1. 课程导论：为什么需要 Metric 设计、故障特征提取与 MTTR 复盘？
在微服务架构与云原生环境日益复杂的今天，系统故障的定位与恢复已成为 SRE 团队的核心挑战。本课程导论将阐明：为什么传统的监控手段已不足以应对现代故障场景，以及 Metric 设计、故障特征提取与 MTTR 复盘三者如何构成一个完整的可观测性闭环。
1.1 现代故障场景的三大痛点
| 痛点 | 传统做法 | 失效原因 |
|---|---|---|
| 指标爆炸 | 采集所有可采集的 Metric | 90% 的指标在故障时无助于定位，反而增加噪声 |
| 特征模糊 | 依赖人工经验判断故障模式 | 故障特征被淹没在大量正常波动中，无法快速提取 |
| 复盘低效 | 事后凭记忆写故障报告 | MTTR 口径不统一，根因分析缺乏数据支撑 |
核心观点： 没有经过设计的 Metric 只是数据，只有经过特征提取的 Metric 才能成为故障定位的证据。
1.2 课程目标：构建可观测性闭环
本课程旨在帮助 SRE 工程师建立一套从 Metric 设计 → 故障特征提取 → MTTR 复盘 → 根因定位 的完整方法论。具体目标包括：
- 掌握 Metric 设计原则：区分黄金指标、RED 方法、USE 方法，避免过度采集。
- 学会故障特征提取：通过时序异常检测、模式匹配、维度下钻等手段快速锁定异常范围。
- 统一 MTTR 复盘口径：定义检测时间、响应时间、恢复时间，消除团队间口径歧义。
- 提升根因定位效率：结合因果推断与拓扑分析，将平均定位时间缩短 50% 以上。
适用人群： SRE 工程师、运维开发工程师、可观测性平台架构师、技术负责人。
1.3 课程整体架构
课程共分为 6 大模块，层层递进，覆盖从理论到实践的完整链路：
| 模块 | 章节范围 | 核心内容 |
|---|---|---|
| 模块一：基础篇 | 第 1-4 章 | Metric 设计原则、黄金指标、RED/USE 方法 |
| 模块二：特征提取 | 第 5-10 章 | 时序异常检测、模式匹配、维度下钻、特征工程 |
| 模块三：MTTR 复盘 | 第 11-16 章 | MTTR 口径定义、复盘流程、数据驱动改进 |
| 模块四：根因定位 | 第 17-23 章 | 因果推断、拓扑分析、根因定位算法 |
| 模块五：实战案例 | 第 24-27 章 | 电商、金融、云原生场景全流程演练 |
| 模块六：进阶与工具 | 第 28-30 章 | Prometheus、Grafana、自研平台集成 |
1.4 为什么这三者必须协同？
在实际故障处理中，Metric 设计、特征提取与 MTTR 复盘并非孤立环节，而是相互依赖的有机整体。以下表格展示了缺乏任一环节时可能出现的典型问题：
| 缺失环节 | 典型问题 | 后果 |
|---|---|---|
| 缺少 Metric 设计 | 采集了 500 个指标，故障时却找不到关键维度 | MTTR 中位数 > 60 分钟 |
| 缺少特征提取 | 告警风暴，无法区分真实故障与误报 | 响应时间被噪声淹没 |
| 缺少 MTTR 复盘 | 每次故障处理方式不同，无法沉淀经验 | 同类故障反复发生 |
注意： 本课程强调“设计先行”而非“事后补救”。在系统上线前就完成 Metric 设计，可以大幅降低后续故障定位成本。
1.5 课程预期收益
完成本课程学习后，学员将能够：
- 设计一套可复用的 Metric 模板，覆盖业务、应用、基础设施三层，指标数量控制在 30 个以内。
- 实现故障特征自动提取，将告警收敛率提升至 90% 以上。
- 建立标准化的 MTTR 复盘流程，使团队平均恢复时间缩短 40%。
- 掌握至少 3 种根因定位方法，包括因果图、拓扑传播分析、异常维度下钻。
一句话总结： 本课程不是教你怎么“看”指标，而是教你怎么“设计”指标，让故障无处遁形。