知识卡片
运维手册把MTTR降到三分之一
内容
系统可靠性由平均故障间隔（MTTF）和平均恢复时间（MTTR）决定，MTTR是团队能主动改善的部分—— 人工介入越多恢复越慢。当人工介入不可避免时，预先写好并反复演练的”运维手册”（playbook）能把 恢复时间降到临时应对的三分之一以下：手册把已知故障的排查路径固定下来，让宝贵的临场判断力留给 手册没覆盖到的新问题，而不是浪费在重新摸索已知答案上。参见[[SRE的人员构成与50%规则]]。
参考来源
- 位置：《SRE：Google运维解密》第1章《介绍》（源文件：_epub-src/OEBPS/Text/0007_0001.xhtml）
- 结论依据：原文明确"可靠性是MTTF……和MTTR……的函数"，并给出量化结论"通过事先预案并且将最佳方法记录在‘运维手册（playbook）’上通常可以使MTTR降低3倍以上"，因此该三分之一的量化说法有原文依据，予以保留。
- 原始内容：通过事先预案并且将最佳方法记录在"运维手册（playbook）"上通常可以使MTTR 降低3倍以上。初期几个万能的工程师的确可以解决生产问题，但是长久看来一个手持"运维宝典"经过多次演习的on-call工程师才是正确之路。