3、事故响应体系基础：事故分级、响应流程（MTTR、MTBF）、事后复盘（RCA）

事故响应体系是平台工程中保障服务连续性的核心防线。本章将系统性地讲解事故分级标准、基于MTTR/MTBF的响应流程设计，以及事后复盘（RCA）的规范方法，为后续变更窗口整合奠定基础。

3.1 事故分级标准

事故分级是响应流程的起点，决定了响应速度、资源投入和升级路径。通常采用四级分类体系，结合影响范围与业务损失进行判定。

3.2 响应流程与核心指标（MTTR / MTBF）

标准事故响应流程包含五个阶段：发现 → 响应 → 定位 → 恢复 → 复盘。每个阶段都有明确的角色分工和时限要求。

1. 发现阶段：通过监控告警、用户反馈或巡检主动发现异常。
2. 响应阶段：值班工程师确认事故级别，启动对应响应预案，建立事故群。
3. 定位阶段：利用可观测性工具（日志、链路追踪、指标）快速定位根因。
4. 恢复阶段：执行回滚、扩容、切流或热修复，优先恢复服务。
5. 复盘阶段：收集时间线，分析根因，制定改进措施。

衡量响应效率的两个核心指标：

• MTTR（Mean Time To Repair，平均修复时间）：从事故确认到服务完全恢复的平均耗时。MTTR 越低，响应效率越高。
• MTBF（Mean Time Between Failures，平均故障间隔）：两次相邻事故之间的平均正常运行时间。MTBF 越高，系统稳定性越好。

3.3 事后复盘（RCA）

事后复盘（Root Cause Analysis，RCA）是事故响应体系的闭环环节，旨在通过系统性分析找出根本原因，避免同类事故重复发生。RCA 不是追责，而是改进。

3.3.1 RCA 标准流程

1. 时间线重建：精确记录从事故发现到恢复的每个关键时间点。
2. 影响评估：量化事故造成的业务损失、用户影响和技术债务。
3. 根因分析：使用“5 Whys”或“因果图”方法，逐层剥离表象原因。
4. 改进措施：制定短期止血措施和长期根治方案，明确责任人和完成时间。
5. 知识沉淀：将 RCA 文档纳入知识库，更新 runbook 和告警规则。

3.3.2 RCA 文档结构

3.4 事故响应与变更窗口的关联

在平台工程实践中，事故响应体系与变更窗口管理紧密耦合：

• P0/P1 事故：触发紧急变更窗口，可绕过常规审批流程，但事后必须补全变更记录。
• P2 事故：若修复方案不紧急，可纳入下一个常规变更窗口统一处理。
• P3 事故：作为技术债务进入排期，在后续变更窗口内修复。
• RCA 改进措施：涉及系统变更的，必须通过变更管理流程实施，确保可追溯。