摘要：解决突发事故意味着什么通常认为解决突发事故是积极举措。以平均恢复前时间为评估手段可能会掩饰警示，将红灯变为安全的绿灯。迅速解决突发事故是否总是最佳选择在领域，仅评估影响业务正常运行的时间无异于给婴儿浸有白兰地的奶嘴。
在团队纷纷谈起工作效率的时候，对运维工作者，他们通常喜欢用「故障的平均解决时间」来衡量团队的工作效率。然而这往往是不正确的。一个迅速解决大量突发事故的团队十分高效，而实际上这更有可能意味着该团队的基础设施十分脆弱易损。那我们应该使用什么标准来衡量团队的工作效率呢？
**本文系国内 ITOM 管理平台 OneAPM 翻译整理自Dan Turchin 2015 撰写的文章
《What is MTTR?Or why not to feed the baby cognac》，**
MTTR（平均恢复前时间）是什么？我们不已字面的角度去回答它，这个提问更倾向于它的哲学意义。基于解决突发事故的时间来测量评估工作效率已经过于绝对，显得老旧。就如同大海中的一帆孤舟，漂泊不定，不知方向。
如同禅宗关于只手之声的谜语一般，解谜的要点是首先提问如下问题：
什么是突发事故？
解决突发事故意味着什么？
解决问题是不是越快越好？
我的答案如下:
（突发事故）是对人、进程或事物有负面影响的，被某些非预期行为触发的问题。它们通常是更严重问题的征兆，经常可能导致系统或者业务发生毁灭性的的灾难。并且通常能经由常规方式修复，比如重启机器、重新连接、重启程序三部曲。
但是对于IT运维的目标，并不是通过修复自己制造的问题而获取赞誉，而是经营一个不会出现大量突发事故的健康的服务器环境。由「平均恢复前时间」所驱动的生产运作系统管理通常会误认为，一个迅速解决大量突发事故的团队十分高效，而实际上这更有可能意味着该团队的基础设施十分脆弱易损。
通常认为解决突发事故是积极举措。然而事实上解决突发事故时，正确的做法是首先判定被评估对象。以「平均恢复前时间」为评估手段可能会掩饰警示，将红灯变为安全的绿灯。其他度量手段，例如平均故障间隔时间，对于判定基础设施是否保持一贯健康运行状态而言，是更佳的度量指标。
在IT领域，仅评估影响业务正常运行的时间无异于给婴儿浸有白兰地的奶嘴。虽然孩子迅速停止哭泣，但他的爸爸却可能因此入狱（然而妈妈绝对不会作出给婴儿喂酒的糟糕决断）。
（平均恢复前时间）是讨论运营卓越性的基点。它的价值在每个企业中不尽相同，且是众多评价健康进程和基础设施的指标之一。最好的统计方法是计算全时段所有突发事件在「未解决状态」下的时长，而不是事件「被解决」状l态下的时长除以突发事件总数。在后一种情况下，（系统正常运行）持续时间是基于机器时间戳（区别于运营人员提供的状态改变点）进行计算的，此时机器会使用监测数据（作为基线），重启的相同突发事件（或称为震荡）总会被认定为独立突发事件。
请不要把这篇文章看做是 IT 技术准则的无端攻击，请将它看作是一封邀请信，邀请你花半个小时来评估 MTTR 否是与商业价最契合的度量手段。
OneAlert 是北京蓝海讯通科技有限公司旗下产品，中国首个 SaaS 模式的云告警平台，集成国内外主流监控/支撑系统，实现一个平台上集中处理所有IT事件，提升IT可靠性。想了解更多信息，请访问 OneAlert 官网 。
本文转自 OneAPM 官方博客
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/7962.html
摘要：平均解决事件解决时间是衡量业务准备的最佳标准。平均每小时折合损失。说明整个团队的响应及时率是不错的。小结致力减少告警数量及时响应如果不能及时响应，能够升级处理，最终提升解决时间，个核心关键指标是运维支撑工作非常关键的指标。 很难说，生活在这个数据大爆炸的时代对运维同学是福还是祸。灵活的监控系统、开放 API 和易用的数据可视化资源可以将任何想要的数据图表化地显示出来，但是，过多的数据容...
摘要：告警当一个问题通过告警系统将消息以短信电话邮件等方式告知给用户时，我们称之为一条告警。图统一告警系统结构图告警收敛对于告警平台每天会产生数以万计的告警，这些告警对于运维或开发人员都需要去分析甄别优先级并处理故障。 一、背景一套监控系统检测和告警是密不可分的，检测用来发现异常，告警用来将问题信息发送给相应的人。v...
摘要：总故障时间是关于告警事件数量与各告警事件时长的函数。一个月的告警数据显示平均响应时间为分钟平均解决时间为分钟。确定团队领导人此人将在解决故障期间带领团队工作。找到并解决问题事件解决时间大部分花在确定告警问题的过程中。 前不久，我们讨论了运维不容错过的 4个关键指标，其中平均解决时间（MTTR）被认为是衡量业务的最佳标准，随后也分析了「告警等级」对MTTR的重要性。 正确看待 MTTR ...
摘要：为了掌握你的告警事件响应时间，在你已经开始处理告警时，强烈建议及时响应认领，例如通过移动端微信页面移动等方式及时认领。这一点国外做的很棒，在短信电话移动都可以很容易确认认领在微信端可以认领和关闭。 这是《运维不容错过的4个关键指标》的姐妹篇，上篇文章介绍了优秀运维团队需要关注的4个关键指标，我们分享了平均恢复时间 MTTR、平均响应时间 MTTA 等概念。这篇是介绍一些实践方法，更好的...
阅读 3292·2023-04-25 19:56
阅读 1433·2021-11-12 10:36
阅读 1547·2021-11-08 13:19
阅读 1368·2019-08-30 14:06
阅读 2848·2019-08-30 11:01
阅读 1578·2019-08-29 13:23
阅读 2573·2019-08-29 11:18
阅读 3300·2019-08-26 13:35
