Mask SPACE/
Prometheus | 指标类型
Prometheus | 指标类型
Search
Prometheus | 指标类型
Prometheus | 指标类型

Prometheus | 指标类型

AI custom autofill
Prometheus 中四种不同的指标类型以及其核心设计，同时包括不同语言对不同指标的埋点。
Tags
Prometheus
Published
March 2, 2025

一 Prometheus 指标类型

Prometheus的4种metrics（指标）类型：
  • Counter 只增不减的计数器
  • Gauge 可增减的仪表盘
  • Histogram
  • Summary
 

2.1 Counter 与 Gauge

在记录相同监控指标时，最基础的有两类指标，分别是Counter和Gauge。
💡
Counter 用于表示那些只会增加的值，比如已处理的 HTTP 请求总数。而 Gauge 则用于表示那些可以增加或减少的值，比如机器的 CPU 使用率，GPU 的温度等。
例如，如果你想监控一个服务的 HTTP 请求量，你可以使用 Counter 类型的指标，因为这个数值只会随着时间的推移而增加。但如果你想监控机器的 CPU 使用率，你应该使用 Gauge 类型的指标，因为 CPU 使用率是一个随时都可能变化的值。
 
Counter 是一个单调递增的计数器，只有在机器重启等情况会清空重新计算。所以可以通过该类型的指标观察一些指标的变化速率。
例如，通过rate()函数获取HTTP请求量的增长率：
rate(http_requests_total[5m])
查询当前系统中，访问量前10的HTTP地址：
topk(10, http_requests_total)
 
Gauge类型的指标侧重于反应系统的当前状态。因此这类指标的样本数据可增可减。常用的查询使用方式如下：
通过Gauge指标，用户可以直接查看系统的当前状态：
node_memory_MemFree
 

2.2 Histogram和Summary

除了Counter和Gauge类型的监控指标以外，Prometheus还定义了Histogram和Summary的指标类型。Histogram和Summary主用用于统计和分析样本的分布情况。
 
长尾效应的影响：某些使用场景中，我们可能更关注平均值，如接口的平均响应时间。但是如果大多数响应时间都是 100ms，但是有几个响应时间在 1m，平均响应时间就会被拉高到一个不真实的值。所以这个时候我们需要对指标值在不同的区间进行分组。例如，统计延迟在0~10ms之间的请求数有多少而10~20ms之间的请求数又有多少。这样可以更符合真实的使用场景，还可以通过 promQL 查询出指标的 90 分位、95 分位、99 分位的响应耗时分别是多少。
 

Histogram

  • 核心机制：
    • 客户端将观测值（如请求延迟）分配到预定义的桶（Bucket） 中，例如 [0.1s, 0.5s, 1s]。
    • 服务端存储每个桶的累计计数（_bucket）、总和（_sum）和总数（_count）。
    • 查询时通过 histogram_quantile() 函数计算分位数。
  • 指标示例：
其中 label 中有le，含义为小于等于（less than or equal to），表示直方图的分桶（Bucket）的上界值。
指标的含义是落在这个桶区间的请求数量，而不是具体的耗时。histogram_quantile() 返回的结果是估算的 P99 响应时间。由于直方图是用固定的桶来分组的，因此结果是基于这些桶的上限进行插值计算的，所以是一个近似值，而不是绝对精确的值。
http_request_duration_seconds_bucket{le="0.1"} 20     # 延迟 ≤0.1s 的请求数
http_request_duration_seconds_bucket{le="0.5"} 50     # 延迟 ≤0.5s 的请求数
http_request_duration_seconds_bucket{le="+Inf"} 100   # 所有请求总数（_count）
http_request_duration_seconds_sum 45.6                # 总延迟时间
http_request_duration_seconds_count 30                # 总请求次数
  • 分位数计算：
注意：_bucket类型应该是一个单调递增的数据，所以在求分位数时，使用 rate 来计算增长速率。
# 计算 P99 延迟
histogram_quantile(0.99, rate(http_request_duration_seconds_bucket[5m])

Summary

  • 核心机制：
    • 客户端直接计算预定义的分位数（如 P50、P99），并将结果暴露给服务端。查询
    • 服务端存储分位数值（{quantile="<φ>"}）、总和（_sum）和总数（_count）。
    • 分位数在客户端计算，查询时无法调整。
  • 指标示例：
http_request_duration_seconds{quantile="0.5"} 0.2      # P50 延迟
http_request_duration_seconds{quantile="0.99"} 0.8     # P99 延迟
http_request_duration_seconds_sum 45.6                 # 总延迟时间
http_request_duration_seconds_count 100                # 总请求数
 
