阿里稳定性指标 1-5-10 解读

指标定义：1 分钟发现、5 分钟处置、10 分钟恢复

关于 1-5-10 定义的说明，是阿里巴巴合伙人、双 11 新零售技术负责人范禹在 2020 年 11 月的宣传片中提到的，详情参考视频：https://www.bilibili.com/video/av970133007/

时长度量：1-5-10 累计而非叠加

也就是说，1-5-10 最后的结果，故障时长是 10 分钟，而非 16 分钟

指标分歧

定位还是处置？

阿里在 2020 年之前的宣传文档中，曾经使用过 1 分钟发现，5 分钟定位，10 分钟恢复的说法，在 2020 年范禹的版本中，将定位改成了处置，不太清楚其内部调整的原因。我个人的态度非常明确，发现-处置-恢复而非发现-定位-恢复，原因有如下几点

• 发现-定位-止损中的定位，也叫做根因初判。从历次 GOC 团队的公开资料看，定位主要是辅助定位，推荐可疑事件，可能还做不到直接在 5min 内提供根因，既然如此，叫定位还是有些勉强。

• 止损优先原则，日常的故障处理，我们都推荐先止损，后定位。因此，如果 1-5-10 的解释是发现-定位-恢复，可能会对大家产生误导，认为必须要把根本原因找出来，才能止损，这样也不利于故障的快速恢复。

• 处置包含定位/根因初判，但还有处理决策的环节，如果将该环节直接定义为定位，那么处理决策等环节就不好放置了。毕竟，即使定位出了根本原因，也依然需要有处理决策环节（人工或者智能化），才会开启止损操作。举例来说，一个系统进行了大版本的发布，涉及了较多的模块和功能点，其中有小部分功能上线后出现了问题（不一定是不能用了，可能效果上不符合预期，或者其他原因），平台即使能快速定位出是发布的原因导致，也需要团队核心成员进行决策，到底是撤销该大版本的发布，还是快速进行 bugfix。这个环节绝不是用定位能够描述的，因此用处置更为恰当

止损还是恢复？

这个地方的分歧远小于前者，我个人认为应该是恢复而非止损。当然了，阿里历次的版本中也一直都叫做恢复。

止损和恢复的区别，止损后，业务的核心指标可能直接恢复，也可能只是不再恶化而已。而恢复则是指业务 SLA 指标恢复正常。例如，因为社会热点事件导致流浪暴涨，通过限流等措施避免了服务的崩溃，但此时肯定不能叫恢复，还应该尽快扩容来服务所有的流量，此时才能叫做恢复。