三个指标是什么
MTTD 是平均发现耗时（故障发生到告警触发），MTTR 是平均恢复耗时（告警到服务恢复），MTBF 是平均无故障间隔。三者对应应急链路的不同环节，放在一起看才能判断瓶颈在「发现得晚」还是「恢复得慢」：只盯 MTTR 会把监控灵敏度的问题掩盖掉，快速重启换来的低 MTTR 也可能掩盖根因。
基本信息
| 数据来源 | 事故记录系统，需要统一的发生时间、告警时间、恢复时间字段 |
|---|---|
| 统计口径 | 按事故等级分类统计，不同等级混算会失真 |
| 改进方向 | 降 MTTD 靠监控覆盖与阈值调优，降 MTTR 靠预案与演练 |
| 发布时间 | 按周或按月出趋势，避免单次事件波动误导 |
典型使用场景
- 监控投入决策：发现耗时偏长时优先补探测与告警覆盖
- 预案建设：恢复耗时偏长时补 runbook 与演练，而不是继续加监控
- 季度回顾：三个指标趋势对比，判断整体应急能力走向
- 复盘量化：单次事故记录实际耗时，与历史基线对照
- 值班质量：结合告警数量与平均响应时长看值班体验
事件记录示例
事件记录示例
事件：支付接口超时
发生时间 10:02
告警触发 10:09 发现耗时 7 分钟
开始处置 10:11 响应耗时 2 分钟
恢复时间 10:41 恢复耗时 32 分钟
距上次同类事件 41 天（MTBF 观察值）
# 只有把时间点都记下来，三个指标才能从真实数据算出来
# 用户先发现的事件应单独归因，不计入自动发现的表现指标对照
| 指标 | 全称 | 衡量环节 | 计算方式 |
|---|---|---|---|
| MTTD | Mean Time To Detect | 监控与告警灵敏度 | 故障发生到告警触发的时间 |
| MTTR | Mean Time To Repair | 响应与恢复效率 | 告警到服务恢复的时间 |
| MTBF | Mean Time Between Failures | 稳定性 | 两次同类故障之间的平均间隔 |
| 响应时间 | Acknowledge Time | 值班响应速度 | 告警到有人认领的时间 |
统计口径要先定义清楚：恢复是指服务可用、指标回到阈值内，还是指根因消除；口径不一致会让不同季度的数字没有可比性。
指标是改进工具而不是考核工具：如果与个人绩效挂钩，记录会倾向于「少报」，数据质量下降后也就失去指导意义。