核心延迟指标：P50/P99/P999延迟、平均延迟、窗口延迟、端到端延迟

聊实时指标聚合，第一个绕不开的话题就是延迟。我见过太多团队，一上来就盯着平均延迟看，结果线上出了大问题还不知道怎么回事。说白了，延迟不是单一数字，而是一组互相补充的度量体系。今天我就把这几个核心指标掰开揉碎讲清楚。

平均延迟：最熟悉的陌生人

平均延迟（Avg Latency）是大家最常用的指标。计算很简单：总耗时除以请求数。但我要说一句——平均延迟很危险。

平均延迟适合什么场景？我个人习惯用它做长期趋势监控，比如看一周内的延迟变化曲线。但千万别用它来做 SLA 承诺，那是给自己挖坑。

百分位延迟：P50 / P99 / P999

这才是真正的核心。百分位延迟告诉你：有多少比例的请求在多少毫秒内完成。

你想想看，P50 是 10ms，P99 是 100ms，这很正常。但如果 P50 是 10ms，P99 是 500ms，那就有问题了——说明有 1% 的请求慢得离谱。

窗口延迟：聚合的命门

实时指标聚合离不开窗口。窗口延迟（Window Latency）指的是从数据进入窗口到窗口完成聚合计算的时间差。嗯，这里要注意——窗口延迟和请求延迟是两码事。

举个例子：你有一个 10 秒的滑动窗口，每 1 秒计算一次。如果数据在第 5 秒到达，但窗口在第 8 秒才算出结果，那窗口延迟就是 3 秒。

窗口延迟受三个因素影响：

• 窗口大小：窗口越大，计算量越大，延迟越高
• 触发频率：触发越频繁，计算压力越大
• 数据乱序：乱序数据会导致窗口等待，增加延迟

我在项目中遇到过一个问题：窗口设了 60 秒，结果数据乱序严重，窗口迟迟无法触发，最终延迟飙到 2 分钟。后来我改用 watermark 机制，允许一定程度的乱序，才把窗口延迟降下来。

端到端延迟：用户的真实感受

端到端延迟（End-to-End Latency）是从数据产生到用户看到聚合结果的总耗时。这才是用户真正感受到的延迟。

它包含几个环节：

1. 数据采集延迟：从数据源到消息队列的时间
2. 传输延迟：消息队列到计算引擎的时间
3. 计算延迟：聚合计算本身的时间
4. 输出延迟：结果写入存储到用户看到的时间

指标之间的关系

这几个指标不是孤立的。我画了一张图，帮你理清它们的关系：

如何选择监控指标

不同场景关注的重点不一样。我整理了一个表格，方便你对照：

避坑指南

最后分享几个我踩过的坑：

• 只看平均延迟：我曾经因为这个漏掉了 0.1% 的慢请求，导致用户投诉了才知道问题
• 忽略窗口延迟：窗口延迟高了，聚合结果就不准了。我遇到过窗口延迟比计算延迟还高 10 倍的情况
• 端到端延迟不拆解：不拆解就不知道瓶颈在哪。我建议每个环节都打点，用分布式追踪工具串起来
• 百分位采样不足：P999 需要足够多的样本才准确。采样太少，P999 的波动会很大

记住一句话：没有完美的指标，只有合适的组合。平均延迟、百分位延迟、窗口延迟、端到端延迟，各有各的用处。关键是根据你的业务场景，选对指标，盯住核心。