📚 课程目录第2章 Prometheus基础架构回顾

2、Prometheus 基础架构回顾：Pull 模型、时序数据库、Metric 类型、PromQL 入门

2.1 整体架构与 Pull 模型

Prometheus 采用 主动拉取（Pull） 的监控数据采集模式，区别于传统推（Push）模式。核心组件包括 Prometheus Server、Exporters、Pushgateway（辅助）、Alertmanager 以及数据可视化层（Grafana）。

  Pull 模型优势： 避免目标端过载、天然支持健康探测、配置变更灵活、数据一致性高。

2.2 时序数据库（TSDB）核心特性

Prometheus 内置高性能时序数据库，专为监控指标设计。核心概念包括：

概念	说明	示例
Metric Name	指标名称，描述监控对象	`http_requests_total`
Labels	键值对标签，用于维度过滤	`{method="GET", status="200"}`
Sample	时间戳 + 值	`@1620000000 1024`
Time Series	同一 Metric + Labels 的样本序列	`http_requests_total{method="GET"} → [(t1,v1), (t2,v2)]`

存储优化： Prometheus TSDB 采用块压缩、倒排索引、WAL 预写日志，单机可支撑百万级时间序列。

2.3 Metric 类型详解

Prometheus 客户端库提供四种核心指标类型，每种类型对应不同的监控场景和 PromQL 处理方式。

类型	语义	典型场景	PromQL 常用函数
Counter	只增不减的累计值	请求总数、错误计数、CPU 时间	`rate()`, `increase()`
Gauge	可增可减的瞬时值	内存使用量、连接数、温度	`avg()`, `max()`, `delta()`
Histogram	分桶统计 + 总和 + 计数	请求延迟分布、响应大小	`histogram_quantile()`
Summary	预计算分位数 + 总和 + 计数	SLI 延迟跟踪（客户端计算）	直接读取 `quantile` 标签

避坑指南： Counter 不可用于瞬时下降场景；Histogram 分位数由服务端计算，Summary 由客户端计算，两者不可混用。

2.4 PromQL 入门

PromQL（Prometheus Query Language）是 Prometheus 内置的函数式查询语言，用于实时聚合与计算时序数据。

2.4.1 基础查询语法

# 查询所有 http_requests_total 时间序列
http_requests_total

# 带标签过滤
http_requests_total{job="api-server", method="GET"}

# 范围向量：过去 5 分钟
http_requests_total[5m]

# 偏移查询：1 小时前的数据
http_requests_total offset 1h

2.4.2 常用聚合与函数

函数/操作	作用	示例
`rate()`	计算 Counter 每秒平均增长率	`rate(http_requests_total[5m])`
`increase()`	计算 Counter 在时间范围内的增量	`increase(http_requests_total[1h])`
`avg()`	聚合平均值	`avg(rate(http_requests_total[5m])) by (job)`
`topk()`	返回前 K 个时间序列	`topk(3, rate(http_requests_total[5m]))`
`histogram_quantile()`	从 Histogram 计算分位数	`histogram_quantile(0.95, rate(http_request_duration_seconds_bucket[5m]))`

  PromQL 核心原则： 对 Counter 必须先使用 rate() 或 increase() 转换为速率再聚合；Gauge 可直接聚合；Histogram 必须配合 histogram_quantile() 使用。

2.4.3 实战查询示例

# 1. 查询 API 服务 5 分钟平均 QPS，按实例分组
rate(http_requests_total{job="api-server"}[5m])

# 2. 查询 95% 请求延迟（Histogram 方式）
histogram_quantile(0.95, sum(rate(http_request_duration_seconds_bucket[5m])) by (le, instance))

# 3. 查询当前内存使用率超过 80% 的节点
(1 - (node_memory_MemAvailable_bytes / node_memory_MemTotal_bytes)) * 100 > 80

# 4. 查询过去 1 小时错误请求增量
increase(http_requests_total{status=~"5.."}[1h])

调试技巧： 在 Prometheus UI 的 Graph 页面或 Console 页面直接输入 PromQL，可实时验证查询结果；使用 label_replace() 可动态修改标签。