Prometheus Metrics 设计的最佳实践和应用实例，看这篇够了！

作者 | 朱瑜坚 腾讯云后台开发工程师

Prometheus 是一个开源的监控解决方案，部署简单易使用，难点在于如何设计符合特定需求的 Metrics 去全面高效地反映系统实时状态，以助力故障问题的发现与定位。本文即基于最佳实践的 Metrics 设计方法，结合具体的场景实例——TKE 的网络组件 IPAMD 的内部监控，以个人实践经验谈一谈如何设计和实现适合的、能够更好反映系统实时状态的监控指标（Metrics）。该篇内容适于 Prometheus 或相关监控系统的初学者(可无任何基础了解)，以及近期有 Prometheus 监控方案搭建和维护需求的系统开发管理者。通过这篇文章，可以加深对 Prometheus Metrics 的理解，并能针对实际的监控场景提出更好的指标（Metrics）设计。

目录

1. 引言
2. Prometheus Metris Type 简介
   • 2.1 Counter
   • 2.2 Gauge
   • 2.3 Histogram
   • 2.4 Summary
   • 2.5 Histogram 和 Summary 简单对比
3. Metrics 设计的最佳实践
   • 3.1 如何确定需要测量的对象
   • 3.2 何时选用 Vector
   • 3.3 如何确定 Label
   • 3.4 如何命名 Metrics 和 Label
   • 3.5 如何设计适宜的 Buckets
4. 实例：TKE-ENI-IPAMD Metrics 设计与规划
   • 4.1 IPAMD 组件简介
   • 4.2 IPAMD 的使用场景和我们的需求
   • 4.3 总体设计
   • 4.4 Summary vs. Histogram
   • 4.5 Metrics 规划示例
5. 指标收集的 Golang 实现方案
   • 5.1 总体实现思路
   • 5.2 Metrics 收集方案
   • 5.3 目前 IPAMD 的收集方案
6. 总结

1 引言

Prometheus 是一个开源的监控解决方案，它能够提供监控指标数据的采集、存储、查询以及监控告警等功能。作为云原生基金会(CNCF)的毕业项目，Prometheus 已经在云原生领域得到了大范围的应用，并逐渐成为了业界最流行的监控解决方案之一。

Prometheus 的部署和使用可以说是简单易上手，但是如何针对实际的问题和需求设计适宜的 Metrics 却并不是那么直接可行，反而需要优先解决暴露出来的诸多不确定问题，比如何时选用 Vector，如何设计适宜的 buckets，Summary 和 Histogram 指标类型的取舍等。然而，要想有效助力故障及问题的发现与定位，必须要有一个合理有效的 Metrics 去全面高效地反映系统实时状态。

本文将介绍基于最佳实践的 Metrics 设计方法，并结合具体的场景实例——TKE 的网络组件 IPAMD 的内部监控，以个人实践经验谈一谈如何设计和实现适合的、能够更好反映系统实时状态的监控指标(Metrics)。

本文之后的第 2 节将对 Prometheus 的 Metrics 做简单的介绍，对此已有了解的读者可跳过。之后第 3 节将介绍 Metrics 设计的最佳实践。第 4 节将结合具体的实例应用相关设计方法。第 5 节将介绍 Golang 上指标收集的实现方案。

2 Prometheus Metrics Type 简介

Prometheus Metrics 是整个监控系统的核心，所有的监控指标数据都由其记录。Prometheus 中，所有 Metrics 皆为时序数据，并以名字作区分，即每个指标收集到的样本数据包含至少三个维度的信息：名字、时刻和数值。

而 Prometheus Metrics 有四种基本的 type：

• 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

此外，Prometheus Metrics 中有一种将样本数据以标签（Label）为维度作切分的数据类型，称为向量(Vector)。四种基本类型也都有其 Vector 类型：

