Skip to content

效能度量:DORA 四指标与改进闭环 ​

本篇要点:把「交付到底慢在哪」变成四个口径固定、别人能复算的数字,并据此排出下一季度的改进项。 前置文章:[《渐进式交付:金丝雀与自动回滚》](/guide/cicd/k8s-progressive-delivery.html)让每次发布都能按指标自动回退,这一章要把那些散落的数字收成一套能用来决策的指标。

一、为什么需要它 ​

2026 年 7 月,一个 8 人团队做季度汇报。PPT 第一页写着「流水线耗时从 22 分钟降到 9 分钟,部署次数翻倍」。业务负责人问了一句:那为什么上个月那个商品改价需求,从提出到上线还是走了 11 天?

会议室安静了几秒。有人低头算了算:9 分钟是 0.006 天。11 天里,机器占的时间不到千分之一,剩下的全在等人——等评审、等测试环境、等一个能合并的窗口。

这就是效能度量(engineering metrics)要解决的事:先量清时间花在哪,再决定改什么。量错对象比不量更糟,它会把整支队伍送去优化那 0.006 天。同一季度还有另一件事:管理层把「部署次数」写进 OKR,有人把一次发布拆成五次,数字翻五倍,用户侧没变。

DORA(DevOps Research and Assessment)是一项从 2014 年开始的长期研究,2018 年并入 Google Cloud,《Accelerate》也在同年把这四项指标推成了行业共同语言。它的价值不在排名,而在一套别人能复算的口径:换个人、换套脚本,结果应该差不多。截至 2026 年 11 月,官方定义见 dora.dev,那一页比任何二手转述都值得先读。

二、核心概念 ​

2.1 四项指标是两对,不是一个排行榜 ​

四项分成两对:前两项量吞吐(throughput),后两项量稳定性(stability)。表 10-1 给的是这一章采用的口径,以及每项最容易被算歪的地方。

指标这一章采用的口径常见错口径
部署频率 Deployment Frequency单个服务一周内成功进入生产的次数用全公司合并次数或流水线运行次数代替
变更前置时间 Lead Time for Changescommit 时间到该 commit 在生产生效的中位时长从需求提出算起,那是功能级前置时间,要单独算
变更失败率 Change Failure Rate需要回滚、热修或降级的部署数 ÷ 总部署数用流水线红灯率代替;没登记的事故不进分子
恢复时长 Failed Deployment Recovery Time故障被确认到服务恢复的中位时长,旧称 MTTR一路算到复盘结束,把根因分析的时间也算进去

表 10-1 四项指标的口径与错口径

用中位数而非平均数,是因为交付时长的长尾很重:一次老分支合并就能把平均数拉高一倍,中位数说的则是「一半的改动比这更快」。

四项要一起读。部署频率高而失败率也高,说明团队在高速返工;前置时间短而恢复时长长,说明发得快、坏了修得慢。任何单项都能被单独优化,四项目标同时被优化才叫能力。

2.2 四项在链路上的位置 ​

图 10-1 四项指标各自覆盖的区间

如图 10-1 所示,①③④ 是区间,② 是计数。计数能从部署记录直接数出来,区间必须有两个时间戳,而这两个时间戳常常不在一个系统里——commit 在 Git,生产生效在发布系统。

2.3 价值流分析:把 11 天拆成七段 ​

价值流分析(value stream analysis,VSM)的做法是:沿一条真实的交付路径,把每个阶段的进入和离开时间戳记下来,然后给每段标一个性质——增值、必要非增值、纯等待。

上面那个团队拆出来的结果见表 10-2。

阶段耗时性质
编码1.8 天增值
等第一次评审3.1 天纯等待
评审与返工0.9 天必要非增值
等测试环境2.4 天纯等待
合并排队0.9 天纯等待
流水线执行0.3 天必要非增值
灰度观察2.0 天必要非增值

表 10-2 一次商品改价需求的价值流拆解,合计 11.4 天

流动效率(flow efficiency)等于增值时间除以总时长:1.8 ÷ 11.4 = 15.8%。制造业的常见区间是 5% 到 25%,软件交付大多落在低位。这个数字的意义在于换视角:如果只看流水线,你优化的是 0.3 天;看价值流,你要动的是 5.5 天的等待。

反例是把「等评审」记成 0。有些 VSM 表做得很漂亮,因为只统计「有人正在干活」的时间,等待默认是零,流动效率算出来接近 100%,等于什么都没测。

2.4 五种反模式 ​

把指标当考核。 古德哈特定律(Goodhart's law)说的是:一个指标一旦成为目标,它就不再是好指标。部署次数进了 OKR,最好的策略就是拆发布;失败率进了 OKR,最好的策略是不登记事故。

