4. 故障治理方法论：MTTR、MTBF、SLA
大厂面试中，故障治理是高频场景题的核心切入点。面试官通常通过MTTR、MTBF、SLA三个指标，考察你对系统可靠性的理解深度、可量化治理能力以及故障响应闭环经验。掌握定义只是基础，关键在于能从指标推导出具体优化策略，并用面试话术展示实战成果。
MTTR（Mean Time To Repair）平均修复时间：从故障发生到恢复的时间，反映快速恢复能力。
MTBF（Mean Time Between Failures）平均无故障时间：系统正常运行时长，反映系统稳定性。
SLA（Service Level Agreement）服务等级协议：承诺的可用性指标，通常以“9”表示（如99.99%）。
▲ 面试回答框架：从指标定义出发，逐步展开优化策略，最终量化效果
| 指标 | 定义 | 核心优化策略 | 面试高频切入角度 |
|---|---|---|---|
| MTTR | 故障发生到恢复的时长 | 全链路监控、自动化诊断、预案执行、灰度回滚 | 如何缩短定位时间？自愈能力如何设计？ |
| MTBF | 两次故障间的正常运行时长 | 冗余部署、限流降级、容错设计、混沌工程 | 故障预防手段？如何量化提升效果？ |
| SLA | 对外承诺的可用性百分比 | 分级承诺（核心/非核心）、监控告警、故障补偿 | SLA未达标如何处理？如何制定合理目标？ |
Q1: 请解释MTTR、MTBF、SLA的定义及它们之间的关系？
🎯 面试官考察点
- 基础概念是否准确
- 能否将指标串联形成系统性认知
- 是否理解SLA与MTTR/MTBF的推导关系
📐 回答框架
1. 分别给出三个指标的精确定义（公式可省略）。
2. 指出SLA = MTBF / (MTBF + MTTR) 的数学关系（或可用性=MTBF/(MTBF+MTTR)）。
3. 举例说明：MTBF和MTTR共同决定SLA，优化两者是保障SLA的基础。
4. 点睛：面试中可延伸至“稳定性治理的核心是提升MTBF、降低MTTR”。
📝 简短示例回答
“MTTR指平均修复时间，从故障发生到恢复；MTBF指平均无故障时间，反映系统稳定性；SLA是服务可用性承诺，通常用百分比表示。三者关系：可用性 = MTBF/(MTBF+MTTR)。例如MTBF=200h，MTTR=0.5h，则可用性约99.75%。治理上应两手抓：通过冗余设计提升MTBF，通过自动化恢复降低MTTR。” (92字)
❓ 可能追问
- 你们团队实际测量的MTTR/MTBF是多少？如何保证数据准确性？
- 如果SLA要求99.99%，MTTR和MTBF需要达到什么量级？
- 故障恢复后如何保证数据一致性？（与MTTR相关的延伸）
不要只背公式，要结合业务场景说明指标在监控系统或复盘中的实际用法。如果只强调“提升MTBF”而忽略MTTR，面试官会认为你缺乏故障应急经验。
Q2: 你们团队是如何降低MTTR的？请给出具体措施。
🎯 面试官考察点
- 是否有可落地的故障恢复实践
- 是否具备自动化和工具化意识
- 能否量化优化效果（如从30min降到5min）
📐 回答框架
1. 先说MTTR的组成：定位时间 + 决策时间 + 执行时间 + 验证时间。
2. 再针对每个环节给出措施：全链路监控（定位）、故障预案卡（决策）、自动化执行（执行）、健康检查（验证）。
3. 强调“演习”机制：通过混沌工程或故障演练倒逼MTTR优化。
📝 简短示例回答
“我们主要从三方面入手：1) 建设全链路监控，将故障定位时间从15min压缩到2min；2) 梳理20+常见故障预案，并实现一键执行；3) 每周进行故障演习，优化预案卡。最终MTTR从35min降至8min，SLA从99.9%提升到99.99%。” (98字)
❓ 可能追问
- 如何区分“假报警”和真正的故障？避免误恢复？
- 故障预案执行后如何验证恢复效果？
- 如果紧急情况需要人工介入，你们如何保证oncall效率？
避免说“我们靠人肉运维”，要强调流程化和自动化。同时注意不要过度承诺“零故障”，面试官更看重你对故障的敬畏心和系统性改进思路。
Q3: 如何设计SLA指标并保证达标？请结合案例说明。
🎯 面试官考察点
- 是否理解SLA的分级设计思路（核心vs非核心）
- 是否有容量规划和故障预算概念
- 能否讲述SLA不达标后的补偿或改进机制
📐 回答框架
1. 分级设计：核心链路（如下单）SLA 99.99%，非核心（如历史订单查询）99.9%。
2. 容量与冗余：根据SLA反推资源冗余度，确保单点故障不影响。
3. 动态监控与告警：设置SLO预警线（如SLA 99.99%对应月度故障时间≤4.3分钟）。
4. 不达标的兜底：制定补偿方案并事后复盘改进。
📝 简短示例回答
“我们采用四级SLA：核心交易99.99%，支付99.995%，普通服务99.9%，报表99%。通过链路拆分、多AZ部署、容量冗余来保障。月度故障时间超过4分钟会触发告警，同时设立SLO缓冲区间。一旦不达标，执行业务补偿（如优惠券）并追责整改。” (99字)
❓ 可能追问
- 如果某个非核心服务故障导致核心链路过长超时，你怎么处理SLA归属？
- 你对“错误预算”了解多少？实践过吗？
- SLA对外承诺如何与内部KPI对齐？
不要只提SLA数字，要讲清楚“如何度量”和“谁负责”。面试官反感“我们承诺99.99%但完全没有监控支撑”的空话。务必带上监控、告警、值班的具体例子。