• CounterVec
• GaugeVec
• HistogramVec
• SummaryVec

Vector 相当于一组同名同类型的 Metrics，以 Label 做区分。Label 可以有多个，Prometheus 实际会为每个 Label 组合创建一个 Metric。Vector 类型记录数据时需先打 Label 才能调用 Metrics 的方法记录数据。

如对于 HTTP 请求延迟这一指标，由于 HTTP 请求可在多个地域的服务器处理，且具有不同的方法，于是，可定义名为 http_request_latency_seconds 的 SummaryVec，标签有region和method，以此表示不同地域服务器的不同请求方法的请求延迟。

以下将对每个类型做详细的介绍。

>>>>

2.1 Counter

• 定义：是单调递增的计数器，重启时重置为0，其余时候只能增加。

方法：
type Counter interface {
  Metric
  Collector

 // 自增1
  Inc()
 // 把给定值加入到计数器中. 若值小于 0 会 panic
  Add(float64)
}

• 常测量对象：
  • 请求的数量
  • 任务完成的数量
  • 函数调用次数
  • 错误发生次数
  • ...

>>>>

2.2 Gauge

• 定义：表示一个可增可减的数字变量，初值为0

方法：
type Gauge interface {
  Metric
  Collector
  Set(float64)    // 直接设置成给定值
  Inc()   // 自增1
  Dec()   // 自减1
  Add(float64)     // 增加给定值，可为负
  Sub(float64)    // 减少给定值，可为负
 // SetToCurrentTime 将 Gauge 设置成当前的 Unix 时间戳
  SetToCurrentTime()
}

• 常测量对象：
  • 温度
  • 内存用量
  • 并发请求数
  • ...

>>>>

2.3 Histogram

• 定义：Histogram 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。

方法：
type Histogram interface {
  Metric
  Collector

 // Observe 将一个观测到的样本数据加入 Histogram 中，并更新相关信息
  Observe(float64)
}

• 常测量对象：
  • 请求时延
  • 回复长度
  • ...各种有样本数据
• 具体实现：Histogram 会根据观测的样本生成如下数据： inf 表无穷值，a1,a2,...是单调递增的数值序列。
  • [basename]_count: 数据的个数，类型为 counter
  • [basename]_sum: 数据的加和，类型为 counter
  • [basename]_bucket{le=a1}: 处于[-inf,a1]的数值个数
  • [basename]_bucket{le=a2}: 处于[-inf,a2]的数值个数
  • ...
  • [basename]_bucket{le=<+inf>}：处于[-inf,+inf]的数值个数，prometheus默认额外生成，无需用户定义
• Histogram 可以计算样本数据的百分位数，其计算原理为：通过找特定的百分位数值在哪个桶中，然后再通过插值得到结果。比如目前有两个桶，分别存储了[-inf, 1]和[-inf, 2]的数据。然后现在有20%的数据在[-inf, 1]的桶，100%的数据在[-inf, 2]的桶。那么，50%分位数就应该在[1, 2]的区间中，且处于(50%-20%) / (100%-20%) = 30% / 80% = 37.5% 的位置处。Prometheus计算时假设区间中数据是均匀分布，因此直接通过线性插值可以得到 (2-1)*3/8+1 = 1.375.

>>>>

2.4 Summary

• 定义：Summary 与 Histogram 类似，会对观测数据进行取样，得到数据的个数和总和。此外，还会取一个滑动窗口，计算窗口内样本数据的分位数。

方法：
type Summary interface {
  Metric
  Collector

 // Observe 将一个观测到的样本数据加入 Summary 中，并更新相关信息
  Observe(float64)
}

• 常测量对象：
  • 请求时延
  • 回复长度
  • ...各种有样本数据
• 具体实现：Summary 完全是在client端聚合数据，每次调用 obeserve 会计算出如下数据：
  • [basename]_count: 数据的个数，类型为 counter
  • [basename]_sum: 数据的加和，类型为 counter
  • [basename]{quantile=0.5}: 滑动窗口内 50% 分位数值
  • [basename]{quantile=0.9}: 滑动窗口内 90% 分位数值
  • [basename]{quantile=0.99}: 滑动窗口内 99% 分位数值
  • ...

