3. MTTR 核心概念：从故障发生到服务恢复的完整拆解
MTTR（Mean Time to Repair，平均修复时间）是衡量值班台响应与恢复效率的核心指标。在 SRE 实践中，MTTR 并非一个单一的时间点，而是由四个可独立度量的阶段组成。理解其内部结构，是优化值班排班、缩短故障窗口的前提。
3.1 MTTR 的四个组成部分
MTTR 的完整生命周期可拆解为：MTTI（平均识别时间）、MTTK（平均确认时间）、MTTF（平均修复时间）、MTTV（平均验证时间）。四个阶段串联构成从故障发生到服务完全恢复的全路径。
| 阶段 | 英文全称 | 定义 | 值班台关键动作 |
|---|---|---|---|
| MTTI | Mean Time to Identify | 从故障发生到监控系统或用户首次告警的时间 | 告警接收、初步过滤、确认是否为真实故障 |
| MTTK | Mean Time to Know | 从告警触发到定位根因的时间 | 日志分析、指标排查、调用链追踪、确定影响范围 |
| MTTF | Mean Time to Fix | 从定位根因到执行修复操作完成的时间 | 执行回滚、重启、扩容、配置变更、代码热修复 |
| MTTV | Mean Time to Verify | 从修复完成到确认服务恢复正常、告警消除的时间 | 健康检查、拨测验证、错误率/延迟指标确认、通知关闭 |
实践要点： 大多数值班团队的优化重点集中在 MTTK 和 MTTF 阶段。MTTI 的优化依赖监控覆盖率和告警延迟，MTTV 的优化依赖自动化验证脚本。四个阶段中，MTTK 通常占总 MTTR 的 40%-60%，是排班与值班技能提升的核心发力点。
3.2 MTTR 与 MTBF / MTBSI 的关系
在 SRE 可用性模型中，MTTR 并非孤立存在。它与 MTBF（平均无故障时间） 和 MTBSI（平均服务中断间隔） 共同构成服务可用性的计算基础。
- MTBF（Mean Time Between Failures）：两次相邻故障之间的正常运行时间。MTBF 越长，表示系统越稳定。
- MTBSI（Mean Time Between Service Incidents）：两次相邻服务中断之间的总时间间隔，包含故障持续时间和正常运行时间。MTBSI = MTBF + MTTR。
- 可用性公式：Availability = MTBF / (MTBF + MTTR) = MTBF / MTBSI。
关键认知： 在 MTBF 固定的情况下，MTTR 每缩短 50%，可用性将显著提升。例如，MTBF=1000 分钟，MTTR=10 分钟时可用性为 99.01%；若 MTTR 缩短至 5 分钟，可用性提升至 99.50%。对于追求 99.99% 以上的系统，MTTR 必须控制在分钟级甚至秒级。
3.3 MTTR 对业务连续性的影响
业务连续性（Business Continuity）的核心指标是 最大可容忍中断时间（MTPoD） 和 恢复时间目标（RTO）。MTTR 直接决定了 RTO 是否可达。
| 业务等级 | 典型 RTO | MTTR 目标 | 值班排班要求 |
|---|---|---|---|
| 核心支付/交易 | < 5 分钟 | < 3 分钟 | 7×24 双人值班 + 自动化应急 |
| 重要业务（如用户登录） | < 15 分钟 | < 10 分钟 | 7×16 值班 + 5 分钟内响应 |
| 一般业务（如报表查询） | < 60 分钟 | < 30 分钟 | 工作时间值班 + 电话 escalation |
MTTR 过长会直接导致：
- SLA 违约：超出承诺的恢复时间，面临赔偿或客户流失。
- 数据不一致：长时间中断可能导致缓存雪崩、消息堆积、数据同步延迟。
- 用户信任下降：频繁或长时间中断会降低用户留存与品牌信誉。
- 排班疲劳：MTTR 过长意味着值班人员长时间处于高压状态，增加人为失误概率。
3.4 MTTR 四阶段流程关系图
下图展示了 MTTR 四个组成部分的串联流程，以及 MTBF、MTBSI 在时间轴上的位置关系。
3.5 值班排班视角下的 MTTR 优化优先级
基于 MTTR 四阶段分析，值班排班优化应遵循以下优先级：
- 缩短 MTTK（定位时间）：通过排班确保值班人员具备全链路排查能力，建立 Runbook 与知识库，减少“找人”时间。
- 缩短 MTTF（修复时间）：将常见故障的修复操作自动化（如自动回滚、自动扩容），值班人员只需确认触发。
- 缩短 MTTI（识别时间）：优化告警规则，减少误报，确保值班人员第一时间收到有效告警。
- 缩短 MTTV（验证时间）：建立自动化健康检查与拨测流程，修复后自动验证，无需人工介入。
常见误区： 部分团队只关注 MTTF（修复时间），投入大量精力优化部署速度，却忽略了 MTTK 占 MTTR 的最大比例。在排班设计中，应优先确保值班人员具备快速定位根因的能力，而非仅仅追求“一键修复”。