MTTR、MTBF、MTTF、可用性、可靠性傻傻分不清楚？

我在极客时间《架构实战营》的视频课里面，经常遇到同学问"MTTR、MTBF、MTTF、可用性、可靠性"这一大堆名词的区别于联系，坦白的说，以前我们在做架构设计方案的时候，并没有太多去刻意深入研究这几个名词，更多的只是知道大概的含义，以及在实际架构设计和监控中我们应该怎么做。通常我们会发现，大家用的比较多的就是“几个9”这个高可用的指标，具体在计算的时候就是统计非故障的时间占总运行时间的比例，而且一般情况下，我们谈论可靠性和谈论可用性基本是一个意思，有的人习惯说可靠性，有的人习惯说可用性，大家沟通交流也没有什么障碍。

虽然如此，很多同学反馈在面试的时候要背背八股文，如果这些指标的区别和联系不清楚的话，面试的时候很容易讲不清楚，或者讲的时候发现卡壳了，因此我决定深入去研究一下，按道理来说这个东东应该是很容易查到的。

好家伙，不查不知道，一查吓一跳，这几个概念的解释和理解，网络上的文章也是各种说法，有的说法还是自相矛盾的，我挑选几个典型的说法给大家感受一下。

第一种解释（原文链接）：MTBF = MTTF + MTTR

第二种解释（原文链接）：MTBF = MTTD + MTTR + MTTF

这篇文章里面的图和MTBF的计算方法是冲突的，按照它的计算方法，MTBF应该是MTTF的平均值，但是图里面展示的内容却又是：MTBF = MTTD + MTTR + MTTF

第三种解释（原文链接）：MTBF是指系统正常运行的时间，不包含MTTR

这个定义符合我最初的理解，但是如果这样理解的话，感觉MTBF和MTTF又是一样的意思了。

第四种解释（原文链接）：这是wiki的解释，实际上也是我们在做监控的时候用到的方法

初步一轮查下来，我自己都有点懵逼了，主要疑惑的点有几点：

1）MTBF包含MTTR吗？我个人理解是不包含的，如果包含的话，理解起来就怪怪的，也与实际计算可用性的公式对不上；

2）MTBF和MTTF是什么关系？MTBF = MTTF + MTTR吗？

3）可用性和可靠性什么关系？可靠性高是不是就可用性高？

带着这些疑问，继续深入查询，经过持续两天的查各种中文英文资料，最后总算把这几个东东给梳理清楚了。下面我们来看一下如何理解这些概念的区别以及它们的关系。

首先，最重要的一点，也是理解这一堆概念的关键，就是我们要把故障分为“可修复”和“不可修复”故障，字面意思很好理解，举个简单的例子：我们的电脑是一个可修复的系统，比如说内存条坏了，我们就换一根内存条后电脑还是可以继续用；但是内存条坏了，对于内存条来说，这就是“不可修复”的故障，我们就只能换内存条。

有的人可能会说：内存条坏了也可以修呀，没有什么东西修不好的！这个道理是对的，但是实践中这样做就是错误的，原因在于修复的成本太高了，可能一条新的内存条价值100元，你修复一条烧坏的内存条成本是200元，因此对于这种“不可修复”的故障，我们肯定是直接换更划得来。但是如果电脑只坏了一根内存条，你就把整个电脑都丢了，要么你是土豪，要么就是傻了 ：）

把故障分为“可修复”和“不可修复”有什么意义呢？主要就在于不同的故障我们衡量的指标不同，对于“可修复”的系统，我们衡量的是它的“可靠性”和“可用性”，这里的可靠性是指“正常运行的时长；对于“不可修复”的系统或者元器件，我们衡量的是它的可靠性，但这里的可靠性是指“寿命”。

基于这个理解，我们就可以把这一大堆概念分为两组：

1. 不可修复的故障：MTTF、可靠性、寿命
2. 可修复的故障：MTTR、MTBF、可靠性、可用性

因此，第一个结论就很明显了：MTTF是用来衡量“不可修复”的元器件（系统、资产等都可以）的“寿命”（可靠性），统计方法就是收集大量的元器件的寿命然后取平均值。MTTF不是MTBF的一部分，两者的应用场景是不同的，MTTF和MTBF只有一字之差”To“和”Between“，含义就是可修复和不可修复的区别。更进一步的解释可以参考这篇文章：What is mean time to failure?

接下来我们看第二个关键概念：MTTR。通过前面的截图我们可以看到，这个MTTR的解释有多种，有的把R解释为Recovery，有的解释为Repair，有的包含发现时间、定位时间、修复时间，有的只是说是修复时间，不包含发现和定位时间，因此又多了一个MTTD（Mean time to diagnose）的概念。

因为没有规范定义，我也不能直接说这些理解就一定不正确，但是无论从计算还是理解简单的角度来看，我觉得把MTTR理解为故障发生到故障修复完成这段时间是最合适的，这个时间段包括发现时间、定位时间、修复时间。当然，我们在做系统设计的时候，确实需要将MTTR继续分解为如何快速发现（监控设计）、如何快速定位（问题定位设计，例如日志收集、全链路跟踪）、如何快速恢复（例如倒换、降级）等，但是在计算可用性和可靠性指标的时候，是不需要将MTTR进一步细化的。

明白MTTR的定义后，第三个概念MTBF就很好理解了，MTBF就是指系统正常运行的平均时间，MTBF不包含MTTR，因为系统在故障修复期间是没有正常提供服务的。这也是MTBF中的”Between“的含义。因此我们可以看到wiki上关于MTBF的解释是正确的。MTBF的计算方式如下：

当我们理解MTTF、MTTR、MTBF的定义后，再来看看可靠性和可用性的定义和理解。

可靠性：无论是“可修复故障”还是“不可修复故障”，都有可靠性，但是衡量指标是不同的。

对于”不可修复故障”的元器件，可靠性衡量指标就是MTTF，简单来说就是寿命越长越可靠，比如说同样是内存条，A品牌的MTTF是2年，B品牌的MTTF是3年，那么B品牌的内存条更可靠。

而对于“可修复故障”，衡量可靠性指标就是MTBF，简单来说就是故障次数越少越可靠，比如说同样是电脑，A品牌的某个电脑一年坏5次，B品牌一年坏1次，那么肯定B品牌的可靠性高。

可用性：定义为系统正常运行的时间占比，其计算公式是：Availability = MTBF/(MTBF + MTTR)。有趣的是，可用性只涉及“可修复故障”，为什么呢？对于不可修复的故障来说，只要坏了就废弃了，就不存在什么正常运行时间的比例这个说法了。

虽然可用性的公式比较简单，但是这个公式背后蕴含的信息不少，我们来看几个有趣的问题：

1. 是不是可靠性高，可用性就高？
2. 会不会可靠性高，可用性低？
3. 会不会可靠性低，可用性高？

如果你认真对照可用性的公式，以及前面关于MTBF和MTTR的定义，相信你能够推导出这几个问题的答案至于具体的解释，你可以尝试自己思考一下，如果你有疑问，可以在评论里面回复。

最后再汇总一下几个关键点：

1. MTTF用来衡量“不可修复故障”的元器件或者系统的“可靠性”（寿命），MTBF衡量“可修复故障”的元器件或者系统的“可靠性”（正常运行的时长）。
2. MTBF不包含MTTR，MTBF也不等于MTTR + MTTF，而MTTR包含发现、定位、修复的时间。
3. 可靠性的衡量指标是MTTF或者MTBF。
4. 可用性的计算公式是Availability = MTBF/(MTBF + MTTR)。