在磁盤的可靠性和故障率的問題上，用戶和存儲廠商顯然是行駛在了不同的車道上。

　　“事實上，MTBF確實是經過了實際的壓力測試和科學的統計學推斷而綜合得出的數據。但是，大家不要忘了，當存儲廠商們宣布自己的磁盤產品的MTBF為30萬小時的時候，他們實際上是在說，在經歷測試的所有磁盤中，經過30萬小時的運行后，只有一半出現了故障。”Harris表示，“如果是這樣的話，MTBF似乎對于某個磁盤驅動器能夠使用多久并沒有什么參考價值。也就是說，MTBF根本無法準確地表達出某個磁盤真實的故障率分布。”

　　“MTBF參數就好比是某一地區女性的平均身高這類統計數據一樣，我們并不知道這個身高平均值的基數以及具體某個人的身高。其實，當初MTBF成為了衡量存儲性能的標準參數的原因也就在于，人們覺得其在表示了磁盤可靠性高低的同時，不用去了解那些讓人弄不懂的具體細節。”Smith表示。

　　“但是，在今天，MTBF這種簡化了的參數已經不能再適應用戶的需求了。”Smith補充說。Gartner的分析師Stan Zaffos也同意Smith的觀點。不過，他也表示，MTBF還是能夠比較準確地反映出存儲廠商的技術發展水平，只不過這個參數對于用戶來說理解起來比較困難，或者說這個數字對于用戶來說意義已經沒有以前那么大了。“要想真正地理解MTBF并不是一件容易的事情，它需要IT管理者有很多工程方面的經驗和概率統計學方面的知識。”Zaffos補充說。

　　不吻合的三大原因

　　“現在，存儲業界已經逐漸開始使用AFR來代替MTBF，以達到讓用戶更容易理解的目的。”Harris介紹說。同時，Carnegie Mellon研究中心的Bianca Schroeder也表示:“用戶或許應該更想知道，在某一年中有多少比例的磁盤會出現故障。”

　　不過，據Carnegie Mellon的一項調查研究結果顯示，磁盤的更換率也比存儲廠商所提供的AFR數值高很多。廠商們提供的資料顯示，AFR一般在0.58%到0.88%之間，但調查結果卻表明，實際的年平均磁盤更換率超過了1%，一般來說在2%到4%之間，更高的甚至達到了13%。“在這里需要強調的是，我們在此次調查中搜集了許多大型存儲系統更換磁盤的數據，其中涉及了10萬個左右的SCSI、Fiber Channel和SATA磁盤，因此數據的可靠性還是有所保障的。”Schroeder補充說。

　　Schroeder還介紹說，研究發現，磁盤的更換率還會隨著其使用時間而逐步升高，尤其是當磁盤使用了5年以后，磁盤驅動器通常就會開始老化。這項發現與很多用戶的普遍看法非常吻合，但同時卻與廠商所提供的AFR出現了很大程度上的不吻合。

　　對于出現這種不吻合的一種解釋是，此項研究結果關注的是更換了多少磁盤，而AFR描述的是有多少磁盤預計會出現故障。“的確，故障與更換并不能劃等號。舉個例子，用戶可能會在磁盤稍有異常的情況下就將其更換掉了，而這塊磁盤其實仍然還可以使用。”Schroeder也解釋說。

　　此外，出現這種不吻合的第二個原因可能是，存儲廠商的測試環境一般都是十分理想的，而用戶真正的使用環境通常就無法達到這樣的水平。“用戶在使用磁盤時，很多情況都可能會導致磁盤的損壞，比如振動、電涌、塵土和濕度等。”Zaffos介紹說。

　　而第三個原因可能就在于，存儲廠商和用戶對于故障的定義并不同。比如，當磁盤驅動器廠商拿到一塊返廠的磁盤時，他們會把磁盤插進測試設備中，如果發現沒有問題，就會貼上“no trouble found”或者“NTF”的標簽。事實上，據統計，有20%到30%的返廠磁盤上都被貼上了“no trouble found”的標簽。但如果用戶拿一個這樣的磁盤插進自己的服務器中，就會發現根本不能用。那么，對于用戶來說，它就還是一塊需要更換的壞磁盤。當然，客觀地說，在對磁盤的好與壞的判斷上，廠商和用戶都沒有原則上的錯誤。

　　這就正如Google的一項研究發現，磁盤的故障在很多時候是由于匹配不當所造成的，比如磁盤驅動器與控制器的不匹配。有的時候，用戶在認為是壞了的磁盤驅動器中更換一個控制器后，就會發現仍然可以使用。據說，在Google的研究過程中，還發生了一件很有意思的事情：有一塊在用戶那里無論怎樣都不能使用了的磁盤，在測試人員手中卻始終顯示一切正常。

　　伊利諾斯州立大學的一項研究也證實了這個發現。在分析了39000個商業存儲系統和180萬個磁盤錯誤記錄后，得出了這樣的結論：雖然存儲系統出現的故障有20%到25%是由于磁盤問題所引起的，但系統的其他部分，比如物理連接或是協議棧等也是引起磁盤問題的重要原因——物理連接問題導致的故障占到了27%～68%;而協議棧問題導致的故障占到了5%～10%。

　　.

