背景

對很多人來說，未知、不確定、不在掌控的東西，會有潛意識的逃避。當(dāng)我第一次接觸 Prometheus 的時候也有類似的感覺。對初學(xué)者來說， Prometheus 包含的概念太多了，門檻也太高了。

概念：Instance、Job、Metric、Metric Name、Metric Label、Metric Value、Metric Type（Counter、Gauge、Histogram、Summary）、DataType（Instant Vector、Range Vector、Scalar、String）、Operator、Function

馬云說：“雖然阿里巴巴是全球最大的零售平臺，但阿里不是零售公司，是一家數(shù)據(jù)公司”。Prometheus 也是一樣，本質(zhì)來說是一個基于數(shù)據(jù)的監(jiān)控系統(tǒng)。

日常監(jiān)控

假設(shè)需要監(jiān)控 WebServerA 每個API的請求量為例，需要監(jiān)控的維度包括：服務(wù)名（job）、實例IP（instance）、API名（handler）、方法（method）、返回碼(code)、請求量（value）。

如果以SQL為例，演示常見的查詢操作：

查詢 method=put 且 code=200 的請求量

SELECT?*?from?http_requests_total?WHERE?code=”200”?AND?method=”put”?AND?created_at?BETWEEN?1495435700?AND?1495435710;

查詢 handler=prometheus 且 method=post 的請求量

SELECT?*?from?http_requests_total?WHERE?handler=”prometheus”?AND?method=”post”?AND?created_at?BETWEEN?1495435700?AND?1495435710;

查詢 instance=10.59.8.110 且 handler 以 query 開頭 的請求量

SELECT?*?from?http_requests_total?WHERE?handler=”query”?AND?instance=”10.59.8.110”?AND?created_at?BETWEEN?1495435700?AND?1495435710;

通過以上示例可以看出，在常用查詢和統(tǒng)計方面，日常監(jiān)控多用于根據(jù)監(jiān)控的維度進行查詢與時間進行組合查詢。如果監(jiān)控100個服務(wù)，平均每個服務(wù)部署10個實例，每個服務(wù)有20個API，4個方法，30秒收集一次數(shù)據(jù)，保留60天。那么總數(shù)據(jù)條數(shù)為：100(服務(wù))* 10（實例）* 20（API）* 4（方法）* 86400（1天秒數(shù)）* 60(天) / 30（秒）= 138.24 億條數(shù)據(jù)，寫入、存儲、查詢?nèi)绱肆考壍臄?shù)據(jù)是不可能在Mysql類的關(guān)系數(shù)據(jù)庫上完成的。因此 Prometheus 使用 TSDB 作為 存儲引擎。

存儲引擎

TSDB 作為 Prometheus 的存儲引擎完美契合了監(jiān)控數(shù)據(jù)的應(yīng)用場景

• 存儲的數(shù)據(jù)量級十分龐大

• 大部分時間都是寫入操作

• 寫入操作幾乎是順序添加，大多數(shù)時候數(shù)據(jù)到達后都以時間排序

• 寫操作很少寫入很久之前的數(shù)據(jù)，也很少更新數(shù)據(jù)。大多數(shù)情況在數(shù)據(jù)被采集到數(shù)秒或者數(shù)分鐘后就會被寫入數(shù)據(jù)庫

• 刪除操作一般為區(qū)塊刪除，選定開始的歷史時間并指定后續(xù)的區(qū)塊。很少單獨刪除某個時間或者分開的隨機時間的數(shù)據(jù)

• 基本數(shù)據(jù)大，一般超過內(nèi)存大小。一般選取的只是其一小部分且沒有規(guī)律，緩存幾乎不起任何作用

• 讀操作是十分典型的升序或者降序的順序讀

• 高并發(fā)的讀操作十分常見

那么 TSDB 是怎么實現(xiàn)以上功能的呢？

"labels":?[{
????"latency":????????"500"
}]
"samples":[{
????"timestamp":?1473305798,
????"value":?0.9
}]

