MTTRとは?復旧・対応・修復・解決とMTTAの違い

MTTRの四つの意味とMTTAを、起点・終点と計算例から説明します。確認、復旧、修復、事後対策を区別し、インシデント指標の読み違いを防ぎます。

ベストプラクティス
インシデントのシグナルと対応段階をつないだ抽象図

MTTR は、復旧・対応・修復・解決にかかる平均時間を表す略語として使われます。「MTTR は 10 分」と報告されても、何時から何時までを測ったのかが分からなければ、次に直す工程は決まりません。インシデントの作成からチケットを閉じるまでの時間と、サービスが実際に停止していた時間は異なります。

製品や組織によって定義も変わります。以下では各区間を明示して説明します。Atlassian の指標解説と PagerDuty の定義でも、解決時間の起点や終点は同じではありません。

平均復旧時間はサービスの停止全体を見る

本稿の Mean Time to Recovery は、障害の発生からサービスが正常な状態に戻るまでの平均経過時間です。

平均復旧時間 = 対象インシデントの復旧所要時間の合計 ÷ 件数

例えば、ある週の 2 件の停止時間が合計 20 分なら、平均は 10 分です。計算のための仮定であり、実測値や全サービス共通の目標ではありません。

復旧までには、検知、通知、確認、診断、修復が含まれます。平均が長いことは分かっても、通知が遅いのか、修復が難しいのかは、この値だけでは分かりません。区間を分ける意味はそこにあります。

平均対応時間は終点まで確認する

Mean Time to Respond は、本稿では Atlassian の定義に沿って、最初のアラートを受け取ってから復旧するまでとします。「対応時間」と書かれた別のレポートを比較する前に、起点と終点を確認してください。

本稿の計算では、通知受領から復旧までの時間を合計し、対象件数で割ります。平均復旧時間との差が、障害発生から通知受領までの平均時間になるのは、同じインシデント群、同じ復旧時点、欠落のない時刻を使う場合です。この差には検知だけでなく通知の遅延も含まれ得ます。

仮の時系列で考えます。10:00 に利用者への影響が始まり、10:02 にアラートが発生、10:03 に通知を受領、10:04 に確認、10:05 に修復を開始し、10:12 に復旧したとします。復旧は 12 分、通知受領から復旧までは 9 分、修復は 7 分、アラート発生から確認までは 2 分です。同じ 1 件を、異なる区間から見ています。

適切な通知先や予備のオンコール担当を用意すると、作業前の待ち時間を短縮できます。ランブックには手順、役割、事後の作業を記します。ただし、手順があることと、実施時刻が記録されることは別です。確認後も、担当の調整や修復開始までの待機は残る場合があります。

平均修復時間は実作業の範囲を決める

Mean Time to Repair は、本稿では修復の開始から、修復を終えてサービスの復旧を検証するまでです。各所要時間の合計を対応する件数で割り、作業開始前の待ち時間は含めません。

診断を含めるか、復旧確認を別に計測するかを明記します。ソフトウェアでは診断と修復が行き来するため、両方を含める運用も合理的です。別のレポートが障害の検知から測っているなら、そのまま比較できません。また、経過時間は参加者全員の作業時間の合計でもありません。個人の能力評価に直結させるより、診断、実装、検証のどこに障害があるかを調べるために使います。

平均解決時間は合意した修正の完了まで

本稿の Mean Time to Resolve は、障害発生から、合意した原因への対策が完了するまでを測ります。再起動でサービスを戻し、その後にコードを修正するなら、二つの時刻は離れます。対策の完了は再発リスクを下げるための節目であり、同種の障害が二度と起きないという保証ではありません。

製品によっては、インシデントを「解決済み」に変更した時点で計測が終わります。事後対策を含めるか、実経過時間か営業時間かも決めておきます。同じ対象と時計を使えば、復旧時間との平均値の差から、復旧後の対策完了までの平均間隔が分かります。長い場合は、振り返り、開発、テスト、リリースの日程を確認し、数値だけで対策が放置されたと判断しないことです。

MTTA は確認操作までの時間

Mean Time to Acknowledge(MTTA)は、本稿ではアラートの発生から、オンコール担当の確認が記録されるまでです。その区間の合計を対象件数で割ります。PagerDuty のチームレポートのように、インシデント作成を起点とし、明示的な確認操作を要求する定義もあります。

MTTA の増加は、アラート疲れだけでなく、通知の未達、担当設定の誤り、当番の空白、確認記録の欠落でも起こり得ます。通知履歴と当番表を、アラート数や誤検知と一緒に確認します。アラートを確認した時点が、修復を始めた時点とは限りません。

知りたいことに合わせて区間を選ぶ

本稿の指標 起点 → 終点 分かること
復旧 障害発生 → サービス復旧 復旧プロセス全体の時間
対応 最初の通知受領 → サービス復旧 通知が届いてから復旧するまでの時間
修復 修復開始 → 修正完了と復旧検証 合意した範囲の診断・修復・検証時間
解決 障害発生 → 合意した原因対策の完了 復旧後の改善の進捗
MTTA アラート発生 → 確認記録 通知先、送達、当番の確認の状況

記録されたイベントから集計する

Guance のインシデントセンターは、発生、状態変更、担当者変更、エスカレーション通知を操作タイムラインに記録します。詳細画面には、現在の処理サイクルと累積の MTTA・MTTR もあります。まず、その計算で使う時点を確認し、チームのレポートに対応付けます。Guance のインシデント詳細(英語)

状態履歴だけで、利用者が影響を受け始めた時刻、修復の開始、原因対策のリリース時刻がすべて分かるわけではありません。足りない時点は、サービス監視、デプロイ記録、振り返りで補います。ログや APM は影響と復旧の根拠を確認する助けになりますが、記録されなかった時刻を自動的に埋めるものではありません。

レポートを読むときの疑問

五つすべてを追う必要はあるか。 まず復旧時間と確認時間から始め、区間を分けることが実際の判断に役立つ段階で増やせます。

どれくらいの MTTR なら良いのか。 サービスの許容範囲と SLA を基準にします。同じサービス、重要度、計測ルールで比べ、件数も示します。月平均の低下は、軽い障害が増えた結果かもしれません。個々の時間と適切な分位点を併せて見ます。少数標本の P95 は安定せず、未復旧のインシデントは完了分の平均から消えないよう別に示します。

MTTA が長いのは担当者の問題か。 数値だけでは判断できません。送達、担当、当番の空白、アラート負荷、記録の欠落を先に調べます。

復旧と解決をまとめてもよいか。 小規模チームでは一つの完了時点にまとめられます。ただし、サービスを戻してから事後対策を終えるまでの間隔は見えなくなります。残った対策は別途追跡できるようにします。

参考資料

最適なプランを相談する

お問い合わせ

コミュニティに参加

WeChatでスキャンして
コミュニティに参加

Guanceを試す

オンラインですぐに始めて、使った分だけお支払いください。

利用を開始

Guanceのプランを選択

コードリポジトリ