Проблема непредсказуемости времени простоя IT-систем

В высоконагруженных сервисах и распределенных системах простое знание количества инцидентов не дает понимания надежности инфраструктуры. Без расчета математического распределения времени устранения отказов невозможно сформировать реалистичные соглашения об уровне обслуживания (SLA / SLO / SLI).

Методология математического расчета и анализа MTTR

1. Базовая формула среднего времени восстановления (MTTR):

   MTTR = (Общая сумма времени простоев: Downtime) / (Количество инцидентов: Incidents_Count)

   Пример: если за месяц веб-сервис падал 4 раза с временами простоя 10, 25, 15 и 30 минут, суммарный Downtime = 80 минут. MTTR = 80 / 4 = 20 минут.

2. Выбор закона статистического распределения: время устранения программных сбоев на практике никогда не распределяется нормально (по Гауссу), так как имеет асимметричный длинный «хвост» сложных системных аварий. В теории надежности используют:
   • Логнормальное распределение (Log-normal distribution): классическая модель для описания времени человеческой реакции и отладки ПО при авариях.
   • Распределение Вейбулла: применяется для комплексных отказов инфраструктуры с учетом фактора старения и износа компонентов.
3. Расчет доступности сервиса (Availability %):

   Availability = (MTBF / (MTBF + MTTR)) * 100%

   Для обеспечения надежности «четырех девяток» (99.99%) суммарный годовой простой не должен превышать 52.6 минут.

4. Скрипт первичной оценки распределения инцидентов на Python:

   import numpy as npdata = np.array([12, 18, 15, 45, 22, 14, 85, 19])  # Время восстановления в минутахmean_mttr = np.mean(data)median_mttr = np.median(data)p95_mttr = np.percentile(data, 95)print(f"MTTR: {mean_mttr:.2f} мин | Медиана: {median_mttr:.2f} мин | P95: {p95_mttr:.2f} мин")