4. 指标基础：Counter / Gauge / Histogram / Summary 与 Prometheus 数据模型
在可观测性三信号中，指标（Metrics）是量化系统状态与行为最直接的手段。Prometheus 作为云原生生态的事实标准，定义了四种核心指标类型与一套严格的数据模型。理解这些基础是构建联动修复策略的前提。
4.1 四种核心指标类型
Prometheus 客户端库提供四种指标类型，分别适用于不同的监控场景。下表从语义、典型用途与数学特性三个维度进行对比：
| 类型 | 语义 | 典型用途 | 数学运算 | 重置行为 |
|---|---|---|---|---|
| Counter | 只增不减的累计值 | 请求总数、错误计数、CPU 时间 | 差值、速率（rate/irate） | 进程重启时归零 |
| Gauge | 可增可减的瞬时值 | 内存使用量、连接数、温度 | 平均值、最大值、分位数 | 随采样实时变化 |
| Histogram | 分桶统计 + 总和 + 计数 | 请求延迟分布、响应大小分布 | 分位数（histogram_quantile） | 桶与总和一起重置 |
| Summary | 客户端预计算分位数 | SLI 延迟分位数（p50/p99） | 直接读取分位数标签 | 滑动窗口内计算 |
选型建议：需要计算速率或累计趋势时用 Counter；需要观察瞬时水位时用 Gauge；需要从服务端计算任意分位数时用 Histogram；需要精确预计算分位数且接受客户端开销时用 Summary。
4.2 Prometheus 数据模型
Prometheus 将所有指标存储为带时间戳的时间序列，每个序列由 Metric Name 和一组 Labels 唯一标识。数据模型的核心结构如下：
<metric_name>{<label_name>="<label_value>", ...} <value> <timestamp>
# 示例
http_requests_total{method="GET", endpoint="/api/v1/users", status="200"} 1024 1700000000
关键设计原则：
- Metric Name：必须符合正则
[a-zA-Z_:][a-zA-Z0-9_:]*，通常包含单位与语义（如http_request_duration_seconds）。 - Labels：维度标签，用于多维度聚合。每个时间序列由 labels 组合唯一确定。
- Sample：一个时间点上的数值，由 float64 值 + 毫秒精度时间戳组成。
- Timestamp：由 Prometheus Server 在采集时追加，客户端上报时通常省略。
4.3 指标采集方式
Prometheus 采用 Pull 模型主动从目标端点抓取指标，同时也支持 Pushgateway 用于短期任务。采集流程分为三个阶段：
- 暴露端点：应用集成 Prometheus 客户端库，在 HTTP 路径
/metrics上暴露指标。 - 服务发现与目标管理：Prometheus Server 通过静态配置或服务发现（Kubernetes、Consul 等）获取目标列表。
- 抓取与存储：按
scrape_interval（默认 15s）拉取数据，解析后存入本地 TSDB。
采集配置示例（prometheus.yml）：
scrape_configs:
- job_name: 'my-app'
scrape_interval: 15s
static_configs:
- targets: ['localhost:8080']
metrics_path: '/metrics'
scheme: 'http'
4.4 四种指标类型在 PromQL 中的典型用法
| 指标类型 | 常用 PromQL 函数 | 查询示例 | 说明 |
|---|---|---|---|
| Counter | rate(), irate(), increase() |
rate(http_requests_total[5m]) |
计算每秒请求速率，适合告警与趋势分析 |
| Gauge | avg(), max(), min() |
avg(memory_usage_bytes{app="web"}) |
直接聚合瞬时值，适合资源水位监控 |
| Histogram | histogram_quantile() |
histogram_quantile(0.99, rate(http_request_duration_seconds_bucket[5m])) |
服务端计算 p99 延迟，需配合 _bucket 指标 |
| Summary | 直接读取 _p50, _p99 标签 |
http_request_duration_seconds_summary{p99="0.5"} |
客户端已算好分位数，查询简单但无法跨维度聚合 |
避坑提示：Counter 类型指标在进程重启后会归零，使用
rate() 函数时需注意重置检测；Histogram 的 bucket 配置必须覆盖预期的延迟范围，否则 histogram_quantile 会返回不准确的结果。
4.5 指标类型选择决策树
在实际工程中，快速选择正确的指标类型可以遵循以下决策逻辑：
- 是否只增不减？ → 是 → Counter（如请求总数、错误计数）
- 是否可增可减？ → 是 → Gauge（如内存使用量、当前连接数）
- 是否需要分析分布？ → 是 → 进入分位数决策：
- 需要服务端灵活计算任意分位数？ → Histogram
- 需要客户端预计算固定分位数且查询简单？ → Summary