构建一个永不故障的软件系统是不可能的。系统可能在整个生命周期中都不出故障，但没有人能保证它永远不会故障。编写完美的代码也无法解决这一问题，因为即使是无懈可击的软件，也依赖于物理计算机、电力、正常运行的存储以及其他组件。如果机器断电，无论软件质量多高，都会发生故障。因此，工程师必须为故障而设计，提前决定当系统的某些部分无法正常工作时，系统应如何表现。
本文探讨了帮助开发人员应对系统故障的策略。文章首先阐述“假设一切都会损坏”这一思维方式的依据，它促使团队预期故障的发生，而不是将其视为罕见的例外。随后，文章对比了避免故障与容忍故障这两种方法，二者在系统设计中服务于不同的目的。
接下来，讨论转向实用技术。开发人员需要确定故障的范围，以便了解系统的哪些部分受到影响、哪些部分仍然正常。他们还需要降低故障的影响，使一个组件的问题不会蔓延到整个平台。
最后，本文介绍了如何在系统仍正常运行时处理故障，以及如何衡量故障后的恢复情况。跟踪系统恢复的速度和完整程度，可以为团队提供具体反馈，判断其故障处理策略是否真正有效。
来源: ByteByteGo · 由HeadlinesBriefing整理摘要