2、核心概念：MTTR 定义与分解（MTTD、MTTI、MTTF、MTTR）、SLO/SLI 与复盘口径
在分布式系统可观测性与质量门禁体系中，MTTR（Mean Time to Resolve，平均修复时间）是衡量故障恢复效率的核心指标。然而，仅关注 MTTR 的最终数值远远不够——必须将其拆解为多个子阶段，并与 SLO/SLI 体系联动，才能形成可自动验证的复盘口径。
2.1 MTTR 的完整分解模型
MTTR 并非单一时间点，而是从故障发生到完全恢复的全链路时间总和。业界通常将其分解为以下四个子指标：
| 指标 | 全称 | 定义 | 典型触发事件 |
|---|---|---|---|
| MTTD | Mean Time to Detect | 从故障发生到被监控系统或人工发现的时间 | 告警触发、日志异常检测、用户反馈 |
| MTTI | Mean Time to Identify | 从发现故障到定位根因的时间 | 分布式追踪链路分析、指标下钻 |
| MTTF | Mean Time to Fix | 从定位根因到完成修复的时间 | 代码回滚、配置变更、扩容操作 |
| MTTR | Mean Time to Resolve | 从故障发生到服务完全恢复的总时间 | MTTD + MTTI + MTTF + 验证时间 |
关键认知：在质量门禁场景中，MTTR 的复盘口径必须精确到每个子阶段的耗时，否则无法判断瓶颈在“发现慢”、“定位慢”还是“修复慢”。分布式追踪的 span 时间戳是自动计算这些子阶段的唯一可信数据源。
2.2 MTTR 分解与分布式追踪的映射关系
下图展示了 MTTR 各子阶段如何与分布式追踪的 Trace/Span 时间线对齐，形成可自动验证的复盘口径：
2.3 SLO / SLI 与复盘口径的联动
MTTR 的复盘口径不能脱离 SLO/SLI 体系独立存在。SLO（Service Level Objective）定义了服务可接受的质量目标，SLI（Service Level Indicator）则是实际测量的指标值。在质量门禁规则中，MTTR 复盘口径必须与 SLO 目标对齐：
- SLI 指标选择：通常选择与 MTTR 直接相关的指标，如故障恢复时间（Recovery Time）、错误率恢复时长、延迟恢复时长。
- SLO 目标设定：例如“99.9% 的故障在 30 分钟内恢复”，对应 MTTR ≤ 30 分钟。
- 复盘口径自动验证：每次故障复盘时，自动计算实际 MTTR 并与 SLO 阈值比较，输出“通过/未通过”结论。
| 复盘口径维度 | 对应 SLI | 典型 SLO 目标 | 自动验证规则 |
|---|---|---|---|
| MTTD | 检测延迟 | MTTD ≤ 5 分钟 | 告警时间戳 - 故障时间戳 ≤ 300s |
| MTTI | 定位延迟 | MTTI ≤ 10 分钟 | 根因定位时间戳 - 告警时间戳 ≤ 600s |
| MTTF | 修复延迟 | MTTF ≤ 15 分钟 | 修复完成时间戳 - 定位时间戳 ≤ 900s |
| MTTR | 总恢复时间 | MTTR ≤ 30 分钟 | 恢复时间戳 - 故障时间戳 ≤ 1800s |
2.4 复盘口径自动验证的输入输出
在质量门禁规则驱动下，MTTR 复盘口径的自动验证机制需要明确的输入与输出：
输入：
- 分布式追踪的 Trace ID 列表（包含故障时间段内的所有请求）
- 每个 Span 的开始/结束时间戳（精度到毫秒）
- 故障事件记录（故障发生时间、告警时间、修复操作时间）
- SLO 阈值配置（MTTD、MTTI、MTTF、MTTR 的目标值）
输出：
- 每个子阶段的耗时（MTTD、MTTI、MTTF、验证时间）
- 总 MTTR 值
- 与 SLO 的对比结果（通过/未通过）
- 瓶颈阶段标识（哪个子阶段超时）
2.5 常见误区与避坑指南
⚠️ 常见误区：
- 误区一：将 MTTF 与 MTTR 混淆。MTTF 仅包含修复时间，MTTR 包含从故障发生到恢复的全过程。
- 误区二：忽略验证时间。修复完成不代表服务已恢复，验证时间（如灰度验证、监控确认）必须计入 MTTR。
- 误区三：SLO 目标与 MTTR 子阶段不匹配。例如 SLO 只定义了总 MTTR，但未定义 MTTD 上限，导致发现延迟成为瓶颈却无法自动识别。
- 误区四：依赖人工打点而非分布式追踪时间戳。人工记录的时间存在偏差，必须使用 Trace 中的机器时间戳作为自动验证的数据源。