1. MTTR 基础概念
MTTR（Mean Time to Repair，平均修复时间）是 SRE 和可观测性领域最核心的可靠性指标之一。它衡量的是从系统发生故障到完全恢复所花费的平均时间，直接决定了故障对业务的影响时长。在 Exporter 数据采集场景中，MTTR 优化意味着当采集链路出现异常时，能够以最短时间恢复数据流，保障监控数据的连续性和准确性。
1.1 MTTR 定义与计算
MTTR 的经典计算公式为：
MTTR = 总修复时间 / 故障次数其中“修复时间”通常包含四个阶段：
| 阶段 | 说明 | Exporter 场景示例 |
|---|---|---|
| 检测（Detection） | 从故障发生到被监控系统发现的时间 | Prometheus 发现 Exporter 实例不可达 |
| 诊断（Diagnosis） | 定位故障根因的时间 | 分析 Exporter 日志发现 OOM 或配置错误 |
| 修复（Repair） | 执行恢复操作的时间 | 重启 Exporter 容器或回滚配置 |
| 验证（Verification） | 确认服务恢复正常的时间 | 检查 /metrics 端点返回 200 且数据正常 |
实践要点：在 Exporter 采集场景中，检测和诊断阶段通常占据 MTTR 的 70% 以上。通过自愈剧本将检测和修复自动化，可以大幅压缩 MTTR。
1.2 MTTR 与 MTBF / MTTF 的关系
MTTR 并非孤立指标，它与 MTBF（Mean Time Between Failures，平均故障间隔时间）和 MTTF（Mean Time to Failure，平均失效时间）共同构成系统可靠性的完整评估体系。三者的关系可以通过以下表格清晰对比：
| 指标 | 定义 | 关注点 | Exporter 场景 |
|---|---|---|---|
| MTBF | 两次故障之间的平均时间 | 系统稳定性 | Exporter 连续无故障运行时长 |
| MTTF | 系统首次失效前的平均时间（不可修复系统） | 系统寿命 | Exporter 进程从启动到崩溃的时长 |
| MTTR | 从故障到恢复的平均时间 | 恢复效率 | Exporter 异常后恢复数据采集的耗时 |
对于可修复系统（如 Exporter 进程），系统可用性（Availability）的计算公式为：
Availability = MTBF / (MTBF + MTTR)从公式可以看出：降低 MTTR 和提升 MTBF 同等重要。在 MTBF 固定的情况下，MTTR 每减少一半，可用性将显著提升。
关键认知：MTBF 和 MTTR 是“稳定性”与“恢复力”的两面。Exporter 自愈剧本的核心目标是在不改变 MTBF 的前提下，通过自动化手段将 MTTR 从分钟级压缩到秒级。
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能力和系统韧性的关键指标。其重要性体现在以下四个维度：
- 直接影响用户体验：MTTR 越长，业务中断时间越久，用户流失和收入损失越大。对于 Exporter 采集异常，MTTR 过长会导致监控数据缺失，掩盖上游业务故障。
- 决定 SLA/SLO 达成率：可用性公式中 MTTR 是分母的一部分。在 SLA 为 99.9% 的场景下，MTTR 每增加 1 分钟，全年可用时间就减少 43.2 分钟。
- 反映自动化成熟度：低 MTTR 通常意味着团队具备完善的告警、诊断和自愈能力。Exporter 自愈剧本正是将人工操作转化为自动化流程的典型实践。
- 降低认知负载：标准化的自愈剧本可以减少 on-call 工程师在故障处理中的决策压力，避免人为失误导致的二次故障。
常见误区：不要将 MTTR 等同于“重启时间”。真正的 MTTR 包含从检测到验证的全链路时间。在 Exporter 场景中，如果只统计重启耗时而忽略告警延迟和验证时间，MTTR 会被严重低估。
1.4 本章小结
- MTTR 是衡量故障恢复效率的核心指标，包含检测、诊断、修复、验证四个阶段。
- MTTR 与 MTBF、MTTF 共同构成可靠性评估体系，可用性 = MTBF / (MTBF + MTTR)。
- 在 SRE 实践中，降低 MTTR 直接影响用户体验、SLA 达成率和团队自动化成熟度。
- Exporter 数据采集异常自愈剧本的核心目标：通过自动化手段将 MTTR 压缩到极致。