1. MTTR 复盘基础：定义、阶段与 SRE 价值

1.1 什么是 MTTR（平均修复时间）

MTTR（Mean Time to Repair，平均修复时间） 是 SRE 和运维领域最核心的可用性指标之一。它衡量的是从系统发生故障到完全恢复正常服务所花费的平均时长。在可观测性语境下，MTTR 直接反映了团队对生产事故的响应与恢复能力。

MTTR 并非单一维度的“修代码时间”，而是覆盖从告警触发到验证恢复的完整闭环。下表展示了 MTTR 与相关指标的对比：

1.2 MTTR 的四个阶段

MTTR 不是一个黑盒数字，它由四个可度量的子阶段组成。每个阶段都有独立的优化目标和可观测性数据支撑。

1. 检测（Detection）：从故障发生到系统或人感知到异常。依赖告警、监控、健康检查。
2. 诊断（Diagnosis）：从感知异常到定位根因。依赖日志、链路追踪、指标关联分析。
3. 修复（Repair）：从定位根因到执行修复操作。依赖变更、回滚、限流、扩容等动作。
4. 验证（Verification）：从修复完成到确认服务恢复正常。依赖拨测、SLO 检查、流量验证。

下图展示了 MTTR 四个阶段的串联流程以及每个阶段的典型耗时占比：

1.3 MTTR 在 SRE 中的重要性

在 SRE 体系中，MTTR 不仅是衡量团队响应效率的指标，更是驱动系统可靠性改进的杠杆。以下是 MTTR 在 SRE 实践中的三个核心价值：

• 直接影响可用性 SLO：可用性 = (总时间 - 故障时长) ÷ 总时间。MTTR 每缩短 1 分钟，可用性就向 100% 靠近一步。
• 降低故障影响范围：快速恢复意味着更少的用户受影响、更少的数据丢失、更低的业务损失。
• 提升团队信心与复盘质量：低 MTTR 的团队更敢于进行变更和实验；高质量的复盘数据（TraceID 串联）能持续沉淀为故障知识库。

下表总结了 MTTR 在不同 SRE 成熟度阶段的典型表现：