Prometheus 四种metric类型

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：

HISTOGRAMS AND SUMMARIES

Prometheus metric_types