MTTR (Mean Time to Recovery), auch Mean Time to Restore genannt, misst die durchschnittliche Dauer, die erforderlich ist, um sich von einem Systemausfall oder Dienstausfall zu erholen. Sie erstreckt sich über den gesamten Incident-Lebenszyklus: vom Zeitpunkt des Ausfalls über Erkennung, Benachrichtigung, Diagnose, Behebung bis zur Bestätigung, dass der Dienst vollständig wieder funktioniert.
MTTR wird berechnet, indem man die Gesamtwiederherstellungszeit über alle Incidents durch die Anzahl der Incidents teilt. Wenn beispielsweise vier Incidents in einem Monat 8, 23, 45 und 12 Minuten zur Behebung dauerten, würde die MTTR (8 + 23 + 45 + 12) ÷ 4 = 22 Minuten betragen.
Die Metrik umfasst mehrere aufeinanderfolgende Phasen:
| Phase | Bedeutung |
|---|---|
| Erkennung | Zeit zwischen Ausfall und Alert des Überwachungssystems |
| Benachrichtigung | Zeit bis der Alert den On-Call-Responder erreicht |
| Diagnose | Zeit zur Identifizierung der Grundursache |
| Behebung | Zeit zum Anwenden einer Lösung (Rollback, Neustart, Konfigurationsänderung) |
| Verifizierung | Zeit zur Bestätigung, dass der Dienst wieder normal läuft |
MTTR ist eine der Kern-DORA-Metriken, die moderne DevOps-Teams zur Messung von Zuverlässigkeit und Reaktionsfähigkeit nutzen. Sie funktioniert zusammen mit Uptime-Monitoring und Health Checks, um die Systemstabilität zu verfolgen.
WarningDie Erkennung macht oft den größten Teil der MTTR aus. Ein Überwachungssystem, das alle 5 Minuten prüft, führt zu einer durchschnittlichen Verzögerung von 2,5 Minuten im Vergleich zu einem, das alle 30 Sekunden prüft. MTTR misst die Incident-Dauer, nicht die Häufigkeit – ein Team mit schneller Wiederherstellung, aber häufigen Incidents liefert dennoch eine unzuverlässige Erfahrung.