时序数据库

时序数据库（Time Series Database，简称TSDB）是专门用于处理时间序列数据的数据库。时间序列数据是一种按时间顺序排列的数据点集合，通常用于记录随时间变化的数据，如股票价格、气象数据、物联网设备传感器读数等。

  ^
  │   . . . . . . . . . . . . . . . . .   . . 
  │     . . . . . . . . . . . .     . . . . . 
  │     .     .   . . . . .   .     . . . . . 
  │     .     . . . . . . . . . . . . .   . .  
  v
    <------------------ 时间 ---------------->

横轴表示时间（通常是连续的时间线），纵轴表示测量的数值。每个数据点都对应一个时间戳和相应的数值

数据

# HELP node_cpu_seconds_total Seconds the CPUs spent in each mode.
# TYPE node_cpu_seconds_total counter

# 指标名                    特征、维度              值
node_cpu_seconds_total{cpu="0",mode="idle"} 4.583223844e+07
node_cpu_seconds_total{cpu="0",mode="iowait"} 1612.86

每一个点称为一个样本（sample），样本由以下三部分组成

• 指标(metric)：metric name和描述当前样本特征的labelsets;
• 时间戳(timestamp)：一个精确到毫秒的时间戳;
• 样本值(value)： 一个float64的浮点型数据表示当前样本的值。

Metric 指标的格式通常如下

<metric name>{<label name>=<label value>, ...}

# 同一个数据 两个表达方式
api_http_requests_total{method="POST", handler="/messages"}

{__name__="api_http_requests_total"，method="POST", handler="/messages"}

指标类型

Prometheus 的数据均以时序数据(time-serries)的形式保存在TSDB。这些指标也有这细微的差别，有的为固定值，有的为持续增大等。因此Prometheus定义了四个不同的指标类型，Counter（计数器）、Gauge（仪表盘）、Histogram（直方图）、Summary（摘要）。或这样理解

• Counter: 只增不减的单变量
• Gauge：可增可减的单变量
• Histogram：多桶统计的多变量
• Summary：聚合统计的多变量

Counter

只增不减。如常见的http_requests_total，若非系统重置，永远增加。（如自定义Counter类型指标时，建议使用_total结尾）

counter类型，结合时序数据的特点，非常容易就能记录时间发生的次数，了解趋势喝概率，比如

• 请求的数量
• 任务完成的数量
• 函数调用次数
• 错误发生次数
  ...

例，通过rate()函数获取HTTP请求量的增长率：

rate(http_requests_total[5m])

查询当前系统中，访问量前10的HTTP地址：

topk(10, http_requests_total)

Gauge

可增可减的数据，比如常见可用内存，已用内存等，均为gauge类型。比如： :node_memory_MemFree_bytes

对于 gauge类型的数据，可以通过内置的函数，获取指定指定时间范围的内数据，用来做计算，比如求平均值，求差，甚至趋势预测等,比如

• 温度
• 内存用量
• 并发请求数
  ...

使用predict_linear()对数据的变化趋势进行预测。例如，预测空闲内存，在4小时后的情况

Histogram

Histogram主用于统计和分析样本的分布情况。会对观测数据取样，然后将观测数据放入有数值上界的桶中，并记录各桶中数据的个数，所有数据的个数和数据数值总和。

以系统 API 调用的平均响应时间为例：如果大多数 API 请求都维持在 100ms 的响应时间范围内，而个别请求的响应时间需要 5s，那么就会导致某些 WEB 页面的响应时间落到中位数的情况，而这种现象被称为长尾问题。

为了区分是平均的慢还是长尾的慢，最简单的方式就是按照请求延迟的范围进行分组。例如，统计延迟在 0~10ms 之间的请求数有多少而 10~20ms 之间的请求数又有多少。通过这种方式可以快速分析系统慢的原因。Histogram 和 Summary 都是为了能够解决这样问题的存在，通过 Histogram 和 Summary 类型的监控指标，我们可以快速了解监控样本的分布情况。

Histogram 类型的样本会提供三种指标：

• 样本的值分布在 bucket 中的数量，命名为 _bucket{le="<上边界>"}。解释的更通俗易懂一点，这个值表示指标值小于等于上边界的所有样本数量。

• 所有样本值的大小总和，命名为 _sum。
• 样本总数，命名为 _count。值和 _bucket{le="+Inf"} 相同。

Summary

与 Histogram 类型类似，用于表示一段时间内的数据采样结果（通常是请求持续时间或响应大小等），但它直接存储了分位数（通过客户端计算，然后展示出来），而不是通过区间来计算。

summary的指标也分为三类（括号内以http请求为例）

• 样本总数，命名为 _count 。（一共发生了x次请求）
• 所有样本值的大小总和，命名为 _sum。 （x次的请求响应总和为多少）
• 样本值的分位数分布情况{quantile="分位数"} （有多少请求的响应，是在x毫秒）

---