virheentorjunnan

Virheentorjunta tarkoittaa järjestelmän kykyä jatkaa toimintaa ja säilyttää palvelujen saatavuus sekä tiedon eheys myös laite- tai ohjelmistovirheiden ilmetessä. Tavoitteena on minimoida käyttökatkokset ja estää yksittäisen virheen johtaminen laajamittaisiin toimintahäiriöihin. Virheentorjunta eroaa yleisestä ohjelmallisesta virheenkäsittelystä siinä, että sen näkökulmana on koko järjestelmän luotettavuus ja saatavuus, ei ainoastaan yksittäisen ohjelman suorituksen virheiden hallintaa.

Keskeisiä keinoja ovat redundanssi, kuten useat komponentit, RAID-tallennus ja klusterointi; sekä nopea virhepalautus (failover) ja kuormituksen tasapainotus. Monimutkaisissa järjestelmissä käytetään myös diversiteettiä, eli eri ohjelmisto- tai laitteistovariantteja, vähentämään yhteisistä vioista johtuvia riskejä. Suunnittelussa painotetaan myös hallittavuutta ja kustannus-hyötysuhdetta, jotta järjestelmä säilyttää toimintakyvyn ilman kohtuuttomia kustannuksia.

Virheiden havaitsemisessa käytetään virheentunnistusta, kuten tarkistussummia, ECC-muistia sekä heartbeat-viestejä ja muita valvontatyökaluja. Palautusstrategioihin kuuluvat tilan replikaatio, varmuuskopiot sekä tilan siirtäminen toiseen solmuun tai järjestelmän osa-alueen vaihtaminen toimivampaan kopiosta. Hajautetuissa järjestelmissä voidaan soveltaa konsensusalgoritmeja (Paxos, Raft) ja tarvittaessa bysanttilaista vikas­toleranssia, jotta osa järjestelmästä voi epäonnistua säilyttäen kuitenkin kokonaisuuden toimivuuden.

Virheentorjuntaa mitataan muun muassa käytettävyydellä, MTBF:llä (keskimääräinen aika vikaan) ja MTTR:llä (koraanapit aika), sekä näiden kautta muodostuvalla luotettavuuden tilastoinnilla. Sitä sovelletaan kriittisissä järjestelmissä, kuten tietokeskuksissa, telekommunikaatiossa, finanssipalveluissa ja ilmailussa, joissa käyttökatkoksilla on merkittäviä vaikutuksia. Esimerkkejä käytännön toteutuksista ovat RAID-tallennus, ECC-muistit, redundanssiset virtalähteet sekä klusterointi ja replikaatio.