而这两种指标的区别在于，Summary 指标的分位数固定。Histogram 可以查询不同的分位数。
以下是官方文档中对应的介绍：‣
 

二 不同语言埋点方式

以下给出不同的语言中就行埋点的方式，便于快速进行埋点使用。

3.1 Counter

特性

  • 单调递增的数值（只能增加或重置为 0）。
  • 适用于统计累计事件（如请求总数、错误次数）。
  • 支持 inc() 和 add() 操作。

埋点方式

Go：
import (
    "net/http"
    "github.com/prometheus/client_golang/prometheus"
    "github.com/prometheus/client_golang/prometheus/promhttp"
)

// 定义 Counter
var httpRequestsTotal = prometheus.NewCounter(
    prometheus.CounterOpts{
        Name: "http_requests_total",
        Help: "Total number of HTTP requests.",
    },
)

func init() {
    prometheus.MustRegister(httpRequestsTotal)
}

func handler(w http.ResponseWriter, r *http.Request) {
    httpRequestsTotal.Inc() // 每次请求 +1
    w.Write([]byte("OK"))
}

func main() {
    http.Handle("/metrics", promhttp.Handler())
    http.HandleFunc("/", handler)
    http.ListenAndServe(":8080", nil)
}
Java：
import io.micrometer.core.instrument.Counter;
import io.micrometer.prometheus.PrometheusMeterRegistry;
import io.prometheus.client.CollectorRegistry;
import io.prometheus.client.exporter.HTTPServer;

// 使用 Micrometer
PrometheusMeterRegistry registry = new PrometheusMeterRegistry();
Counter httpRequestsTotal = Counter.builder("http_requests_total")
    .description("Total HTTP requests")
    .register(registry);

// 埋点
httpRequestsTotal.increment();
Python：
from prometheus_client import Counter, start_http_server

http_requests_total = Counter(
    'http_requests_total',
    'Total HTTP requests'
)

if __name__ == '__main__':
    start_http_server(8000)
    while True:
        http_requests_total.inc()  # 每次请求 +1

3.2 Gauge

特性

  • 可增可减的瞬时值（如内存使用量、并发连接数）。
  • 支持 inc(), dec(), set() 和 add() 操作。

埋点方式

Go
var memoryUsage = prometheus.NewGauge(
    prometheus.GaugeOpts{
        Name: "memory_usage_bytes",
        Help: "Current memory usage in bytes.",
    },
)

// 更新值
memoryUsage.Set(getCurrentMemoryUsage())
Java
Gauge.builder("memory_usage_bytes", this, MyClass::getCurrentMemoryUsage)
    .description("Memory usage in bytes")
    .register(registry);
python
memory_usage = Gauge('memory_usage_bytes', 'Memory usage in bytes')
memory_usage.set(get_current_memory_usage())

3.3 Histogram

特性

  • 对观测值（如请求延迟）进行分桶统计。
  • 提供 _bucket（各桶计数）、_sum（总和）、_count（总数）三个指标。
  • 分位数需在查询时通过 histogram_quantile 计算。

埋点示例

Go
var requestDuration = prometheus.NewHistogram(
    prometheus.HistogramOpts{
        Name:    "http_request_duration_seconds",
        Help:    "Request duration in seconds.",
        Buckets: prometheus.DefBuckets, // 默认桶 [.005, .01, .025, ..., 10]
    },
)

// 记录时间
start := time.Now()
defer func() {
    requestDuration.Observe(time.Since(start).Seconds())
}()
Java
Timer.builder("http_request_duration_seconds")
    .description("Request duration in seconds")
    .serviceLevelObjectives(0.1, 0.5, 1.0) // 自定义桶
    .register(registry)
    .record(() -> handleRequest());
python
from prometheus_client import Histogram

REQUEST_DURATION = Histogram(
    'http_request_duration_seconds',
    'Request duration in seconds',
    buckets=[0.1, 0.5, 1.0]
)

@REQUEST_DURATION.time()
def handle_request():
    pass
Copyright 2025 Mask