本篇讲的是Prometheus的四种数据类型。Counter，Gauge，Histogram，Summary

Prometheus客户端库提供四种核心指标类型。目前，它们仅在客户端库（以支持针对特定类型的使用而定制的api）和wire协议中有所区别。Prometheus server还没有使用类型信息，而是将所有数据平展为非类型化的时间序列。这在将来可能会改变。

计数器 Counter （只能增加的值）

Counter 是一个累计的指标，它标识一个单调递增的计数器，它的值只能增加或在重启的时候被重置为0。例如：您可以使用计数器来表示服务的请求数、完成的任务数或错误数。
不要使用Counter去暴露一个可能缩小的值。例如：不要使用counter统计当前运行的进程数。应该用gauge。
Counter的客户端库使用文档：

  • Go
  • Java
  • Python

  • Ruby

    Gauge （可以随意增减的值）

    Gauge是一个指标的值。它可以随意的增加和减小。
    Gauge通常用于缓慢变化的值。例如：温度，内存，它还能用于能够增减的值，例如并发量请求的数量。
    Gauge的客户端库使用文档：

  • Go

  • Java
  • Python`

  • Ruby

    累计直方图 Histogram （每个桶包含前边所有区间的值）

    Histogram 会在一段时间范围内对数据进行采样（通常是请求持续时间或响应大小等），并将其计入可配置的存储桶（bucket）中。他还提供了所有值的总和。
    一个指标名为 的Histogram，会在数据采集期间暴露多个时间序列：

  • 存储桶(bucket)的累计计数器，暴露的指标名(metric name)为：<basename>_bucket{le="<upper inclusive bound>"}

  • 所有样本值的总和，暴露的指标名(metic name)为：<basename>_sum
  • 所有采样的次数和。暴露的指标名(metic name)为：<basename>_count(与上边<basename>_bucket{le="+Inf"}①相同)

使用histogram_quantile()从直方图或直方图集合中计算分位数。histogram也适用于计算Apdex得分。当在直方图每个区间操作运算时，请记住每个区间是累计前面所有区间的个数。有关Histogram用法的详细信息以及与Summary的区别，请参见Histogram和summary。
Histogram的客户端使用文档：

  • Go
  • Java
  • Python

  • Ruby

    Summary

    与Histogram类似，Summary也是对观察结果进行采样（通常是请求持续时间和响应大小）。它不仅记录了采样的次数和所有样本值的和，它还可以计算事先提供的分位数的值。
    一个指标名为的Summary，会在数据采集期间暴露多个时间序列：

  • 设置一个φ-quantiles(0 ≤ φ ≤ 1)②，暴露的指标名(metic name)为:<basename>{quantile="<φ>"}

  • 所有样本值得总和。暴露的指标名(metic name)为：<basename>_sum
  • 所有采样的次数和。暴露的指标名(metic name)为：<basename>_count

详细的φ-分位数、摘要用法以及与直方图的差异解释请参见histogram和summary
Summary的客户端使用文档：

  • Go
  • Java
  • Python
  • Ruby

    ①_bucket{le=”“} ，这个指标可以取直方图的一个区间的样本个数，但是都是0-x模式，其中n就为le，当le为0-x之间时，都取的是部分的样本个数，而当le=x，即为直方图x轴的最大值时，这个指标的结果就为所有样本的个数。也就是与<basename>_count 的值相等。 ②由于φ为分位数，则只能取0-1之间，也就是0%-100%。

个人理解

以下图仅作为讲解，示例图及数据：
image.png
其中落入各个bucket的值为：
[-,5]有两个值：2.5，3.5
[5,10]有三个值：7.5，8.5，9.5
[10,15]有四个值：10.5，11.5，11.6，12.4，13.5

histogram的作用

  • 对采样点进行统计，并放到各个桶(bucket)中。如上图则有[-,5],[5,10],[10,15]三个桶
  • 对每个采样点的值求和2.5+3.5+7.5+8.5+9.5+10.5+11.5+11.6+12.4+13.5=91

  • 对采样的次数累计和2+3+4=9

    histogram的指标名

  • [basename]_bucket{le=”n”}，此处的为bucket的边界，如上图可以为：5，10，15

  • [basename]_sum，求值的和 91
  • [basename]_count，求个数的和 9

    示例： _bucket这个取值是向下包含的关系。 [basename]_bucket{le=”5”} = 2 [basename]_bucket{le=”10”} = 3+2 = 5 [basename]_bucket{le=”15”} = 2+3+4 = 9 [basename]_bucket{le=”+Inf”} = 2+3+4 =9 他和le=”15” ,_count 的值相等 _count [basename]_count = 9 _sum [basename]_sum = 91

histogram的特点

  1.    histogram并不会保存数据采样的点值，每个bucket只会记录样本的个数和值的总和(counter)，因此客户端在客户端性能上相比Conuter和Gauge差不多，适合高并发的数据收集。

histogram_quantile()函数

histogram常用histogram_quantile来分析数据，计算histogram的分位数。由于histogram并不会保存数据的样本值，在计算分位数时，主要是通过bucket的分段和样本个数来计算的，所以误差比较大。

Summary

因为histogram在客户端就是简单的分bucket计数和求和，在Prometheus 服务端基于这些有限的数据做百分位运算，所以必然会不够准确，summary就是解决这个问题而来。summary直接存储了quantile数据，而不是根据区间计算出来的。

summary作用

举例 http响应时间最高为10s

  • 客户端在一段时间内（默认10分钟），对每个采样点进行统计，并形成分位图。（如：统计响应时间低于 1s的比例，统计响应时间低于 5s 的比例，统计响应时间低于 9s 的比例）
  • 统计所有样本的值的总和 sum ，所有响应时间的和

  • 统计所有样本的个数 count ， 一共统计了多少次响应

    summary的指标名

  • [basename]{quantile=”<φ>”} φ分位时候的值

  • [basename]_sum

  • [basename]_count

    限制

  • Summary 结构有频繁的全局锁操作，对高并发程序性能存在一定影响。histogram仅仅是给每个桶做一个原子变量的计数就可以了，而summary要每次执行算法计算出最新的X分位value是多少，算法需要并发保护。会占用客户端的cpu和内存。

  • 不能对Summary产生的quantile值进行aggregation运算（例如sum, avg等）。。
  • summary的百分位是提前在客户端里指定的，在服务端观测指标数据时不能获取未指定的分为数。而histogram则可以通过promql随便指定，虽然计算的不如summary准确，但带来了灵活性。
  • histogram不能得到精确的分为数，设置的bucket不合理的话，误差会非常大。会消耗服务端的计算资源。