📚 课程目录第4章 MTTR概念

4. MTTR 概念：定义、在发布回滚中的重要性及与可用性的关系

在蓝绿发布与配置同步场景中，MTTR（Mean Time to Recover，平均恢复时间）是衡量故障恢复效率的核心指标。它直接决定了发布异常对业务的影响时长，是 SRE 团队在复盘时必须对齐的关键口径。

MTTR 指从系统发生故障到完全恢复服务所消耗的平均时间。在发布回滚场景中，MTTR 的起止点定义如下：

阶段	起始事件	结束事件	典型耗时（蓝绿发布）
检测	监控告警触发或用户报障	确认故障与发布相关	30s – 2min
决策	确认需要回滚	下达回滚指令	1min – 5min
执行	开始切换流量/回退配置	流量完全切回至健康环境	10s – 1min
验证	流量切换完成	监控确认服务正常	1min – 3min

  MTTR 计算公式：

  MTTR = (总故障恢复时间) / (故障次数)

  在蓝绿发布场景中，通常只统计因发布异常导致的回滚事件，不包含基础设施故障。

蓝绿发布的核心优势之一是快速回滚，但若 MTTR 过长，该优势将荡然无存。MTTR 在发布回滚中的重要性体现在以下三个维度：

常见误区：部分团队将 MTTR 仅定义为“执行回滚的时间”，忽略了检测和决策阶段。这会导致 MTTR 数据虚低，掩盖流程中的真实瓶颈。复盘时必须统一口径，包含检测、决策、执行、验证四个阶段。

可用性（Availability）与 MTTR 之间存在直接的数学关系。在 SRE 实践中，可用性通常通过 SLI（服务等级指标） 和 SLO（服务等级目标） 来衡量。

可用性的经典计算公式为：

Availability = Uptime / (Uptime + Downtime) × 100%

其中：
- Uptime = 总服务时间 - 故障次数 × MTTR
- Downtime = 故障次数 × MTTR

从公式可以看出，在故障次数固定的情况下，MTTR 与 Downtime 成正比，与 Availability 成反比。降低 MTTR 是提升可用性最直接的手段之一。

以下表格展示了不同 MTTR 对月度可用性的影响（假设每月 1 次故障）：

MTTR	月度 Downtime	月度可用性	对应 SLA 等级
5 分钟	5 分钟	99.988%	三个 9 以上
15 分钟	15 分钟	99.965%	接近三个 9
30 分钟	30 分钟	99.931%	三个 9 边缘
60 分钟	60 分钟	99.862%	低于三个 9

蓝绿发布优势：在理想状态下，蓝绿发布的 MTTR 可控制在 5 分钟以内（含检测与决策），使得单次发布故障对可用性的影响几乎可以忽略。这是蓝绿发布相比灰度发布或滚动发布在“快速回滚”维度上的核心优势。

在 SRE 体系中，MTTR 通常与 MTBF（Mean Time Between Failures，平均故障间隔时间） 配合使用，共同衡量系统的可靠性：

两者共同决定了系统的整体可用性：

Availability = MTBF / (MTBF + MTTR) × 100%

在蓝绿发布场景中，配置同步错误可能导致 MTBF 下降（故障更频繁），而缺乏自动化回滚机制则会导致 MTTR 上升。因此，配置同步方案的设计目标是：

  复盘口径对齐：在 MTTR 复盘时，必须明确区分“发布回滚 MTTR”与“基础设施故障 MTTR”。前者聚焦于流量切换和配置回退，后者可能涉及硬件修复或数据恢复。两者不可混用，否则会导致复盘结论失真。

基于上述分析，在蓝绿发布与配置同步方案中，MTTR 的优化目标应设定为：