2. Prometheus 基础回顾：PromQL 核心概念、数据模型与抓取原理

在深入 Kubernetes 节点容量规划之前，必须牢固掌握 Prometheus 的数据基础。本节将系统回顾 Prometheus 的数据模型、PromQL 核心概念以及指标抓取原理，为后续的容量指标采集与查询分析奠定坚实的理论基础。

2.1 Prometheus 数据模型：Metric、Label 与 Sample

Prometheus 将所有采集到的数据存储为时间序列（Time Series）。每个时间序列由 Metric（指标名称）、Label（标签键值对） 和一组按时间排序的 Sample（样本点） 唯一标识。

2.2 PromQL 核心概念：选择器、聚合与函数

PromQL（Prometheus Query Language）是 Prometheus 内置的数据查询语言。掌握以下三类核心操作，即可应对 90% 的容量规划查询场景。

2.2.1 即时向量与范围向量

• 即时向量（Instant Vector）： 查询在当前时间点的一组时间序列的最新样本值。例如：node_memory_MemTotal_bytes 返回所有节点的当前内存总量。
• 范围向量（Range Vector）： 查询在过去一段时间窗口内的一组时间序列的样本值集合。例如：node_memory_MemTotal_bytes[5m] 返回过去 5 分钟内每个时间序列的所有样本点。

2.2.2 常用选择器与操作符

2.2.3 核心函数（容量规划必用）

• rate() / irate()：计算 Counter 类型指标在时间窗口内的每秒平均增长率。例如：rate(node_network_receive_bytes_total[5m]) 计算网络接收速率。
• avg_over_time() / max_over_time()：计算 Gauge 类型指标在时间窗口内的平均值/最大值。例如：max_over_time(node_load1[1h]) 获取过去 1 小时的峰值负载。
• predict_linear()：基于历史数据使用线性回归预测未来值。例如：predict_linear(node_filesystem_free_bytes[6h], 3600) 预测 1 小时后的磁盘剩余空间。

2.3 抓取原理：Pull 模型与生命周期

Prometheus 采用 Pull（拉取） 模型主动从目标端点（Target）采集指标数据，这与传统的 Push（推送）模型有本质区别。理解抓取原理对于配置采集规则、排查数据缺失问题至关重要。

2.3.1 Pull 模型的核心步骤

1. 服务发现： Prometheus 通过配置的 scrape_configs（如 Kubernetes 服务发现、静态配置、Consul 等）动态获取需要抓取的目标列表及其元数据标签。
2. 目标列表生成： 服务发现模块将目标信息（IP、端口、路径）与元标签（如 __meta_kubernetes_node_name）组合，生成最终的抓取目标列表。
3. HTTP GET 请求： Prometheus 根据 scrape_interval（默认 15s）向每个目标的 /metrics 端点发起 HTTP GET 请求。
4. 数据解析与标签重写： 接收响应后，Prometheus 解析文本格式的指标数据，并根据 relabel_configs 规则对标签进行增、删、改操作。
5. TSDB 存储： 解析后的样本数据被写入 Prometheus 内置的 TSDB（时间序列数据库），按 2 小时一个 block 进行压缩存储。

2.3.2 抓取配置关键参数

2.4 数据模型与抓取原理在容量规划中的意义

理解上述基础概念后，我们可以将其映射到容量规划的实际场景中：

• Metric + Label 的多维模型 允许我们按节点、命名空间、Pod、容器等维度灵活聚合资源使用数据。
• Sample 的时间戳 是进行时间序列预测（如 predict_linear）的基础，确保预测模型能够对齐真实时间轴。
• Pull 模型的抓取间隔 决定了容量规划数据的粒度。15s 的抓取间隔可以捕捉到秒级的资源抖动，而 1min 的间隔则更适合长期趋势分析。
• Relabel 机制 是 Kubernetes 环境下将节点标签（如 kubernetes.io/role、topology.kubernetes.io/zone）注入到时间序列中的关键手段，使得容量规划可以按节点池、可用区等维度进行分组分析。