可用性指标与 SLA
可用性是系统设计的北极星。面试主线：可用性怎么算、几个 9 什么概念、故障怎么分级。
可用性公式
可用性 = 正常运行时间 / 总时间
| 可用性 | 年宕机时间 | 含义 |
|---|---|---|
| 99%（两个 9） | 87.6 小时 | 允许每周宕机约 1.7 小时 |
| 99.9%（三个 9） | 8.76 小时 | 常规商业系统目标 |
| 99.99%（四个 9） | 52.6 分钟 | 金融/核心系统 |
| 99.999%（五个 9） | 5.26 分钟 | 电信级，成本极高 |
面试要点：每多一个 9，成本涨一个量级（冗余、运维、演练投入）。设计时先定目标（几个 9），再决定投入。
MTTR 与 MTBF
可用性 = MTBF / (MTBF + MTTR)
| 指标 | 含义 | 优化方向 |
|---|---|---|
| MTBF | 平均无故障时间 | 越长越好：质量、冗余 |
| MTTR | 平均恢复时间 | 越短越好：监控、自动恢复、预案 |
两个 9 之间的差距靠 MTTR 拉：故障不可完全避免，但恢复快 = 可用性高。所以故障转移、自动重启、快速回滚都是可用性工程的重点。
SLA 与 SLO
- SLO（Service Level Objective）：自己定的目标，如“P99 延迟 < 200ms，可用性 99.9%”
- SLA（Service Level Agreement）：对外承诺，未达成要赔偿
- 关系：SLA 基于 SLO，SLO 定得比 SLA 严（留缓冲）
- 面试话术：SLO 是工程目标，SLA 是商业承诺，先有 SLO 才有 SLA
故障分级
| 级别 | 影响 | 响应要求 |
|---|---|---|
| P0 | 核心功能不可用/资损 | 立即响应，全员，分钟级恢复 |
| P1 | 主要功能受损，有替代方案 | 快速响应，小时级恢复 |
| P2 | 局部功能问题，可容忍 | 当日处理 |
| P3 | 小问题/体验问题 | 排期处理 |
分级的意义：资源按级别分配。P0 抢修是最高优先级，P3 不打断主线。面试答“P0 是核心不可用，马上拉群抢修，事后复盘”即可。
面试追问
- 99.9% 一年能宕多久？ 约 8.76 小时（52.6 分钟 × 10）。每多一个 9 少一个数量级
- 怎么提高可用性？ 两条路：MTBF（冗余、质量）和 MTTR（监控、自动恢复、预案）。MTTR 更容易见效
- SLA 和 SLO 的区别？ SLO 是内部目标，SLA 是对外承诺。SLO 比 SLA 严，留缓冲
- 故障分级的意义？ 资源按影响分配：P0 抢修优先，P3 排期。避免所有故障都当大事
- 可用性目标怎么定？ 按业务成本权衡：核心链路四个 9，外围功能三个 9 够。每个 9 都是成本