系统稳定性指标：可用性 99.99%、SLA、MTBF、MTTR 定义与计算
稳定性指标是交易系统面试的必考题，也是衡量系统质量的核心标尺。可用性（Availability）、SLA（Service Level Agreement）、MTBF（Mean Time Between Failures） 和 MTTR（Mean Time To Repair） 构成稳定性工程的四大支柱。本节从定义、公式到面试应答框架，帮你一次打通。
📊 核心指标对比表
| 指标 | 英文全称 | 定义 | 计算公式 | 典型值 | 作用 |
|---|---|---|---|---|---|
| SLA | Service Level Agreement | 服务等级协议 | 可用性 = MTBF/(MTBF+MTTR)×100% | 99.99% | 定义目标 |
| MTBF | Mean Time Between Failures | 平均无故障时间 | 总运行时间 ÷ 故障次数 | 8760 h（年） | 衡量可靠性 |
| MTTR | Mean Time To Repair | 平均修复时间 | 总维修时间 ÷ 故障次数 | 5 – 30 min | 衡量恢复效率 |
| 可用性 | Availability | 系统正常运行时间比例 | MTBF/(MTBF+MTTR)×100% | 99.99% – 99.995% | 综合衡量 |
💡 面试高频记忆点
- 99.99% = 全年故障 ≤ 52.56 分钟
- MTBF 越大越好，MTTR 越小越好
- SLA 是承诺，可用性 是结果
🎯 面试问答卡片
Q1：请解释系统可用性 99.99% 的含义，以及如何计算？
🎯 考察点：基础概念理解、公式掌握、工程意义转化
📐 回答框架：
- 明确定义：SLA / MTBF / MTTR 分别是什么
- 给出公式：可用性 = MTBF / (MTBF + MTTR) × 100%
- 代入数据：99.99% → 年故障时间 52.56 分钟
- 解释意义：衡量系统连续服务能力的核心指标
💬 示例回答：
99.99% 可用性意味着全年故障时间不超过 52.56 分钟。计算公式为 A = MTBF / (MTBF + MTTR) × 100%，MTBF 是平均无故障时间，MTTR 是平均修复时间。这是交易系统稳定性考核的核心标准。
🔍 可能追问：从 99.99% 提升到 99.999% 需要付出哪些成本？
⚠️ 避坑提醒：勿混淆可用性与可靠性；勿忽略计划内维护窗口对可用性的影响。
Q2：SLA、MTBF、MTTR 三个指标如何关联？在稳定性保障中各自的作用？
🎯 考察点：指标间关联关系、系统性思维、工程应用能力
📐 回答框架：
- 独立解释每个指标的定义
- 展示关联公式：A = MTBF/(MTBF+MTTR)
- 说明协同作用：SLA 定目标，MTBF 提可靠性，MTTR 提恢复力
- 举例说明：某系统 MTBF=720h，MTTR=2h → 可用性 99.72%
💬 示例回答：
SLA 定义可用性目标，MTBF 衡量系统可靠性，MTTR 衡量故障恢复效率。三者通过公式 A = MTBF/(MTBF+MTTR) 关联。例如 SLA 要求 99.99%，则需同时提升 MTBF（如冗余设计）和降低 MTTR（如自动化恢复）。
🔍 可能追问：如果 MTBF 很高但 MTTR 也很高，可用性会怎样？
⚠️ 避坑提醒：勿孤立看待各指标；要说明三者如何联动影响系统稳定性。
Q3：在交易系统中，如何设计指标监控体系来保障 SLA 达成？
🎯 考察点：监控体系设计、SLA 落地实践、故障应急能力
📐 回答框架：
- 指标分层：基础设施层 / 应用层 / 业务层
- 阈值与 SLO 设定：依据 SLA 拆解为可量化 SLO
- 监控与告警：多级告警（P0/P1/P2），避免告警风暴
- 应急响应：故障分级 + 升级机制 + 故障自愈
💬 示例回答：
采用三层监控：基础设施（CPU/网络/磁盘）、应用层（接口耗时/P99 延迟/错误率）、业务层（交易成功率/资金差错率）。设置 SLO 为 99.99%，配置 P0 级 5 分钟响应、15 分钟恢复的应急 SLA，并通过混沌工程持续验证。
🔍 可能追问：SLA 违约后如何处理？有哪些补偿或免责机制？
⚠️ 避坑提醒：勿只谈理论监控；需结合交易系统具体场景（如交易链路、资金安全、清算时效）。
🧭 面试官追问逻辑
以上五轮追问层层递进：从 概念 → 计算 → 实践 → 异常 → 架构，考察的是候选人对稳定性指标的 全链路理解深度。准备时每个层级都要有真实项目案例支撑。
🏗️ 项目实战案例
项目名称：某证券核心交易系统稳定性保障项目
| 业务背景 | 日交易量峰值 500 万笔，要求全年可用性 99.995%，涉及证券、期货、期权多品种。 |
|---|---|
| 规模指标 | 日均交易额超 200 亿，500+ 台服务器，30+ 微服务，覆盖 200+ 营业部。 |
| 技术栈 | Kubernetes、Prometheus + Grafana、ELK、Kafka、MySQL 集群、Redis 哨兵。 |
| 核心难点 | 极端行情下系统雪崩、故障自愈时效不足、SLA 量化粒度粗、跨机房容灾延迟。 |
| 面试高频追问 |
|
| 可迁移回答话术 | “在 XX 项目中，我们通过 混沌工程 + 自动弹性伸缩 + 故障自愈平台，将 MTTR 从 15 分钟降至 3 分钟，可用性从 99.98% 提升至 99.995%，全年 SLA 违约次数从 12 次降至 0 次。” |
⚠️ 项目面试注意
讲述项目时一定要带上量化结果（MTTR 降低 X 倍，可用性提升 Y 个百分点），同时说明你在其中的个人角色（架构设计 / 故障演练 / 监控体系搭建），避免只说“我们团队”而模糊个人贡献。