3. MTTR 复盘口径定义

MTTR（Mean Time to Repair，平均修复时间）是衡量故障处理效率的核心指标。但在实际复盘过程中，若仅统计“从故障发生到恢复”的总时长，往往无法定位到具体哪个环节存在瓶颈。因此，SRE 团队需要将 MTTR 拆解为多个子阶段，并对每个阶段的口径进行标准化定义，才能实现精准的根因分析与持续改进。

3.1 MTTR 的组成：四阶段模型

标准化的 MTTR 拆解模型将故障修复过程划分为四个子阶段，每个阶段对应一个独立的度量指标：

3.2 各阶段时间口径的标准化定义

为了确保不同团队、不同故障之间的数据可比性，必须对每个阶段的起止时间点进行严格定义。以下为推荐的标准口径：

• MTTI 口径：
  • 起始点： 故障首次对用户或业务产生可观测影响的时间（如 P1 告警触发时间、用户报障时间、核心指标跌零时间）。
  • 结束点： 值班 SRE 或 On-Call 工程师在工单系统或告警平台上确认“已识别异常”的时间戳。
• MTTK 口径：
  • 起始点： MTTI 的结束点。
  • 结束点： 根因分析结论在故障协同文档或工单中被明确记录的时间戳（例如：“确认根因为数据库连接池耗尽”）。
• MTTF 口径：
  • 起始点： MTTK 的结束点。
  • 结束点： 修复操作在变更系统或自动化平台中执行完成的时间戳（例如：回滚脚本执行完毕、扩容指令生效）。
• MTTV 口径：
  • 起始点： MTTF 的结束点。
  • 结束点： 核心业务指标（如请求成功率、P99 延迟）连续 5 分钟恢复到故障前基线水平的时间戳。

3.3 复盘口径的选取原则

在实际复盘过程中，并非所有故障都需要完整统计四个阶段。口径的选取应遵循以下原则：

1. 分层原则： 根据故障等级（P0/P1/P2）选择不同的口径粒度。P0 故障必须完整统计 MTTI、MTTK、MTTF、MTTV；P2 故障可仅统计 MTTI + MTTF 合并口径。
2. 可追溯原则： 所选口径的起止时间点必须能从现有系统（告警平台、工单系统、变更平台、监控系统）中自动或半自动提取，避免依赖人工回忆。
3. 一致性原则： 同一团队、同一服务在不同故障复盘时，必须使用相同的口径定义，否则数据无法横向对比。
4. 可行动原则： 口径的划分应能直接对应到具体的改进动作。例如，若 MTTK 过长，对应的改进动作应为“完善知识库”或“建设根因分析平台”。

3.4 口径定义示例：数据库连接池耗尽故障

以下通过一个具体案例，展示标准化口径在实际复盘中的应用：

通过上述拆解可以清晰看到，本次故障的 MTTR 为 13 分钟，其中 MTTK（根因定位）耗时 6.5 分钟，占比 50%，是后续优化的重点方向。