单指标优化。 只压前置时间,团队会把大改动拆成许多小 PR 分开合,单看每个 PR 都快了,功能整体没提前一天。

口径漂移。 一季度按「部署事件」算,二季度改成「应用版本」算,两个季度的数就没法比。口径要写进仓库里的一个文件,改口径时同时改版本号。

手工填报。 让人每周填一次「本周部署几次」,填出来的数会缓慢向好看的方向漂移,而没人能证明它错了。

用代码行数或故事点当产能。 这两个量测的是输入,不是交付。删掉 800 行重复代码是好事,在行数指标里是负分。

2.5 看板上只放四个数和一个行动项 ​

看板(dashboard)要回答的问题只有一个:这个季度我们在改哪个约束,改动了多少。

一个能用的看板:三个服务各一行四列,一条最近 12 周的趋势线,一块写「当前约束」和「本季度行动项」。每周花 15 分钟看一次,季度末拿 12 个点做判断。

反例是大屏。三十个指标、红黄绿三色、每 10 秒刷新一次,第一周有人看,第三周变成走廊装饰。指标越多,越没人对任何一个负责。

还有一条边界:指标对团队可见,对个人不可见。按人拆分部署次数,得到的只会是抢着点发布按钮的人。

三、动手实践 ​

拿一个 GitHub 上的团队做样本:3 个服务、13 周、92 次部署,流水线用 Actions,部署到 Kubernetes。目标是算清四项指标,并找出最该改的那一段。

3.1 先把口径写成文件 ​

在仓库根目录建 METRICS.md,写四句话回答四个问题:什么叫一次部署(一次成功进入生产环境的变更,不含回滚和热修)、前置时间从哪个时间戳起算(commit 的 committer date)、失败如何认定(有事故单且事故单关联了部署的 commit SHA)、恢复到哪一刻(用户侧错误率回到基线以下)。

这四句话比脚本重要。脚本可以重写,口径重写就意味着历史数据作废。

3.2 让流水线自己写部署事件 ​

不要事后去猜。部署成功后由流水线追加一行 JSON,字段固定。

yaml
# .github/workflows/deploy.yml(节选)
- name: 写一条部署事件
  if: always()
  env:
    SERVICE: order-api
  run: |
    jq -nc \
      --arg service "$SERVICE" \
      --arg sha "$GITHUB_SHA" \
      --arg committed_at "$(git log -1 --format=%cI)" \
      --arg deployed_at "$(date -u +%FT%TZ)" \
      --arg status "${{ job.status }}" \
      '{service:$service, sha:$sha, committed_at:$committed_at,
        deployed_at:$deployed_at, status:$status}' \
      >> deploy-events.jsonl

预期输出(cat deploy-events.jsonl | tail -1,一行一条,便于用 jq 和 pandas 处理):

text
{"service":"order-api","sha":"9f3c1ab...","committed_at":"2026-10-02T07:41:00+08:00","deployed_at":"2026-10-06T10:15:22Z","status":"success"}

committed_at 用 git log -1 --format=%cI 而不是 github.event.head_commit.timestamp:后者是 push 时间,一个分支压了三天才推,前置时间就被算少了三天。

事故单另存一个文件,字段只有四个:service、incident_at、recovered_at、cause_deploy(引发故障的 commit SHA,非部署引发则为空)。

3.3 先查数据质量,再算指标 ​

指标算错,九成错在数据。先跑一遍完整性检查。

bash
# 92 条部署事件里,哪些字段是空的
jq -r 'select(.committed_at == null or .status == null) | .sha' deploy-events.jsonl \
  | wc -l
# 时间戳倒挂(部署早于提交)的记录
jq -r 'select(.deployed_at < .committed_at) | .sha' deploy-events.jsonl | wc -l
# 事故单里没有关联部署的条数
jq -r 'select(.cause_deploy == null) | .incident_at' incidents.jsonl | wc -l

运行结果(92 条部署、23 条事故):

text
0
1
6

三条数字各有含义:字段完整;1 条时间戳倒挂是开发机时钟偏了 4 分钟,手工修正;23 条事故里 17 条由部署引发,另 6 条是基础设施故障,按口径不进失败率。

