1. MTTR 复盘概述
在可观测性与智能运维体系中，MTTR（Mean Time to Repair，平均修复时间）是衡量异常检测与故障恢复效率的核心指标。它直接反映了从异常发生到系统恢复正常服务所经历的平均时长，是 SRE 团队、可观测性平台以及异常检测模型效果评估的关键量化依据。
1.1 MTTR 定义与构成
MTTR 并非单一时间点，而是由多个阶段时间累加而成。在异常检测场景下，MTTR 通常包含以下四个子阶段：
| 子阶段 | 英文缩写 | 定义 | 典型耗时占比 |
|---|---|---|---|
| 检测时间 | MTTD | 从异常发生到被监控系统或告警规则识别的时间 | 5% – 15% |
| 响应时间 | MTTRresp | 从告警触发到 SRE 工程师确认并开始排查的时间 | 10% – 20% |
| 诊断时间 | MTTDdiag | 从开始排查到定位根因的时间 | 40% – 60% |
| 修复时间 | MTTFfix | 从定位根因到系统完全恢复正常的时间 | 15% – 30% |
关键认知：在异常检测场景中，MTTR 的优化重点往往不在“修复”环节，而在于“检测”与“诊断”阶段。Metric Design 的质量直接影响 MTTD 和 MTTDdiag 的时长。
1.2 MTTR 在异常检测中的重要性
异常检测系统的最终价值不在于“告警准确率”或“召回率”等离线指标，而在于能否缩短真实故障的 MTTR。以下是 MTTR 在异常检测体系中不可替代的价值维度：
- 业务连续性保障：MTTR 每缩短 1 分钟，直接减少业务损失与用户影响面。
- 告警疲劳度控制：低质量的 Metric Design 导致大量误告警，拉长响应与诊断时间，间接推高 MTTR。
- 模型效果验证：离线 AUC/Precision/Recall 无法完全反映线上效果，MTTR 是异常检测模型在生产环境中的最终验证指标。
- 团队协作效率标尺：MTTR 复盘可暴露流程瓶颈（如告警路由错误、诊断工具缺失、修复手册陈旧）。
核心公式：MTTR = MTTD + MTTRresp + MTTDdiag + MTTFfix
异常检测系统优化的直接目标：在保证准确率的前提下，最小化 MTTD 与 MTTDdiag。
异常检测系统优化的直接目标：在保证准确率的前提下，最小化 MTTD 与 MTTDdiag。
1.3 MTTR 复盘的核心目标
MTTR 复盘不是简单的“算一个平均值”，而是通过结构化的复盘口径设计，达成以下四个核心目标：
- 量化异常检测效果：将异常检测模型的输出（告警、异常分、根因推断）与真实故障的 MTTR 建立可追溯的映射关系。
- 识别瓶颈阶段：通过拆解 MTTR 子阶段，定位是检测延迟、诊断耗时还是修复流程导致整体 MTTR 偏高。
- 驱动 Metric Design 迭代：复盘结果反哺指标设计——哪些指标维度缺失、哪些指标噪声过大、哪些聚合粒度不合理。
- 建立持续改进闭环：每次故障复盘后，形成可执行的改进项（如新增指标、调整告警阈值、优化诊断 playbook），并在下一次复盘中验证效果。
常见误区：很多团队将 MTTR 复盘简化为“计算故障总时长”，忽略了子阶段拆解与 Metric Design 的关联分析。没有指标维度的复盘，无法指导异常检测模型的迭代方向。
1.4 MTTR 复盘口径设计原则
在后续章节中，我们将深入探讨具体的复盘口径设计方法。在进入细节之前，需要先明确三条核心设计原则：
- 可追溯性：每个 MTTR 子阶段的时间戳必须能从可观测性数据（指标、链路、日志）中精确提取，避免人工估算。
- 可对比性：复盘口径需保持跨故障、跨时间窗口的一致性，才能进行趋势分析与基准对比。
- 可行动性：复盘结果必须能直接映射到具体的改进动作——新增指标、调整阈值、优化告警路由、补充诊断 playbook。