实际分位数值可根据需求制定，且是对每一个 Label 组合做聚合。

>>>>

2.5 Histogram 和 Summary 简单对比

可以看出，Histogram 和 Summary 类型测量的对象是比较接近的，但根据其实现方式和其本身的特点，在性能耗费、适用场景等方面具有一定差别，本文总结如下：

3 Metrics 设计的最佳实践

>>>>

3.1 如何确定需要测量的对象

在具体设计 Metrics 之前，首先需要明确需要测量的对象。需要测量的对象应该依据具体的问题背景、需求和需监控的系统本身来确定。

思路1：从需求出发

Google 针对大量分布式监控的经验总结出四个监控的黄金指标，这四个指标对于一般性的监控测量对象都具有较好的参考意义。这四个指标分别为：

• 延迟：服务请求的时间。
• 通讯量：监控当前系统的流量，用于衡量服务的容量需求。
• 错误：监控当前系统所有发生的错误请求，衡量当前系统错误发生的速率。
• 饱和度：衡量当前服务的饱和度。主要强调最能影响服务状态的受限制的资源。例如，如果系统主要受内存影响，那就主要关注系统的内存状态。

而笔者认为，以上四种指标，其实是为了满足四个监控需求：

• 反映用户体验，衡量系统核心性能。如：在线系统的时延，作业计算系统的作业完成时间等。
• 反映系统的服务量。如：请求数，发出和接收的网络包大小等。
• 帮助发现和定位故障和问题。如：错误计数、调用失败率等。
• 反映系统的饱和度和负载。如：系统占用的内存、作业队列的长度等。

除了以上常规需求，还可根据具体的问题场景，为了排除和发现以前出现过或可能出现的问题，确定相应的测量对象。比如，系统需要经常调用的一个库的接口可能耗时较长，或偶有失败，可制定 Metrics 以测量这个接口的时延和失败数。

思路2：从需监控的系统出发

另一方面，为了满足相应的需求，不同系统需要观测的测量对象也是不同的。在 官方文档 的最佳实践中，将需要监控的应用分为了三类：

• 线上服务系统（Online-serving systems）：需对请求做即时的响应，请求发起者会等待响应。如 web 服务器。
• 线下计算系统（Offline processing）：请求发起者不会等待响应，请求的作业通常会耗时较长。如批处理计算框架 Spark 等。
• 批处理作业（Batch jobs）：这类应用通常为一次性的，不会一直运行，运行完成后便会结束运行。如数据分析的 MapReduce 作业。

对于每一类应用其通常情况下测量的对象是不太一样的。其总结如下：

• 线上服务系统：主要有请求、出错的数量，请求的时延等。
• 线下计算系统：最后开始处理作业的时间，目前正在处理作业的数量，发出了多少 items， 作业队列的长度等。
• 批处理作业：最后成功执行的时刻，每个主要 stage 的执行时间，总的耗时，处理的记录数量等。

除了系统本身，有时还需监控子系统：

• 使用的库（Libraries）: 调用次数，成功数，出错数，调用的时延。
• 日志（Logging）：计数每一条写入的日志，从而可找到每条日志发生的频率和时间。
• Failures: 错误计数。
• 线程池：排队的请求数，正在使用的线程数，总线程数，耗时，正在处理的任务数等。
• 缓存：请求数，命中数，总时延等。
• ...

最后的测量对象的确定应结合以上两点思路确定。

>>>>

3.2 如何选用 Vector

选用 Vec 的原则：

• 数据类型类似但资源类型、收集地点等不同
• Vec 内数据单位统一

例子：

• 不同资源对象的请求延迟
• 不同地域服务器的请求延迟
• 不同 http 请求错误的计数
• ...

