4. 时间序列数据库入门：Prometheus架构、数据模型、PromQL基础查询

说到监控系统，就绕不开时间序列数据库。我最早接触监控时，用的还是RRDtool那套轮询存储方案，后来转到Prometheus，说实话，第一次看到它的数据模型时，有种「原来监控数据可以这样组织」的感觉。这一章，我们就来拆解Prometheus的核心设计。

4.1 Prometheus整体架构

Prometheus的架构，说白了就是「拉」模式。跟传统推模式不同，它主动去目标机器上抓取指标。这个设计看似简单，但解决了分布式系统中数据一致性的很多麻烦。

我刚开始搭建Prometheus时，犯过一个低级错误——把所有Exporters的端口都暴露在公网上。嗯，这里要注意，Exporters默认没有任何认证机制，生产环境一定要用防火墙或反向代理保护起来。

4.2 数据模型：标签才是灵魂

Prometheus的数据模型，我个人的理解是「带标签的时序数据流」。每条时间序列由指标名和一组标签唯一标识。

# 基本格式
<metric_name>{<label_name>="<label_value>", ...}

# 示例
http_requests_total{method="GET", endpoint="/api/users", status="200"}

你想想看，传统监控系统里，每个指标就是一个独立的文件或表。但在Prometheus里，http_requests_total 只是一个名字，真正区分数据的是后面的标签组合。这意味着你可以用一条查询，就拿到所有维度的聚合数据。

概念	说明	示例
Metric Name	指标名称，描述监控对象	node_cpu_seconds_total
Labels	键值对标签，标识维度	{cpu="0", mode="user"}
Sample	时间戳 + 值	@1620000000 1234.5
Time Series	指标名 + 标签组合的唯一序列	上述三者的组合

4.3 四种指标类型

Prometheus的客户端库提供了四种指标类型。我刚开始学的时候，总觉得Counter和Gauge差不多，后来踩过坑才明白它们的区别。

• Counter：只增不减的计数器。适合记录请求总数、错误次数。重启会归零。
• Gauge：可增可减的仪表盘。适合内存使用率、CPU温度、在线人数。
• Histogram：直方图。统计分布情况，比如请求延迟的百分位数。
• Summary：摘要。类似Histogram，但由客户端计算分位数。

我记得有一次排查线上问题，发现某个服务的错误率曲线一直在抖动。后来发现是用了Gauge来记录错误次数，而Gauge在进程重启后会丢失历史值。换成Counter后，配合 rate() 函数，曲线就平滑了。

4.4 PromQL基础查询

PromQL是Prometheus的查询语言。说实话，刚开始看它的语法会觉得有点怪，但用顺手后会发现它非常强大。

4.4.1 即时查询与范围查询

# 即时查询：返回当前最新值
node_memory_MemAvailable_bytes

# 范围查询：返回过去5分钟的数据
node_memory_MemAvailable_bytes[5m]

范围查询返回的是多个时间点的样本，不能直接用于计算，需要配合聚合函数使用。

4.4.2 常用函数

函数	作用	示例
rate()	计算Counter的每秒增长率	rate(http_requests_total[1m])
irate()	计算瞬时增长率（对短时间窗口敏感）	irate(node_network_receive_bytes_total[30s])
avg_over_time()	计算一段时间内的平均值	avg_over_time(node_load1[5m])
sum()	按标签维度求和	sum(rate(http_requests_total[1m])) by (status)

4.4.3 标签过滤与聚合

# 精确匹配
node_cpu_seconds_total{cpu="0", mode="user"}

# 正则匹配
node_cpu_seconds_total{mode=~"user|system"}

# 排除匹配
node_cpu_seconds_total{mode!="idle"}

# 按CPU聚合
sum(rate(node_cpu_seconds_total[1m])) by (cpu)

我个人习惯在写PromQL时，先用 {} 过滤掉不必要的数据，再做聚合。这样可以减少计算量，查询速度会快很多。

4.5 实战：一条完整的监控查询

假设我们要监控每台机器的CPU使用率。嗯，这里要注意，CPU使用率不能直接用 node_cpu_seconds_total，因为它是一个累加值。

# 计算每台机器的CPU使用率（排除idle模式）
100 - (avg(rate(node_cpu_seconds_total{mode="idle"}[1m])) by (instance) * 100)

# 或者更常见的写法
(1 - avg(rate(node_cpu_seconds_total{mode="idle"}[1m])) by (instance)) * 100

这条查询的逻辑是：先计算idle时间的增长率，然后用1减去它，再乘以100得到百分比。我在项目中用这个表达式配合Grafana，做了几十个CPU监控面板，效果一直很稳定。