Opsgenie 的警报和待命功能现已在 Jira Service Management 和 Compass 中可用。使用我们的自动迁移工具在 2027 年 4 月 5 日之前迁移现有的 Opsgenie 数据和配置。了解更多

可靠性与可用性:了解两者的区别

关键要点

  • 可靠性是指系统或组件在指定条件下且在给定时间段内执行其预期功能而不出现故障的概率。

  • 可靠性计算使用数学模型和统计技术来估算系统或组件的可靠性。

  • 平均无故障时间 (MTTF) 和平均故障间隔时间 (MTBF) 是可靠性计算的重要指标。

  • 可用性是指系统或组件在给定时间运行且可供使用的概率。

  • 可靠性计算可帮助最大限度地减少停机时间、降低维护成本,并提高整体系统性能。

如今的客户越来越希望企业提供永不中断的服务。然而,即使是资源最充足的公司也可能会遇到故障和中断。两个不同的指标(可靠性和可用性)可帮助衡量成功并做出改进。

可靠性(即系统就绪性)会根据定义的性能标准以特定的时间间隔测量性能。可用性(即系统功能)会衡量可操作性的百分比。通过将二者搭配,可提供针对业务系统运行状况的洞察信息,并帮助确定需改进的领域。

本指南介绍了服务可靠性与可用性、事件管理指标如何帮助对其进行衡量,以及如何改进这些关键指标。

什么是系统可靠性?

可靠性是指系统或组件在指定的时间段内持续执行其预期功能而不出现故障的概率。团队必须了解如何衡量和确保可靠性,才能就系统性能做出明智的决策并提高客户满意度。

例如,工资系统必须在每月规定的时间范围内可靠地处理直接存款,而冷藏系统须能检测到停电并顺利地切换到备用发电机,而不发生故障。在各行各业中,保持自动化流程的可靠性并通过事件管理 KPI 来跟踪绩效至关重要,因为故障可能会导致严重的财务后果。

可靠性对于系统设计和维护至关重要,因为它会直接影响性能、安全性和成本效益。可靠的系统能够正确且稳定地运行,从而帮助组织保持客户信心和运营效率。

如何测量和计算故障率以确保可靠性

您可以使用标准事件管理指标来衡量可靠性,例如平均故障间隔时间和故障率:

  • 平均故障间隔时间:MTBF 的计算方法是用总操作时间除以故障次数。此指标对于了解两次故障之间的平均持续时间至关重要。

  • 故障率:故障率的计算方法是用故障次数除以总服务时间。诸如 MIL-HNDBK-217 之类的手册可能会造成不准确,因为假设故障率恒定,这可能会导致对组件可靠性的误导性预测,特别是随着组件的老化。

请务必考虑其他因素,如服务级别协议以及客户对系统的期望。根据系统出现故障时面临的风险,可靠性标准可能会有所不同。例如,故障是会导致一群报税员下午歇班,还是会使数千名航班旅客滞留在离家很远的地方?

可靠性计算

可靠性计算使用数学模型和统计技术来估算系统或组件的可靠性。它们通常会使用故障率、平均故障间隔时间 (MTBF) 以及其他可靠性指标来确定系统或组件发生故障的概率。

通过分析这些指标,企业可确定潜在的弱点和需要改进的领域。可靠性计算可使用各种方法来执行,包括故障树分析、可靠性方框图和马尔可夫建模。这些技术有助于可视化和量化复杂系统的可靠性,以便决策者能就设计、维护和资源分配做出明智的选择。

平均无故障时间 (MTTF) 和平均故障间隔时间 (MTBF)

平均故障时间 (MTTF) 是指系统或组件出现故障之前的平均时间,而平均故障间隔时间 (MTBF) 是指两次故障之间的平均时间。MTTF 通常用于不可修复的系统,而 MTBF 则用于可修复的系统。这两个指标对于可靠性计算都很重要,因为它们可让您深入了解系统或组件出现故障的频率和概率。

通过了解这些指标,企业可更好地预测维护需求、规划更换,并提高整体系统可靠性。计算 MTTF 和 MTBF 需要收集有关故障事件的数据,并使用统计方法来分别计算平均故障时间和平均故障间隔时间。

可靠性服务级别指标

故障率和 MTBF 等传统指标有助于团队了解系统发生故障的频率。然而,它们可能无法完全反映系统是否为用户提供了成功的体验。服务级别指标 (SLI) 可衡量服务性能的特定方面,而这些方面决定了系统是否按预期运行。同时,这些指标将可靠性监控的概念扩展到了 API、云服务和数据系统等产品或服务中。

常见的可靠性 SLI 包括:

