📚 课程目录第3章 MTTR基础

3. MTTR 基础：定义、构成与运维价值

MTTR（Mean Time to Repair，平均修复时间）是衡量系统从故障发生到完全恢复所消耗平均时长的核心指标。在 SRE 实践中，MTTR 直接决定了故障对业务的影响窗口，是质量门禁中“恢复效率”维度的关键量化依据。

MTTR 统计的是修复动作的总耗时，从故障被检测确认开始，到服务验证恢复结束。其计算公式为：

MTTR = (Σ 每次故障的修复总时长) / (统计周期内故障次数)

注意：MTTR 不包含故障发生前的潜伏期，也不包含事后复盘时间。它聚焦于“从感知到恢复”的主动干预阶段。

MTTR 并非单一数字，而是由四个可独立优化的子阶段串联而成。每个阶段都有对应的排查与自动化切入点。

阶段	英文	定义	典型耗时瓶颈
检测	Detection	从故障发生到监控系统或人工发现异常	监控盲区、告警延迟、阈值不合理
诊断	Diagnosis	从确认异常到定位根因	日志分散、链路断裂、配置差异排查困难
修复	Repair	从确定修复方案到执行完毕	手动操作、变更审批慢、回滚脚本缺失
验证	Verification	从修复完成到确认服务恢复正常	人工验证、回归测试不充分

  关键认知：在配置环境差异引发的故障中，“诊断”阶段往往占据 MTTR 的 60% 以上。因为对比不同环境的配置差异需要大量人工比对，这正是本课程后续联动质量门禁要解决的核心痛点。

下图展示了 MTTR 的完整时间线，以及每个阶段在故障恢复中的位置关系：

MTTR 不仅是事后统计指标，更是驱动运维改进的杠杆。其价值体现在三个层面：

量化恢复效率：将模糊的“恢复快慢”转化为可对比的数字，便于设定 SLO 和故障分级响应策略。
识别优化瓶颈：通过拆解四阶段耗时，精准定位最耗时的环节。例如，若诊断阶段占比过高，则应优先建设配置比对平台或链路追踪工具。
联动质量门禁：在 CI/CD 流水线中设置 MTTR 阈值门禁，当某次故障的修复时长超过基线时，自动阻断后续发布或触发人工审核，防止同类配置差异再次引发长耗时故障。

常见误区：不要将 MTTR 与 MTTF（平均无故障时间）混淆。MTTR 衡量的是“修复速度”，MTTF 衡量的是“系统稳定性”。两者结合使用才能全面评估系统可靠性。