MTBF和MTTR：高可用工程的两个独立投入维度

实现高可用性可以拆成两件相对独立的事，各自对应一个可测量的指标：一是 “提升平均失效时间”（MTBF，Mean Time Between Failures）——想办法让故障 更少发生，靠的是恰当的配置、监控、规范流程、安全保障这类预防性措施， 很多导致宕机的原因（尤其是人为错误）其实是可以被提前避免的；二是 “降低平均恢复时间”（MTTR，Mean Time To Recovery）——接受”故障终究会 发生”这个前提，把精力放在”一旦发生了，多快能恢复”上，靠的是系统里 预先建好的冗余和故障转移能力。把这两件事拆成两个独立维度来看待的 价值在于，它们需要的投入方式完全不同，也各自有独立的度量方式，不能 混在一起笼统地说”要做高可用”——一个团队可能花了很多精力在防止故障 发生（严格的变更流程、完善的监控告警），却在真正出故障时手忙脚乱、 迟迟恢复不了，这说明只投入了MTBF这一侧；反过来，就算故障恢复机制 再完善，故障本身发生得过于频繁，也会不断消耗这套恢复机制、拖累整体 可用性。书中特别指出，”降低恢复时间”这一侧，尤其是靠冗余和故障转移 能力实现快速恢复，通常是投入回报率最高、也最容易被低估和忽视的环节 ——技术上的冗余架构固然重要，但同样重要的是团队本身对故障处理流程的 熟练度：训练有素的人员、经过实际演练的应急文档，往往比工具本身更 决定恢复速度的上限。