  • 正确性:产生预期结果的请求、计算或事务的百分比。

  • 延迟:系统响应或完成某一操作所花费的时间。

  • 时效性:用户是否能在可接受的时间范围内收到最新信息。

  • 完整性:系统是否会处理所有预期的请求、记录、事件或事务。

  • 持久性:存储的数据随着时间的推移是否能保持完整且可检索。

  • 成功请求率:以无错误或零失败响应的状态所完成请求的百分比。

团队应选择能反映系统用途和用户所需体验的 SLI。例如,在线商店可能会监控成功的结账交易和页面响应时间,而数据平台则可能会更侧重于时效性、完整性和准确性。然后,团队可以将这些测量结果与已定义的服务级别目标进行比较,以确定系统是否达到其可靠性目标。

如何提高可靠性

提高可靠性需结合采用预防性维护、弹性系统设计、严格的测试、性能监控以及有效的事件响应。

  • 制定例行维护计划,使系统保持最新和现代化。

  • 实现系统冗余,防止组件故障导致进程停止。

  • 在升级或进行系统变更时进行全面的质量控制和测试,以便团队可以在问题进入生产环境之前予以纠正。

  • 要了解系统的可靠性和性能,可大规模利用全面的数据收集与分析方法。

  • 改善事件通信,缩短响应和恢复时间。

什么是可用性?

可用性是系统或组件正常运行且可执行其功能的时间(即正常运行时间)百分比。

例如,大型线上零售商必须全天候保持站点可用性以满足客户需求,否则将面临市场份额被竞争对手抢占的风险。可用性考虑了各种条件,例如用户的互联网速度和高峰流量时间。

仅凭可用性并不能证实每个功能都在正常运行。系统可能处于在线状态,但返回的数据不准确、响应过慢,或个别组件出现故障。因此,团队应将可用性与可靠性结合起来进行评估,而不是将正常运行时间作为系统运行状况的完整衡量标准。

例如,系统可能处于可用状态,但仍会遇到可靠性问题,其中包括:

  • 部分故障:系统处于在线状态,但特定功能或依赖的服务无法正常工作。

  • 延迟故障:系统有响应,但速度过慢,因而无法满足用户期望或性能标准。

  • 正确性故障:系统可访问,但会返回不准确、过时或其他不正确的信息。

  • 完整性故障:进程在运行,但无法处理所有预期的请求、记录或事务。

可用性通常使用以下公式进行计算:

可用性 = (MTBF / (MTBF + MTTR)),其中 MTTR 为平均修复时间。

此公式清楚地解释了系统预计运行且可供使用的频率。高可用性对于需要持续运行的系统(如在线服务和关键基础架构)至关重要。通过重点关注 MTBF 和 MTTR,企业可提高系统的可用性并满足用户的期望。

如何衡量可用性

可用性以单一百分比表示。包含所有停机时间时,团队计算它的方法为:从总经过时间中减去总计划内与计划外停机时间,然后将结果除以总经过时间:

可用性百分比 =(总耗用时间 - 停机时间)/总耗用时间

例如,如果某一在线零售站点因流量过载而每天停机 3 小时,则其可用性得分为 87.5%。大型国际零售商的这一标准可能接近 99.5%,因而该在线零售商还有很大的改进余地。

ITSM 软件(例如 Jira Service Management)可以帮助团队跟踪事件并收集用于衡量可用性的数据。

在计算可用性时,团队必须定义哪些情况属于停机时间。部分计算方法既包含计划内停机时间(例如,计划内维护),也包含由故障或中断导致的计划外停机时间。其他计算方法则会排除批准的维护窗口。组织应记录其使用的方法,以便准确解读和比较可用性百分比。

