? 优质资源分享 ?
| 学习路线指引（点击解锁） | 知识定位 | 人群定位 |
|---|---|---|
| ? Python实战微信订餐小程序 ? | 进阶级 | 本课程是python flask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。 |
| ?Python量化交易实战? | 入门级 | 手把手带你打造一个易扩展、更安全、效率更高的量化交易系统 |
Prometheus的4种metrics（指标）类型：
- Counter
- Gauge
- Histogram
- Summary
四种指标类型的数据对象都是数字，如果要监控文本类的信息只能通过指标名称或者 label 来呈现，在 zabbix 一类的监控中指标类型本身支持 Log 和文本，当然在这里我们不是要讨论 Prometheus 的局限性，而是要看一看 Prometheus 是如何把数字玩出花活的。 Counter 与 Gauge 比较好理解，我们简单的过一下 然后主要关注 Histogram 和 Summary
Counter 与 Gauge
Counter
单调递增的计数器。
例如 Prometheus自身 中 metrics 的 http 请求总数
Gauge
仪表，也可以认为是一种计数器，不过支持加和减。
例如 node 中的负载数据
Histogram 与 Summary
Histogram
直方图常用于请求持续时间或者响应大小采样，然后将结果记录到存储桶（bucket）,每个桶为累加数据。
通过三个metrics名称来完整暴露一组Histogram
- 桶累积计数器，
\_bucket{le=""} - 所有观察值的总和，
\_sum - 已观察到的事件计数，
\_count与上述相同\_bucket{le="+Inf"}）
例如K8s中pod启动耗时：
kubelet_pod_start_duration_seconds_bucket
kubelet_pod_start_duration_seconds_count #进行过pod start的数量
kubelet_pod_start_duration_seconds_sum # 总耗时
具体到某个节点中
le:小于等于。例如le=”5“，即pod启动耗时<=5s的有87次
+inf：无穷。当启动耗时为无穷时，也就是节点下pod启动过的数量，与kubelet_pod_start_duration_seconds_count相等
通过grafana 中 Bar gauge呈现桶的分布如下：
有了直方图数据后我们可以做相应的比例计算：
计算pod启动耗时大于1s，小于2.5s的次数
#kubelet\_pod\_start\_duration\_seconds\_bucket{ instance="node4.**.com",le="2.5"} - ignoring(le) kubelet\_pod\_start\_duration\_seconds\_bucket{ instance="node4.**.com",le="1"}
9
计算pod启动耗时大于2.5s的比例
#kubelet\_pod\_start\_duration\_seconds\_bucket{ instance="node4.**.com",le="2.5"} / ignoring(le) kubelet\_pod\_start\_duration\_seconds\_bucket{ instance="node4.**.com",le="+Inf"}
0.875
使用 PromQL 函数histogram_quantile计算百分位
#histogram\_quantile(0.80,kubelet\_pod\_start\_duration\_seconds\_bucket{ instance="node4.**.com"} )
1.3000000000000018
即80%的pod启动次数中，耗时<=1.3s，histogram_quantile函数计算百分位得到是一个近似值。
通过histogram_quantile函数聚合
计算Prometheus http所有请求中80百分位的值
histogram_quantile(0.8, sum(rate(prometheus\_http\_request\_duration\_seconds\_bucket[5m])) by (le))
即80%的请求响应时间<=0.08s
通过histogram计算网站性能指标 - Apdex指数
Apdex 指数 =( 满意数量 + 0.5 * 可容忍数量 ) / 总样本数，假设请求满意时间为0.3s，则可容忍时间为1.2s（4倍）
(
sum(rate(http\_request\_duration\_seconds\_bucket{le="0.3"}[5m])) by (job)
+
sum(rate(http\_request\_duration\_seconds\_bucket{le="1.2"}[5m])) by (job)
) / 2 / sum(rate(http\_request\_duration\_seconds\_count[5m])) by (job)
Summary
Summary与Histogram相似，也是通过三个metrics名称来完整暴露一组Summary，不过Summary是直接在客户端帮我们计算出了百分位数（Histogram 则使用上面提到的histogram_quantile函数计算）
- φ 分位数(0 ≤ φ ≤ 1)，
{quantile="<φ>"} - 所有观察值的总和，
\_sum - 已观察到的事件计数，
\_count
例如cgroup操作延迟：
kubelet_cgroup_manager_latency_microseconds
kubelet_cgroup_manager_latency_microseconds_sum
kubelet_cgroup_manager_latency_microseconds_count
Summary和Histogram都可以使用rate函数计算平均数
计算cgroup update操作的平均延迟：
rate(kubelet\_cgroup\_manager\_latency\_microseconds\_sum{ instance="node4.**.com",operation\_type="update"}[10m]) / rate(kubelet\_cgroup\_manager\_latency\_microseconds\_count{ instance="node4.**.com",operation\_type="update"}[10m])
最后我们对比一下Summary与Histogram
| Histogram | Summary | |
|---|---|---|
| 配置要求 | 选择符合预期观测值范围（le）的存储桶 | 选择所需的分位数φ和窗口范围，其他φ无法再被计算 |
| 客户端性能影响 | 低，仅需增加计数器 | 高，在客户端计算分位数 |
| 服务端性能影响 | 高，服务端需计算分位数 | 服务端成本低 |
时间序列的数量（除了_sum和_count序列） |
每添加一个存储桶增加一个时间序列 | 每添加一个分位数φ 值增加一个时间序列 |
| 分位数误差 | 受限于相关桶的宽度 | 误差在 φ 值的限制 |
| φ分位数和窗口范围 | 取决于histogram_quantile函数中φ | 由客户端预先添加 |
| 聚合 | histogram_quantile函数聚合 | 不聚合 |
通过博客阅读：iqsing.github.io
参考：
转载请注明：xuhss » Prometheus 四种metric类型