📚 课程目录第1章 MTTR基础概念

1. MTTR 基础概念

1.1 MTTR 定义

MTTR（Mean Time To Repair，平均修复时间） 是衡量系统从发生故障到完全恢复服务所消耗平均时间的核心指标。在 SRE 实践中，MTTR 直接决定了故障对业务的影响窗口长度。

  MTTR 计算公式：

  MTTR = 总修复时间 / 故障次数

  其中“修复时间”包括：故障发现 → 告警响应 → 定位诊断 → 修复实施 → 验证恢复 的全链路耗时。

MTTR 通常包含以下子阶段：

子阶段	定义	典型占比
MTTD（Mean Time To Detect）	从故障发生到被监控系统检测到的时间	15% ~ 25%
MTTA（Mean Time To Acknowledge）	从告警发出到 SRE 响应确认的时间	10% ~ 20%
MTTI（Mean Time To Identify）	从响应到定位根因的时间	30% ~ 45%
MTTF（Mean Time To Fix）	从定位到修复完成的时间	15% ~ 30%

实践要点：在 Exporter 异常自愈场景中，MTTR 的优化重点通常集中在 MTTI 和 MTTF 两个阶段——通过自动化诊断和自愈脚本压缩人工排查时间。

1.2 MTTR 与 MTBF / MTTF 的关系

这三个指标共同构成了系统可靠性的核心度量体系，理解它们的区别与联系是 SRE 的基础能力。

指标	全称	定义	关注点
MTBF	Mean Time Between Failures	两次故障之间的平均正常运行时间	系统稳定性
MTTF	Mean Time To Failure	系统从启动到首次故障的平均时间	无修复场景（如不可修复组件）
MTTR	Mean Time To Repair	从故障到恢复的平均修复时间	恢复效率

核心关系公式：

可用性（Availability） = MTBF / (MTBF + MTTR)
当 MTBF 固定时，MTTR 越小，可用性越高
当 MTTR 固定时，MTBF 越大，可用性越高

常见误区：很多团队只关注 MTBF（系统稳定性），却忽视了 MTTR 对可用性的影响。在 Exporter 异常场景中，即使 MTBF 很高，如果每次修复需要 2 小时，全年累计不可用时间仍可能超过 SLA 承诺。

1.3 MTTR 在 SRE 中的重要性

在 SRE 实践中，MTTR 是衡量团队故障响应效率的黄金指标，其重要性体现在以下三个维度：

直接影响可用性 SLA： 根据可用性公式，MTTR 每降低 50%，可用性提升效果等同于 MTBF 提升 100%。
决定故障成本： 每多一分钟 MTTR，意味着多一分钟的业务损失、用户流失和品牌声誉受损。
衡量自动化成熟度： 低 MTTR 通常意味着完善的监控、告警、自愈体系——这正是本课程的核心目标。

  Exporter 异常场景的 MTTR 现状：

  根据行业统计，未引入自愈机制的 Exporter 故障平均 MTTR 约为 45~90 分钟，其中：

  · 人工发现 + 定位：25~50 分钟

  · 手动重启 / 配置修复：15~30 分钟

  · 验证恢复：5~10 分钟

  通过自愈剧本，目标是将 MTTR 压缩至 5 分钟以内。

1.4 本课程中的 MTTR 优化目标

在《Exporter 异常自愈剧本》课程中，我们将围绕以下 MTTR 优化策略展开：

自动化检测（降低 MTTD）： 通过 Prometheus 告警规则 + 健康检查探针，将故障发现时间从分钟级压缩至秒级。
智能定位（降低 MTTI）： 自愈剧本内置诊断逻辑，自动区分 Exporter 进程挂死、配置错误、端口冲突、依赖服务不可用等场景。
一键自愈（降低 MTTF）： 预置重启、回滚配置、清理缓存、拉起依赖等原子操作，无需人工介入。
验证闭环（降低验证时间）： 自愈后自动执行健康检查，确认恢复后关闭告警，形成完整闭环。

课程预期收益： 通过本课程的学习和实践，你将能够将 Exporter 相关故障的 MTTR 从行业平均的 45~90 分钟降低至 5 分钟以内，部分场景可实现 30 秒内自动恢复。