跳到主要内容

prometheus数据模型和类型

数据模型​

promtheus从根本上将所有数据存储为 时间序列 ，属于同一指标和同一组标记维度的带时间戳的值流

指标名称和标签​

指标名称​

定义​
  • 指定所测量系统的一般特征，例如 http_requests_total 表示收到的 http 请求总数
命名规则​
  • 指标名称可以包含 ASCII字母、数字、下划线和冒号。它必须匹配正则表达式 [a-zA-Z_:][a-zA-Z0-9_:]*

指标标签​

  • Prometheus 的维度数据模型可以通过标签组合来唯一标识同一指标名称的不同维度实例。例如，通过指定标签，可以标识某个具体的指标实例，比如：所有使用 POST 方法访问 /api/tracks 路径的 HTTP 请求。Prometheus 的查询语言（PromQL）支持基于这些标签维度进行过滤和聚合操作，从而灵活地分析和处理监控数据
  • 任何标签值的更改（包括添加或删除标签）都会创建新的时间序列，在 Prometheus 中，每个时间序列是通过指标名称和标签组合唯一标识的。如果某个标签的值发生变化，或者增加/删除了某个标签，Prometheus 会将其视为一个新的时间序列，从而独立存储和处理该数据
  • 标签可以包含 ASCII 字母、数字和下划线。它们必须匹配正则表达式 [a-zA-Z_][a-zA-Z0-9_]*
  • 以 __（两个_）开头的标签名称保留供内部使用
  • 标签值可以包含任何 Unicode 字符
  • 标签的值如果为空，相当于该标签不存在，在 Prometheus 中，如果某个标签的值是空字符串 ("")，它会被视为与没有这个标签的情况等价。也就是说，label="" 和完全没有 label 是一样的，不会创建新的时间序列

样本​

样本（Samples）构成了实际的时间序列数据。每个样本包含以下内容：

  • 时间戳（Timestamp） 表示该样本的具体时间，通常以毫秒为单位的 Unix 时间戳存储

  • 值（Value） 样本的实际数值，通常是一个浮点数，表示在特定时间点上的指标数据

这两个组成部分共同定义了时间序列中的一个数据点，用于描述某个时间点上某个指标的具体数值

表示方法​

给定一个指标名称和一组标签，时间序列通常使用以下表示法来标识：

<metric_name>{<label_name1>="<label_value1>", <label_name2>="<label_value2>", ...}

  • <metric_name>：指标的名称，例如 http_requests_total

  • {}：大括号包含一组标签

  • <label_name> 和 <label_value>：标签名称和对应的标签值，例如 method="POST"，handler="/api/tracks"

一个描述 POST 方法访问 /api/tracks 路径的 HTTP 请求总数的时间序列，可以表示为如下

http_requests_total{method="POST", handler="/api/tracks"}

数据类型​

Counter​

计数器（Counter） 是一种累积型指标，表示一个单调递增的计数器，其值只会增加，或者在重启时被重置为零

示例：

  • 请求数（Requests served）：用计数器表示已处理的请求总数
  • 任务完成数（Tasks completed）：记录已完成的任务总数
  • 错误数（Errors）：记录发生的错误总数

特点：

  • 单调递增：计数器的值只会增长，不能减少

  • 重置为零：当系统或服务重启时，计数器的值会被重置为零

使用场景：

  • 用于监控和统计只会累加的数据，比如总请求数、总错误数或某项操作的累计次数

Prometheus 中常用计数器的场景包括 HTTP 请求总数 (http_requests_total)、任务完成总数 (tasks_completed_total) 等

Gauge​

仪表盘（Gauge） 是一种指标，表示一个单一的数值，这个数值可以任意增加或减少。

特点：

  1. 值的变化：Gauge 的值可以上升、下降，也可以保持不变。
  2. 当前状态：Gauge 通常用于表示某个瞬时状态的值，而不是累积的历史数据。

使用场景：

  • CPU 使用率：表示当前 CPU 的使用百分比，比如 cpu_usage。
  • 内存占用：记录当前的内存使用量，比如 memory_usage_bytes。
  • 温度：显示当前温度，比如 temperature_celsius。
  • 队列长度：反映当前队列中等待处理的任务数量，比如 queue_length。

示例：

假设监控当前内存使用情况：

memory_usage_bytes{instance="server1"} = 524288000

表示服务器 server1 当前的内存使用为 500MB。

Gauge 适用于表示当前状态数据，与只能累积增长的计数器（Counter）不同，它能灵活反映实时的变化

Histogram​

直方图（Histogram） 会对观测值（例如请求持续时间或响应大小等）进行采样，并根据配置的区间（桶）进行计数。此外，它还提供所有观测值的总和。直方图暴露的时间序列

