MTTR 是什麼?恢復、回應、修復與解決時間的差別
從起止時間、計算公式及事件例子,理解 MTTR 的恢復、回應、修復、解決四種常見口徑,以及 MTTA 和報表中的統計限制。
MTTR 常用來表示平均恢復、回應、修復或解決時間。看到報表上的「MTTR:10 分鐘」,要先知道量度的是哪兩個時間點,才能決定下一步改善什麼。從事件建立到工單關閉,與服務實際中斷的時間,回答的是不同問題。
不同產品和團隊也有不同定義。以下先說明本文採用的區間,再看如何計算。Atlassian 的指標說明與 PagerDuty 的定義,連「解決時間」的起止點也不完全相同。
平均恢復時間:服務中斷了多久
本文的 Mean Time to Recovery,從故障發生算到服務恢復正常,量度整個恢復過程的平均經過時間。
平均恢復時間 = 所選事件的恢復時長總和 ÷ 事件數
假設一星期有兩次中斷,合計 20 分鐘,平均恢復時間就是 10 分鐘。這是用來說明計算的假設,並非實測結果,也不是所有服務都應達到的目標。
這段時間包含偵測、通知、確認、診斷及修復。數字偏高,只能說整段恢復過程較慢;通知遲到與修復困難,可能得到相同的總時長。要找出阻礙,仍須把階段拆開。
平均回應時間:先看計時何時結束
Mean Time to Respond 在本文沿用 Atlassian 的一種定義,從收到第一條告警算到服務恢復。比較其他報表的「回應時間」之前,要先核對其起止條件,不能只憑名稱相同就合併。
按本文口徑,將每次收到告警至恢復的時長相加,再除以對應事件數。它與平均恢復時間的差,只有在使用同一組事件、相同恢復節點及完整時間戳記時,才等於故障發生到告警送達的平均時間。這段差值可能同時包含偵測與通知延遲。
看一條假設時間線:10:00 開始影響使用者,10:02 觸發告警,10:03 收到通知,10:04 確認,10:05 開始修復,10:12 恢復。恢復用了 12 分鐘,收到告警至恢復用了 9 分鐘,修復用了 7 分鐘,觸發至確認則是 2 分鐘。這是同一宗事件的四個區間,並非四宗事件。
改善通知對象及設置後備值班人員,可以縮短開工前的等待。應急手冊會寫下處理步驟、角色及事後工作,但有手冊不代表實際執行時間已被記錄。確認之後,仍可能有協調及等待開工的時間。
平均修復時間:說清實際工作的範圍
本文的 Mean Time to Repair,從修復工作開始算到修正完成,並確認服務已恢復。將各次時長相加,再除以對應事件數;開工前的等待不計入這個定義。
要先決定診斷是否計入,以及恢復驗證是否另行量度。軟件診斷與修復經常反覆交替,合併計算可以合理,但必須寫清規則。其他報表可能從發現故障開始算,或把各階段分開。經過時間也不等於所有參與人員的工時總和,不能單靠它衡量個人能力;更有用的是找出診斷、實作或驗證中的阻礙。
平均解決時間:量度約定修正何時完成
本文的 Mean Time to Resolve,從故障發生算到約定的根因修正完成。服務可能先靠重新啟動恢復,程式修正則稍後才部署。完成修正是降低已知風險的一個節點,不能保證相似事件永不再發。
有些平台在事件被標記「已解決」時就停止計時。是否包含事後改善、採自然經過時間還是工作時間,都要先說明。在相同事件集合和時計下,解決與恢復兩項均值的差,可以表示恢復後至修正完成的平均間隔。間隔較長時,要再看檢討、開發、測試與發佈排期,不能只憑差值判斷改善工作被擱置。
MTTA:確認是另一個節點
Mean Time to Acknowledge(MTTA)在本文指告警觸發到值班人員的確認被記錄。把這些區間相加,再除以對應事件數。其他系統可能從事件建立起算;例如 PagerDuty 的團隊報表採用這個起點,並要求明確的確認動作。
MTTA 上升,可能與告警疲勞有關,也可能是通知未送達、責任人設定錯誤、值班空檔或確認記錄缺漏。應把通知歷程、值班安排,與告警數量、誤報一起檢查。確認收到告警,並不代表已經開始修復。
按想回答的問題選區間
| 本文指標 | 起點 → 終點 | 有助了解什麼 |
|---|---|---|
| 恢復 | 故障發生 → 服務恢復 | 整個恢復過程的時間 |
| 回應 | 首次收到告警 → 服務恢復 | 通知送達後的處理時間 |
| 修復 | 修復開始 → 修正完成並驗證恢復 | 約定範圍內的診斷、修復及驗證耗時 |
| 解決 | 故障發生 → 約定的根因修正完成 | 即時恢復之後的改善進度 |
| MTTA | 告警觸發 → 確認記錄 | 通知路由、送達及值班確認情況 |
用已記錄的事件建立報表
觀測雲事件中心的操作時間線會記錄事件觸發、狀態變更、負責人調整及升級通知;事件詳情亦提供本週期及累計的 MTTA、MTTR 統計。先核對平台採用的時間節點,再對應團隊需要的報表定義。事件詳情與指標(簡體中文)
狀態時間線不會自動補齊使用者何時開始受影響、何時開始修復,以及根因改善何時部署。缺少的節點,仍要從業務監控、部署記錄或事後檢討補充。日誌與 APM 可以協助確認影響及恢復的證據,但無法自動還原從未記錄的時間戳記。
檢討報表時常見的問題
五個指標都要追蹤嗎? 如果當前問題集中在恢復與確認,先追這兩個即可。進一步拆分會影響實際決定時,再增加其他區間。
MTTR 多少才算好? 應以業務容忍度及 SLA 承諾為基準,在相同服務、嚴重程度及計時規則下比較,並列出樣本數。月平均下降,可能只是事件組成改變。可以同時看每宗事件的時長與適當分位數;樣本很少時,P95 不穩定。尚未恢復的事件也要另外列出,避免它們從已完成事件的平均值中消失。
MTTA 偏高,代表值班人員回應慢嗎? 單一數字不能證明。先查送達、責任人、值班空檔、告警負荷與記錄缺漏。
恢復和解決可否合併? 小團隊可以用一個完成節點,但會看不見服務恢復至後續改善完成的間隔。恢復後仍未完成的改善事項,要能獨立追蹤。