如何提高可用性

提高可用性意味着需通过主动维护、弹性系统设计和快速恢复流程来降低停机的频率并缩短其持续时间。

  • 实施主动式标准维护计划,确保高可用性。

  • 使用故障转移机制增加系统冗余。

  • 作为事件管理的一部分,创建快速修复流程。

特别是,主动式维护可以帮助企业获得更高的可用性和服务可靠性。进行可靠性、可用性和可维护性 (RAM) 研究可以提供有关维护工作重点的重要洞察信息。  

可靠性与可用性之间的区别

可靠性和可用性经常被误认为是同一回事。实际上,它们不仅不同,而且并不总是一致的。

即使是公司衡量它们的标准也可能有所不同,具体取决于系统及其功能。为了准确了解任何业务系统,您应该分别分析可靠性与可用性指标。

  • 可靠性用于衡量系统是否在规定的特定时间交付了正确的输出,例如,在正确的日期将工资款项转入正确的帐户。 

  • 可用性是用于衡量系统的正常运行时间;例如,在必要的保育期内为早产儿提供不间断的氧气监测。

Jira Service Management 包含自动化模板,而这些模板可收集数据、加强事件沟通,并改善整体客户服务。

可靠性和可用性会衡量系统性能的不同方面,但将二者相结合则可更全面地呈现系统运行状况。

比较点

可靠性

可用性

主要目标

尽量减少故障,并确保系统始终能产生正确的结果。

将系统保持正常运行并随时可用的时间最大化。

它揭示的含义

系统是否正确且一致地执行其预期功能。

系统在需要时是否可以访问和使用。

示例:杂货店自助结账

团队可能会衡量客户需要店员协助才能完成交易的频率。频繁的干预可能表明系统运行不可靠。

团队可能会衡量当客户尝试使用自助结账台时,这些结账台是否会正常运行且可供使用。

指标的含义会有何不同

即使系统经常可用,也可能不可靠—例如,系统可能保持在线状态,但会产生错误或需要反复干预。

如果团队能快速恢复服务,则即使偶尔发生故障,系统也可实现高可用性。

又或者说,它们互为补充、相辅相成

可靠的性能有助于用户正确完成任务,并建立对系统的信心。

高可用性可确保用户有充分的机会来获得这种可靠的性能。

共享改进方法

常规维护、测试、冗余、应急规划和故障预防可以提高可靠性。

很多相同的实践(包括维护、冗余、应急规划和测试)也可减少停机时间并提高可用性。

组织应评估这两项指标,而不是将其中任何一项视为性能的完整衡量标准。频繁产生错误的高可用性系统可能仍无法满足用户需求;而当用户无法访问可靠的系统时,它也提供不了太多价值。

影响可靠性和可用性的因素

可靠性和可用性取决于系统运行的条件、其组件的质量,以及用于监控、维护和支持该系统的流程。

  • 环境:这可能包括物联网组件(如暴露在恶劣天气下的压力表),或周期性的用户模式(如零售网站在特定日期的高流量)。将均值和标准偏差应用于各种参数,以评估故障概率并增强安全系数方法。

  • 组件质量:示例包括第三方集成或硬件。在理解计算结果的可变性和结构分析中的故障概率方面,标准偏差的重要性怎么强调都不为过。

  • 运营:这可能包括检查和维护的频率或对现代化软件的投资。

企业可以通过确立标准的环境阈值和增加冗余、要求组件质量符合 ISO 标准或实施检查、测试和维护系统各个方面的程序来提高整体服务的可靠性和可用性。

使用 Jira Service Management 平衡可靠性和可用性

有了正确的工具和方法,公司可以平衡系统的可靠性和可用性,尤其是在我们永不中断的世界中。Jira Service Management 使团队能够快速还原服务。

Jira 和 Jira Service Management 使客户能够报告事务并帮助服务团队集中处理警报,以便快速进行分类和确定优先级。规则和沟通渠道可确保没有人错过关键事务。

可靠性与可用性:常见问题

举一个可靠性与可用性的例子?

以无人驾驶汽车等新技术为例。服务可靠性标准是接近或达到 100%,因为一次故障可能就会导致人身伤害或死亡。 

相反,无人驾驶汽车的可用性会影响用户体验。可用性越高或运行时间越长,体验就越好。可用性低可能会导致企业失去市场份额,但不太可能造成人身伤害或死亡。

为什么可靠性和可用性很重要?

可靠性和可用性都会影响企业的利润,因为它们会影响客户满意度。此外,不可用或不可靠的系统会使公司因收入减少、系统损坏、计划外维护成本和生产力降低而蒙受损失。

通过致力于提高服务可靠性和可用性,可带来更大的竞争优势、更多的市场份额、更高的收入以及更优的维护成本预算。

可靠性和可用性之间有哪些取舍?

企业有时必须优先考虑可靠性而不是可用性,反之亦然。当时间线较短或投资资金有限时,可能必须进行真正的取舍。

就无人驾驶汽车而言,企业可能会投入更多的时间和精力来提高可靠性,即使这会对可用性产生负面影响。但是,在不太关键的情况下(例如,线上零售),企业可能会专注于提高可用性,因为“始终开放”是电子商务与实体竞争对手之间的主要区别之一。

为您推荐

教程

通过 Statuspage 了解事件沟通

在本教程中,我们将为您演示如何在中断期间使用事件模板进行有效沟通。可适应多种类型的服务中断。

事件事后分析过程的重要性

事件事后分析,也称为“事后回顾”,是研究事件期间发生情况并总结经验教训的最佳方法。

了解更多有关事件管理的信息

在此中心查找更多事件管理指南和资源。