什么是单点故障
单点故障（英语：single point of failure，缩写SPOF）是指系统中一点失效，就会让整个系统无法运作的部件，换句话说，单点故障即会整体故障。 毫无疑问，单点故障是我们在考虑稳定性问题里不得不在一开始就考虑的问题，所有高度可用的系统（商务系统、软件系统或工业系统）不会希望有单点故障造成整体故障的情形。
那么什么是“单点”呢？在”单点故障”这个术语中，”单点”指的是系统中的某个独立的组件或节点，其失效将对整个系统产生严重的影响。这个组件或节点可能是关键服务器、网络设备、电源系统、存储设备、数据库服务器等。当这个单点发生故障时，将导致整个系统的功能受限或完全瘫痪。
“独立的组件或节点”，听起来是不是还是有些抽象，我们把“单点”具象化一下，例如：
- 磁盘
- 物理机
- 交换机
- 机柜
是不是清晰非常多，以上列举的单点，都是分布式系统中，最常见的硬件类型的单点，也是最容易考虑到的单点问题。但实际上，单点问题，还可以包含一些软件问题，例如：
- 单一进程故障
- Kubernetes 集群（K8S出问题可能导致集群级别故障，比如管控平面整体不可用）
除了小范围的单点故障，实际上，也有更大范围的单点故障：
- 单个机房故障
- 单个可用区故障
- 单个 Region 故障
读者可能会疑问，单个可用区故障，也能算单点故障吗？实际上在云上，这些都是需要考虑的。当然我们也可以把可用区、Region 这样大范围的故障单独考虑容灾方案。但本质上在笔者看来，他们就是“粒度”大一点的“单点故障”。
我们能干点啥
OK，聊清什么是单点故障后，我们再看看，单点故障对稳定性设计的影响是什么？笔者总结有以下几条：
- 识别单一的故障域。
- 单个（甚至多个）故障域出现问题时，系统可以继续运行，不影响其它故障域的运行。
- 对于软件来说，在满足成本、性能等一系列需求的情况下，尽可能跨多个故障域部署（最优），以获得最好的可用性，亦或者在单点故障后可以快速迁移（次优）。例如在一个可用区发生整体故障（小概率事件），可以快速（比如10min）在另外一个可用区恢复相关的业务。
- “鸡蛋不要放一个篮子里”，重要服务，不要集中放在同一个故障域里。
举例来说，对于服务 A 来说， Kubernetes 是一种可能的故障域。那么如果服务 A 可以在多个 K8s 集群里同时部署，并同时对外提供服务（Active-Active），那么这种方案是最好的，即使单个 K8s 集群发生故障，仍然有另外一个集群可以继续提供服务 A。 次优的方案是 Active-Standby，当一个集群故障后，另外一个集群的服务开始正式对外提供，或者临时在另外一个集群部署服务（不太推荐）。