　　理論上的MTDL

　　另一個從MTBF衍生而來的參數是MTDL(平均數據丟失時間，mean time to data loss)，MTDL是指一個組件可能失敗使數據不能訪問的時間，其主要是存儲子系統廠商所使用的參數，磁盤驅動器廠商一般不會涉及，因為這個參數主要考慮的是所使用磁盤的數量、彈性、重建時間以及系統冗余的數量和類型。

　　Harris認為，MTDL是個相對來說更有用的數字，不過也只是停留在了理論階段。實際上，伊利諾斯州立大學的一項研究同樣也對這個參數提出了質疑。研究發現，存儲子系統的故障表現出了很強的相關性，也就是說，在某一次故障發生以后，發生同樣故障的幾率要增大很多，且故障發生的時間也十分接近。

　　“而平均數據丟失時間的前提就是故障的隨機不相關性。但事實上，故障卻并不是隨機的，且故障之間是高度相關的，因此理論計算結果也并不能與實際相吻合。”Harris說。

　　也許是因為磁盤驅動器是物理設備，既然是物理設備就一定會老化，也自然就會出現這種實際與理論上的不吻合。事實上，據Google和Carnegie Mellon的一項聯合調研表明，一旦磁盤驅動器使用超過了三年，AFR的值就會開始增大。

　　“其實，使用過大容量磁盤的用戶早就已經有這樣的經驗了。”Harris說，“如果用戶只購買了200個磁盤，那么三年后，AFR這個數字對于他們來說就非常重要了，因為這個時候就要開始考慮更換磁盤了。”當然，是否真的要更換還取決于用戶對于數據的重視程度和對于系統的穩定性要求，以及用戶自身備份系統的好壞。

　　尋找新標準

　　回到問題的本質，存儲廠商該如何告訴用戶他們所購買的磁盤究竟能夠用多久?很多業內人士認為，MTBF還沒有被拋棄的原因就在于，還沒有找到能夠替代它的參數。“其實，現在大多數用戶都希望能有一種新的評價標準來表征存儲產品的可靠性，但是要想找到這種新標準卻并不容易。”Schroeder說。Smith也同意這個觀點，不過，他也表示，總會找到一種方式可以用來區別不同磁盤驅動器的可靠性程度。

　　此外，Smith還認為，其實存儲廠商們擁有更“確切”的數字，只是他們不愿意公布出來。“事實上，對于該如何更好地評價存儲產品的可靠性，***為了解的莫過于大型磁盤陣列廠商了。但是，他們卻不愿意更清楚地告訴用戶，因為這樣就會減少他們在‘解釋這個數字’的過程中所創造出來的附加價值。”Smith說。

　　當然，還有一種辦法就是使用實測的數據。“但是，這樣也很麻煩，有研究發現，磁盤的使用時間越長，故障率就會越高。所以，從那些只使用了一年的磁盤上獲得的統計數據也并不能應用到使用了多年的磁盤上。”Schroeder說。

　　“也許，我們應該測出磁盤驅動器每年的AFR，但即使是這樣，仍然有很多因素會影響到這個數據的真實可靠性，如運行狀況和工作負載等。”Schroeder補充說。的確，很多影響磁盤可靠性的因素使得存儲廠商們也很難建立起符合現實的模型。

　　不過，Schroeder也同意Smith的觀點，存儲廠商們應該、也有責任提供更多的數據讓用戶更好地了解磁盤的真實可靠性，如實際的磁盤更換率和潛在的扇區錯誤等信息。目前，Carnegie Mellon就正在與Usenix合作建立一個記錄不同種類、不同使用年數和不同容量的磁盤的故障信息數據庫。

　　此外，Smith還介紹說，除了磁盤的可靠性以外，對用戶影響******的莫過于壞磁盤了，因為某個磁盤的故障可能還會牽連到其他磁盤。“這也就是為什么對磁盤的安裝做物理分析非常重要的原因，因為這樣會找到系統中的一些代碼缺陷或是一些壞的部件。”Smith說，“當然，擁有成熟的服務和技術支持來跟蹤系統運行并查找錯誤也非常重要。”(主要內容譯自《Computerworld》)

　　.

　　評論

　　誰來保障可靠性?

　　110萬小時、114年，面對這些似乎讓人有些不敢相信的數字，用戶是不是可以得出這樣的結論——磁盤驅動器的可靠性已經很強，因此完全可以不用再在乎MTBF和AFR之類的數字了?那么，在購買磁盤時，MTBF和AFR等參數還是影響用戶選購的關鍵因素嗎?

　　其實，已經身經百戰的用戶們也明白這些存儲產品的MTBF有些過高了，這些數字對于他們來說已經不那么重要了，甚至他們已經根本不在乎了。比如，兩個磁盤廠商所提供的磁盤產品的MTBF相差10%，用戶會覺得這是很大的差別嗎?似乎100萬小時與110萬小時已經沒有什么本質的區別了。

　　與此同時，用戶們也開始覺得，讓存儲系統更可靠的途徑似乎只有加固整個系統的架構，而并不是寄希望于磁盤。除非存儲廠商們可以用事實證明他們的磁盤是值得信賴的，磁盤的可靠性才能真正地成為保障存儲系統的關鍵。

　　但是，現在的情況是，用戶對磁盤驅動器的可靠性的需求增長越來越快，但存儲廠商卻并不能完全達到用戶的需求。25年前，2萬小時的MTBF就非常不錯了，而今天，雖然這個數字已經達到了百萬小時，但似乎已經失去了原有的意義。因為，相比磁盤可靠性的這種進步，用戶遇到的問題似乎更多，并且這一差距還越拉越大