MTTR 到底是什么?一文讲清 MTTR 的 4 种含义与 MTTA
MTTR 常见含义包括恢复、响应、修复和解决时间。结合 MTTA,说明各口径的起止时间、计算公式、适用场景及事件统计容易误读的地方。
MTTR 是事件管理里最容易被误用的缩写——它有 4 种常见含义:Mean Time to Recovery(恢复)、Respond(响应)、Repair(修复)、Resolve(解决)。四种都是"平均时间",但各产品和团队对起止时间的定义并不统一。在团队里使用 MTTR 时,务必写全称并对齐时间节点,否则报表里的同一个数字可能在说不同的事。下面按本文采用的口径逐个拆开讲。Atlassian 指标说明与 PagerDuty 定义对 Resolve 的起止口径也有区别,不能直接合并。
一、平均恢复时间(Mean Time to Recovery)
定义:从系统发生故障到完全恢复正常所经历的平均时长。它是衡量"宕机处置速度"的核心指标。
计算:
MTTR = 所有事件恢复时长之和 ÷ 事件次数
例:一周内发生 2 次宕机,合计中断 20 分钟,则本周 MTTR = 10 分钟。
它的问题:MTTR(恢复)常被当作北极星指标,但它太宏观了。它把检测、告警、确认、诊断、修复全揉在一起,看不出时间到底耗在哪一环。恢复时间长,可能是告警规则配置不当导致通知慢,也可能是修复能力不行——单看这一个数无从分辨。所以要引入下面几个分段指标。
二、平均响应时间(Mean Time to Respond)
定义:本文沿用 Atlassian 的一种口径:从收到第一条告警到服务恢复的平均时长。接其他报表时,仍应先核对其起止节点,不能只凭同名指标合并。只有对同一组事件、使用相同恢复节点和完整时间戳计算,两项均值之差才等于"故障发生到告警送达"的平均时长;这段时间包括检测和通知延迟,不能全部归为检测时间。
计算:所选事件(首次收到告警 → 服务恢复)时长之和 ÷ 对应事件次数。
什么时候看:想评估"告警链路 + 修复能力"的组合效率时用它。改进路径有两条:
- 提升修复速度:完善应急预案(Playbook)、上更好的日志与错误分析工具;
- 压缩告警到开工的间隔:告警路由(直接通知最能解决该类问题的人)和主备值班兜底有助于改善这段等待。MTTA 只量到确认节点,确认之后的调度和等待开工还要另看。
用一条假设的事件时间线看差别:10:00 开始影响用户,10:02 触发告警,10:03 收到通知,10:04 确认,10:05 开始修复,10:12 恢复。在本文口径下,恢复用时 12 分钟,响应到恢复用时 9 分钟,修复用时 7 分钟,MTTA 则是触发到确认的 2 分钟。它们是同一条事件的不同区间,不是四条事件,也不是实测结果。
📖 什么是应急预案(Playbook):一套规定事件期间与事后该做什么的流程文档,通常包含角色分工、处置流程清单、复盘指引。
三、平均修复时间(Mean Time to Repair)
定义:本文按从修复工作实际开始到修复完成并确认服务恢复的平均时长计算,排除开工前的告警、确认和调度等待。其他报表可能从发现故障起算,或把诊断、验证另列,比较前要核对。
计算:所有事件(开始修复 → 修复完成)时长之和 ÷ 事件次数。
什么时候看:想了解修复作业耗时,找出诊断、实施或验证中的阻碍时用。注意一个口径问题:诊断时间算不算在内?实践中诊断和修复往往交织(原因不明时要反复试修),可以把诊断并入修复时长,但要记录清楚。经过时间也不等于所有参与人的工时之和,不能单凭它考核个人能力。
四、平均解决时间(Mean Time to Resolve)
定义:本文按从故障发生到约定的根因修正完成的平均时长计算,区别于临时恢复。"解决"不保证同类事件永不再发生,后续改进仍需验证和追踪。有些平台的 Resolve 是从事件创建到标记已解决,未必包含复盘改进上线的时间;自然经过时间与工作时间也要分开说明。
计算:所选事件(故障开始 → 约定的根因修正完成)时长之和 ÷ 对应事件次数。
什么时候看:把它和"平均恢复时间"对比着看。在同一事件集合、同一计时方式下,两者差值可表示恢复后到约定修正完成的平均间隔。间隔较长时,再看复盘、开发、测试和发布排期;不能只凭差值判断改进项没有落地。
五、平均确认时间(MTTA)
定义:从告警触发到值班人确认收到的平均时长。
什么时候看:MTTA 可以帮助检查通知路由与值班覆盖,也可能提示告警疲劳。但变长还可能来自送达失败、责任人配置错误、交接空档或确认操作未被记录,不能只归因于值班纪律。先结合告警量、送达记录和值班安排排查,再决定是否需要告警分级、降噪和升级策略优化。确认收到也不等于已经开始修复。
选用速查表
| 指标 | 计时区间 | 回答的问题 |
|---|---|---|
| MTTR(恢复) | 故障发生 → 完全恢复 | 整体事件管理流程表现如何(宏观总览) |
| MTTA | 告警触发 → 确认收到 | 告警链路和值班响应是否灵敏 |
| MTTR(响应) | 收到告警 → 恢复 | 告警+修复的综合效率 |
| MTTR(修复) | 开始修复 → 修复完成并验证恢复 | 修复作业耗时,包含约定的诊断或验证范围 |
| MTTR(解决) | 故障发生 → 约定的根因修正完成 | 恢复之后的改进进度,不代表永不复发 |
这些指标从哪来
要算准这些数,前提是每条事件有对应的时间节点,并区分触发、送达、确认、开工、恢复和关闭。观测云事件中心的操作时间线记录触发、状态变更、负责人调整和升级通知;事件详情提供本周期及累计的 MTTA、MTTR 等统计,可以从这些记录检查处理过程。事件详情与统计
先核对平台指标采用的起止节点,再映射到团队的报表。用户实际开始受影响的时间、修复开工时间和根因改进上线时间,不会因为有了状态时间线就自动齐全;缺少的节点仍需结合业务监测、发布记录或复盘补充。日志与 APM 可以帮助确认影响和恢复证据,但不能凭空补回没有记录的时间戳。
常见问题(FAQ)
Q:五个指标都要考核吗?
不必。小团队先盯 MTTR(恢复)+ MTTA 两个,一个管结果一个管过程入口;团队成熟后再细分响应/修复/解决。
Q:MTTR 多少算合格?
没有通用标准,取决于业务容忍度和 SLA 承诺。先按服务、事件级别和相同计时口径建立基线,再看趋势与样本数;事件类型变了,均值下降也未必说明处理更好。可以同时看单次耗时分布和适当的分位数;样本很少时 P95 不稳定,还要单独报告尚未恢复、因而未进入已完成事件均值的事件。
Q:MTTA 走高一定是值班人偷懒吗?
不能由 MTTA 单独判断。先看告警量、误报、通知是否送达、值班覆盖和确认记录,再判断是否存在告警疲劳。
Q:"恢复"和"解决"分不清,能不能合并?
小团队可以合并,但要意识到合并后你就看不见"止血快、治根慢"这个模式了。等复盘文化建立起来后再拆开。