3.4 算四项指标 ​

python
import json
import statistics as st
from datetime import datetime

def load(path):
    return [json.loads(line) for line in open(path) if line.strip()]

def ts(value):
    return datetime.fromisoformat(value.replace("Z", "+00:00"))

events = load("deploy-events.jsonl")
incidents = load("incidents.jsonl")
weeks = 13
caused = {i["cause_deploy"] for i in incidents if i.get("cause_deploy")}

print(f"{'服务':<10}{'部署数':>6}{'周均':>6}{'LT-P50(h)':>11}{'CFR':>8}{'恢复P50(min)':>13}")
for svc in sorted({e["service"] for e in events}):
    rows = [e for e in events if e["service"] == svc]
    lt = [(ts(e["deployed_at"]) - ts(e["committed_at"])).total_seconds() / 3600
          for e in rows]
    shas = {e["sha"] for e in rows}
    failure = len(caused & shas) / len(rows)
    rec = [(ts(i["recovered_at"]) - ts(i["incident_at"])).total_seconds() / 60
           for i in incidents if i.get("cause_deploy") in shas]
    print(f"{svc:<10}{len(rows):>6}{len(rows) / weeks:>6.1f}"
          f"{st.median(lt):>11.1f}{failure:>7.1%}{st.median(rec):>13.0f}")

all_lt = [(ts(e["deployed_at"]) - ts(e["committed_at"])).total_seconds() / 3600
          for e in events]
print(f"合计 {len(events)} 次部署,LT-P50 {st.median(all_lt) / 24:.1f} 天,"
      f"CFR {len(caused & {e['sha'] for e in events}) / len(events):.1%}")

运行结果:

text
服务        部署数  周均  LT-P50(h)     CFR  恢复P50(min)
order-api      38   2.9      101.4   18.4%            44
pay-api        23   1.8      118.7   21.7%            47
user-api       31   2.4       96.2   16.1%            51
合计 92 次部署,LT-P50 4.2 天,CFR 18.5%

四个数出来了,故事也就清楚了:团队每周部署 7 次,不算低;但一个改动平均要等 4.2 天才上线,且五个部署里就有一个要回滚或热修。

4.2 天和表 10-2 的 11.4 天不矛盾:前者按单个 commit 算,后者按一个需求从第一行代码到上线算,中间有多次 commit 和多轮修改。两个数分别回答「一个改动等多久」和「一个需求等多久」,报告时别混用。

3.5 把结论压成一条行动项 ​

看板上写四行数字加一行字:

text
当前约束:等评审(3.1 天)+ 等测试环境(2.4 天)= 11.4 天里的 5.5 天
本季度行动项:评审 SLA 4 小时内首次响应;测试环境改为按 PR 自动创建
验收:LT-P50 从 4.2 天降到 2.5 天,CFR 不超过 20%

一条就够了。同时开五个改进项,等于没有优先级。

四、常见误解 ​

很多人以为 DORA 是考核工具,实际上它是诊断工具。两者对数据的影响完全相反:诊断要求数据难看也要真实,考核要求数据好看。那个团队的真实失败率是 18.5%,写进绩效后第一个月就能降到 4%——只要不登记事故。数字变好而系统没变,这套指标就失效了。

很多人以为部署频率越高越成熟,实际上高频配上高失败率是「高频返工」。四项要给的是一个组合,行业里也早就不再推崇某个单一阈值。另外,四档分群(elite/high/medium/low)来自 2019 年前后的报告,此后 DORA 官方报告已不再按这四档给基线,跨年份拿分档对比没有意义。

很多人以为恢复时长就是修 bug 的时长,实际上它只算到「服务恢复」为止,根因分析和写复盘都在此之外。把复盘时间算进来,会让团队为了指标好看而压缩复盘,而复盘恰恰是唯一能防止同类故障再来的环节。

五、小结 ​

[《渐进式交付:金丝雀与自动回滚》](/guide/cicd/k8s-progressive-delivery.html)让发布有了刹车,这一章给刹车装上了仪表。

  • 四项指标两两成对:部署频率与前置时间量吞吐,失败率与恢复时长量稳定性,单看任何一个都会把人带偏。
  • 口径写在仓库里,不写在人的脑子里。什么叫一次部署、从哪个时间戳起算、什么算失败,先定死再采集。
  • 采集靠流水线自己写事件,不靠人填表;算之前先查数据质量,字段缺失和时间戳倒挂比算法错误更常见。
  • 价值流分析的意义是把注意力从流水线的 0.3 天挪到等待的 5.5 天,流动效率是那把尺子。
  • 看板只放四个数、一个当前约束、一条行动项;指标对团队可见,对个人不可见。

六、相关文章 ​

这一章的所有结论都建立在一件事上:数据是可信的。而「可信」不只是采集脚本写对,还包括谁能改流水线、谁能拿密钥、谁批准了这次发布、这个镜像到底由哪次构建产出。度量一旦推动团队把发布权限放开、把自动化做深,攻击面也跟着变大。[《进阶:流水线安全加固》](/guide/cicd/pipeline-security-hardening.html)讲流水线本身怎么加固:凭据怎么变成短期有效的、权限怎么收到最小、审计证据怎么留、SLSA 那几个等级到底在保证什么。

继续阅读:[《进阶:流水线安全加固》 进阶:流水线安全加固](/guide/cicd/pipeline-security-hardening.html)