1. 课程导论：MTTR复盘口径的定义、故障定位时效的重要性、Jaeger在可观测性中的角色
1.1 MTTR复盘口径的定义
在SRE与可观测性实践中，MTTR（Mean Time to Repair，平均修复时间）是衡量故障恢复效率的核心指标。然而，不同团队对“修复”的界定存在显著差异，导致复盘口径不统一。本课程采用业界通用的故障定位时效作为MTTR复盘的核心子口径，聚焦于从故障告警触发到根因确认的时间窗口。
| MTTR子阶段 | 定义 | 本课程关注点 |
|---|---|---|
| MTTI（平均识别时间） | 从故障发生到监控系统告警 | Jaeger采样策略对告警延迟的影响 |
| MTTD（平均诊断时间） | 从告警到根因定位完成 | Jaeger分布式追踪对调用链分析的加速 |
| MTTR（平均修复时间） | 从根因确认到服务恢复 | Jaeger数据对回滚/热修复决策的支撑 |
关键定义：本课程中的“MTTR复盘口径”特指 MTTD（平均诊断时间），即故障定位时效。这是SRE团队在复盘时最常出现口径分歧的环节，也是Jaeger部署方案能够产生最大优化效果的领域。
1.2 故障定位时效的重要性
故障定位时效直接决定了系统的整体可用性。在微服务架构中，一次故障可能涉及数十个服务实例、数百个API调用和数千条日志。定位时效每延长1分钟，可能导致：
- 用户影响面扩大：错误率上升，SLA违约风险增加。
- 根因漂移：临时恢复操作（如重启）可能掩盖真实根因，导致后续重复故障。
- 复盘失真：定位时间过长时，工程师依赖记忆而非数据，复盘结论偏离事实。
根据行业基准，故障定位时效应控制在5分钟以内，才能满足99.9%可用性目标。超过15分钟，故障定位的“黄金窗口”将关闭，根因证据链断裂风险显著上升。
实践建议：在MTTR复盘时，将故障定位时效拆解为“首次告警时间→首次关联追踪时间→根因确认时间”三个子节点，每个节点记录时间戳，避免复盘时出现“我记得当时很快就定位了”的主观偏差。
1.3 Jaeger在可观测性中的角色
Jaeger是CNCF毕业的分布式追踪系统，在可观测性“三大支柱”（指标、日志、追踪）中承担调用链追踪的核心职责。它通过以下能力直接影响故障定位时效：
- 端到端追踪：记录一次请求穿越所有微服务的完整路径，包括每个服务的耗时、状态码和错误信息。
- 上下文传播：通过Trace ID和Span ID将分散的日志、指标关联到同一请求，消除“盲人摸象”式的排查。
- 采样策略：控制数据采集量，在存储成本与定位精度之间取得平衡。
1.4 Jaeger部署方案与MTTR复盘的关系
不同的Jaeger部署方案（如All-in-One、生产级高可用、采样策略配置、存储后端选择）会直接影响故障定位数据的完整性、实时性和可回溯性，进而改变MTTR复盘的口径和精度。本课程将系统分析以下部署维度对故障定位时效的影响：
| 部署维度 | 对MTTR复盘的影响 | 典型问题 |
|---|---|---|
| 采样策略 | 决定故障链路是否被完整记录 | 头部采样漏掉尾部错误；固定采样率导致关键链路缺失 |
| 存储后端 | 影响历史追踪数据的查询速度 | Elasticsearch索引延迟导致复盘时数据不可用 |
| Agent部署模式 | 决定追踪数据是否实时上报 | Sidecar模式增加延迟；DaemonSet模式资源竞争 |
| UI与查询能力 | 影响工程师定位根因的操作效率 | Trace查询超时；Span关联不准确 |
常见误区：很多团队在部署Jaeger时只关注“能否看到Trace”，而忽略了部署方案对MTTR复盘口径的隐性影响。例如，使用默认的固定采样率（如1%）可能导致99%的故障链路未被采集，复盘时只能依赖工程师的“经验推测”，而非数据驱动。
1.5 本课程的学习路径
本课程共30章，从MTTR复盘口径的定义出发，逐步深入Jaeger的部署架构、采样策略、存储优化、高可用设计，最终回归到如何通过部署方案优化来提升故障定位时效。每章均包含：
- 核心概念：与MTTR复盘相关的Jaeger技术原理。
- 部署对比：不同方案在故障定位场景下的优劣分析。
- 复盘案例：真实故障场景中，部署方案如何影响定位时效。
- 可操作建议：可直接落地的配置优化和架构调整方案。
通过本课程的学习，你将能够：
- 建立统一的MTTR复盘口径，消除团队间的认知偏差。
- 根据业务SLA要求，设计最优的Jaeger部署方案。
- 在故障复盘时，快速从Jaeger中提取完整的定位证据链。
- 量化评估部署方案对故障定位时效的实际影响。