原始數(shù)據(jù)分為兩部分 label, samples。前者記錄監(jiān)控的維度（標(biāo)簽:標(biāo)簽值），指標(biāo)名稱和標(biāo)簽的可選鍵值對唯一確定一條時間序列（使用 series_id 代表）；后者包含包含了時間戳（timestamp）和指標(biāo)值（value）。

series
^
│.?.?.?.?.?.?.?.?.?.?.?.???server{latency="500"}
│.?.?.?.?.?.?.?.?.?.?.?.???server{latency="300"}
│.?.?.?.?.?.?.?.?.?.???.???server{}
│.?.?.?.?.?.?.?.?.?.?.?.?
v
<--------?time?---------->

TSDB 使用 timeseries:doc:: 為 key 存儲 value。為了加速常見查詢查詢操作：label 和 時間范圍結(jié)合。TSDB 額外構(gòu)建了三種索引：Series, Label Index 和 Time Index。

以標(biāo)簽 latency 為例：

• Series

存儲兩部分數(shù)據(jù)。一部分是按照字典序的排列的所有標(biāo)簽鍵值對序列（series）；另外一部分是時間線到數(shù)據(jù)文件的索引，按照時間窗口切割存儲數(shù)據(jù)塊記錄的具體位置信息，因此在查詢時可以快速跳過大量非查詢窗口的記錄數(shù)據(jù)

• Label Index

每對 label 為會以 index:label: 為 key，存儲該標(biāo)簽所有值的列表，并通過引用指向 Series 該值的起始位置。

• Time Index

數(shù)據(jù)會以 index:timeseries:: 為 key，指向?qū)?yīng)時間段的數(shù)據(jù)文件

數(shù)據(jù)計算

強大的存儲引擎為數(shù)據(jù)計算提供了完美的助力，使得 Prometheus 與其他監(jiān)控服務(wù)完全不同。Prometheus 可以查詢出不同的數(shù)據(jù)序列，然后再加上基礎(chǔ)的運算符，以及強大的函數(shù)，就可以執(zhí)行 metric series 的矩陣運算。

查詢出不同的數(shù)據(jù)序列：

https://prometheus.io/docs/prometheus/latest/querying/basics/#time-series-selectors

基礎(chǔ)的運算符：

https://prometheus.io/docs/prometheus/latest/querying/operators/

強大的函數(shù)：

https://prometheus.io/docs/prometheus/latest/querying/functions/

如此，Promtheus體系的能力不弱于監(jiān)控界的“數(shù)據(jù)倉庫”+“計算平臺”。因此，在大數(shù)據(jù)的開始在業(yè)界得到應(yīng)用，就能明白，這就是監(jiān)控未來的方向。

一次計算，處處查詢

當(dāng)然，如此強大的計算能力，消耗的資源也是挺恐怖的。因此，查詢預(yù)計算結(jié)果通常比每次需要原始表達式都要快得多，尤其是在儀表盤和告警規(guī)則的適用場景中，儀表盤每次刷新都需要重復(fù)查詢相同的表達式，告警規(guī)則每次運算也是如此。因此，Prometheus提供了 Recoding rules，可以預(yù)先計算經(jīng)常需要或者計算量大的表達式，并將其結(jié)果保存為一組新的時間序列， 達到一次計算，多次查詢的目的。

一次計算，多次查詢：

https://prometheus.io/docs/prometheus/latest/querying/basics/#avoiding-slow-queries-and-overloads

作者：cyningsun
來源：?

https://www.cyningsun.com/02-22-2020/hidden-secret-to-understanding-prometheus.html

如果您覺得這篇文章對您有點用的話，麻煩您為本文來個四連：轉(zhuǎn)發(fā)分享、點贊、點在看、留言，因為這將是我寫作與分享更多優(yōu)質(zhì)文章的最強動力！

本公眾號全部博文已整理成一個目錄，請在公眾號后臺回復(fù)「m」獲?。?/p>