运维高可用如何度量

“运维高可用（High Availability, HA）”的度量，核心是用可量化的指标反映系统“持续提供服务的能力”和“出故障后的恢复能力”。通常从可用性指标、故障相关指标、恢复能力指标、业务影响指标四个维度来度量。

一、最基础的度量：可用性指标（SLA/SLI/SLO）

1. 可用性（Availability）

最经典公式：

可用性 = 正常运行时间 /（正常运行时间 + 不可用时间）

常见表达方式：

• 99%：年停机约 87.6 小时
• 99.9%（三个9）：年停机约 8.76 小时
• 99.95%：年停机约 4.38 小时
• 99.99%（四个9）：年停机约 52.6 分钟
• 99.999%（五个9）：年停机约 5.26 分钟

运维高可用通常至少要求 99.9% ~ 99.99%

2. SLI / SLO / SLA（现代运维核心框架）

• SLI（Service Level Indicator）：可测量的指标
  如：请求成功率、接口延迟、服务存活状态
• SLO（Service Level Objective）：内部目标
  如：API 成功率 ≥ 99.95%
• SLA（Service Level Agreement）：对外的承诺/赔偿标准
  如：可用性低于 99.9% 则赔付

✅ 高可用不是“不出故障”，而是“在 SLO 范围内”

二、故障视角的度量指标

3. MTBF（平均无故障时间）

MTBF = 总运行时间 / 故障次数

• 越大越好
• 反映“架构稳定性”

4. MTTR（平均恢复时间）

MTTR = 故障总时长 / 故障次数

细分更科学：

• MTTI（平均发现时间）
• MTTK（平均定位时间）
• MTTF（平均修复时间）
• MTTV（平均验证时间）

✅ 高可用 ≈ 短 MTTR + 高 MTBF

5. 故障频率 & 故障分级

• 月度/P季度故障数
• P0/P1/P2 故障占比
• 是否“单点故障导致”

三、架构与冗余能力度量（预防性指标）

6. 单点故障数（SPOF）

• 0 单点 = 高可用基础
• 数据库、网关、调度节点是否多活

7. 冗余度

• 多副本比例
• 跨机房 / 跨可用区部署比例
• 容量冗余（如峰值 70% 水位）

8. 容灾等级（常见标准）

• 同城双活
• 异地多活
• RTO / RPO
  • RTO：恢复时间目标
  • RPO：数据丢失容忍时间

四、业务视角的“真实高可用”

9. 业务成功率

• 订单成功率
• 支付成功率
• 核心链路可用率

系统“活着” ≠ 业务“可用”

10. 用户体验指标

• P99 延迟
• 错误页面率
• 用户投诉率

五、一个简化度量模型（示例）

六、一句话总结

运维高可用的度量 = 用“可用性 + 故障频率 + 恢复速度 + 业务影响”共同定义，而不是只看“服务器有没有宕机”。

如果你愿意，我可以：

• 帮你设计一套你们系统的 HA 度量表
• 或按 互联网 / 金融 / 传统企业 给参考标准