当 Prometheus 拉取直方图的指标数据时，基于其基础指标名称 <basename>，会暴露以下多个时间序列：

  • 观测桶的累积计数器

    • 格式：<basename>_bucket{le="<上限>"}
    • 每个桶的累积计数器表示值落入该桶范围内的总数量
    • 例如，http_request_duration_seconds_bucket{le="0.5"} 表示所有请求中持续时间 ≤ 0.5 秒的数量

  • 所有观测值的总和

    • 格式：<basename>_sum
    • 表示所有观测值的总和，用于计算平均值等指标

  • 观测事件的总计数

    • 格式：<basename>_count
    • 表示总观测事件的数量，与 le="+Inf"（无穷大桶）的计数值相同

计算方法

  • histogram_quantile() 函数

    ：用于根据直方图计算分位值（quantile），可以直接在单个直方图或聚合后的直方图上使用

    • 示例：计算 95% 分位的请求持续时间：

      histogram_quantile(0.95, rate(http_request_duration_seconds_bucket[5m]))

  • Apdex 分数计算

    ：直方图也适用于计算 Apdex（用户满意度指标）

    • Apdex 是根据设定的响应时间阈值计算满意请求与总请求的比率

注意事项

  • 累积性：直方图的桶是累积的，le="0.5" 包括了 ≤ 0.5 秒的所有值，而不是单独的 0.1 秒到 0.5 秒的值
  • 对比摘要（Summary）：与摘要类似，但直方图更适合全局聚合和计算分位数，因为它提供了明确的桶边界和计数

示例：

假设有一个名为 http_request_duration_seconds 的直方图，以下是可能暴露的时间序列：

http_request_duration_seconds_bucket{le="0.1"} 100
http_request_duration_seconds_bucket{le="0.5"} 200
http_request_duration_seconds_bucket{le="1"} 300
http_request_duration_seconds_bucket{le="+Inf"} 400
http_request_duration_seconds_sum 450.5
http_request_duration_seconds_count 400

总结：

直方图适合分析分布情况、计算分位数以及评估性能指标（如 Apdex 分数）。使用时需注意其累积特性和适用场景

Summary​

摘要（Summary） 和直方图类似，主要用于对观测值（例如请求持续时间或响应大小）进行采样。它提供以下功能：

  • 记录所有观测值的总数和总和
  • 在可配置的滑动时间窗口内计算分位数（Quantiles）

摘要暴露的时间序列

基于其基础指标名称 <basename>，摘要在每次抓取（scrape）时会暴露以下时间序列：

  • 流式 φ-分位数（Quantiles）
    • 格式：<basename>{quantile="<φ>"}
    • 表示观测事件的 φ 分位数（0 ≤ φ ≤ 1），例如 quantile="0.95" 表示第 95 百分位
    • 示例：
# 第 95 分位请求耗时 0.45 秒
http_request_duration_seconds{quantile="0.95"} 0.45

  • 所有观测值的总和

    • 格式：<basename>_sum
    • 表示所有观测值的累积和，例如请求持续时间的总和

  • 观测事件的总计数

    • 格式：<basename>_count
    • 表示所有观测事件的总数

与直方图的对比

  • 分位数计算方式
    • 摘要：实时计算分位数，但只能基于单个实例，无法聚合
    • 直方图：基于桶分布计算分位数，适合跨实例聚合
  • 存储和性能：摘要计算精确的分位数，但消耗更多资源；直方图使用固定的桶定义，计算更高效
  • 用途
    • 摘要适合在局部实例中监控分位数，例如 95% 请求耗时
    • 直方图更适合全局分布分析和聚合

示例：

假设一个摘要指标名称为 http_request_duration_seconds，可能暴露以下时间序列：

http_request_duration_seconds{quantile="0.5"} 0.3
http_request_duration_seconds{quantile="0.9"} 0.6
http_request_duration_seconds{quantile="0.99"} 1.2
http_request_duration_seconds_sum 45.0
http_request_duration_seconds_count 100

解释：

  • 第 50%（中位数）的请求持续时间为 0.3 秒
  • 第 90% 的请求持续时间为 0.6 秒
  • 第 99% 的请求持续时间为 1.2 秒
  • 总请求数为 100，总持续时间为 45 秒

总结：

摘要适合对单个实例的实时分位数监控，但无法跨实例聚合。如果需要分布分析和全局聚合，建议使用直方图代替摘要

Bottom GIF
Top GIF