Prometheus 基础回顾：PromQL 核心概念、指标类型与数据模型

在深入 KEDA 触发器调优之前，必须牢固掌握 Prometheus 的基石。KEDA 的 Prometheus 触发器本质上是一个 PromQL 查询的封装，你对指标类型、数据模型和查询语言的理解深度，直接决定了触发器配置的准确性与性能。本节将系统梳理这些核心概念。

1. 数据模型：时间序列的构成

Prometheus 存储的所有数据都是时间序列（Time Series）。一个时间序列由一组指标名称（Metric Name）和一组标签（Labels）唯一标识。

<metric_name>{<label_name>="<label_value>", ...}

数据模型的关键要素：

• Metric Name：描述被监控量的语义，如 http_requests_total、node_cpu_seconds_total。
• Labels：键值对，用于维度划分。每个不同的标签组合构成一个独立的时间序列。
• Sample：时间序列中的单个数据点，包含一个 float64 值和一个毫秒精度的时间戳。

2. 指标类型：四种核心类型

Prometheus 客户端库提供四种核心指标类型。理解它们的语义差异，是编写正确 PromQL 和配置 KEDA 触发器的前提。

3. PromQL 核心概念：选择器与聚合

PromQL（Prometheus Query Language）是数据检索和处理的唯一语言。KEDA 触发器配置中的 query 字段就是一个 PromQL 表达式。

3.1 即时向量与范围向量

• Instant Vector：查询某个时间戳的一组时间序列的最新样本。例如：http_requests_total{method="GET"}
• Range Vector：查询某个时间范围内的一组时间序列的样本集合。例如：http_requests_total{method="GET"}[5m]

3.2 常用 PromQL 函数

4. 聚合操作：降维与分组

当查询返回多个时间序列时，需要使用聚合操作将其合并为单个值，KEDA 触发器才能得到一个明确的阈值比较结果。

常用聚合运算符：

• sum()：求和，适用于累加所有实例的请求数。
• avg()：求平均值，适用于计算平均延迟或平均利用率。
• max() / min()：取最大/最小值，适用于识别热点或瓶颈。
• count()：计数，适用于统计满足条件的实例数量。

triggers:
- type: prometheus
  metadata:
    serverAddress: http://prometheus:9090
    query: |
      sum(
        rate(http_requests_total{job="my-app", status="5xx"}[2m])
      ) / 
      sum(
        rate(http_requests_total{job="my-app"}[2m])
      ) > 0.05
    threshold: "1.0"

5. 指标类型与 PromQL 的映射关系

不同指标类型在 PromQL 中的处理方式有显著差异，错误使用会导致语义错误或查询失败。