此外，官方文档 中建议，对于一个资源对象的不同操作，如 Read/Write、Send/Receive， 应采用不同的 Metric 去记录，而不要放在一个 Metric 里。原因是监控时一般不会对这两者做聚合，而是分别去观测。

不过对于 request 的测量，通常是以 Label 做区分不同的 action。

>>>>

3.1 如何确定 Label

根据3.2，常见 Label 的选择有：

• resource
• region
• type
• ...

确定 Label 的一个重要原则是：同一维度 Label 的数据是可平均和可加和的，也即单位要统一。如风扇的风速和电压就不能放在一个 Label 里。

此外，不建议下列做法：

my_metric{label=a} 1
my_metric{label=b} 6
my_metric{label=total} 7

即在 Label 中同时统计了分和总的数据，建议采用 PromQL 在服务器端聚合得到总和的结果。或者用另外的 Metric 去测量总的数据。

>>>>

3.4 如何命名 Metrics 和 Label

好的命名能够见名知义，因此命名也是良好设计的一环。

Metric 的命名：

• 需要符合 pattern: [a-zA-Z:][a-zA-Z0-9:]*
• 应该包含一个单词作为前缀，表明这个 Metric 所属的域。如：
  • prometheus_notifications_total
  • process_cpu_seconds_total
  • ipamd_request_latency
• 应该包含一个单位的单位作为后缀，表明这个 Metric 的单位。如：
  • http_request_duration_seconds
  • node_memory_usage_bytes
  • http_requests_total (for a unit-less accumulating count)
• 逻辑上与被测量的变量含义相同。
• 尽量使用基本单位，如 seconds，bytes。而不是 Milliseconds, megabytes。

Label 的命名：

• 依据选择的维度命名，如：
  • region: shenzhen/guangzhou/beijing
  • owner: user1/user2/user3
  • stage: extract/transform/load

>>>>

3.5 如何设计适宜的 Buckets

根据前述 histogram 的统计原理可知，适宜的 buckets 能使 histogram 的百分位数计算更加准确。

理想情况下，桶会使得数据分布呈阶梯状，即各桶区间内数据个数大致相同。如图1所示，是本人在实际场景下配置的buckets 数据直方图，y 轴为 buckets 内的数据个数，x 轴是各 buckets，可以看出其近似成阶梯状。这种情况下，当前桶个数下对数据的分辨率最大，各百分位数计算的准确率较高。

图1 较为理想的桶数据分布

而根据笔者实践经验，为了达成以上目标，buckets 的设计可遵从如下经验：

• 需要知道数据的大致分布，若事先不知道可先用默认桶 （{.005, .01, .025, .05, .1, .25, .5, 1, 2.5, 5, 10}）或 2 倍数桶（{1,2,4,8...}）观察数据分布再调整 buckets。
• 数据分布较密处桶间隔制定的较窄一些，分布稀疏处可制定的较宽一些。
• 对于多数时延数据，一般具有长尾的特性，较适宜用指数形式的桶（ExponentialBuckets）。
• 初始桶上界一般覆盖10%左右的数据，若不关注头部数据也可以让初始上界更大一些。
• 若为了更准确计算特定百分位数，如90%，可在90%的数据处加密分布桶，即减少桶的间隔。

4 实例：TKE-ENI-IPAMD Metrics 设计与规划

>>>>

4.1 组件简介

该组件用于支持腾讯云 TKE 的策略路由网络方案。在这一网络方案中，每个 pod 的 IP 都是 VPC 子网的一个IP，且绑定到了所在节点的弹性网卡上，通过策略路由连通网络，并且使得容器可以支持腾讯云的 VPC 的所有特性。

其中，在 2.0.0 版本以前，tke-eni-ipamd 组件是一个 IP 分配管理的 GRPC Server，其主要职责为:

• cni IP 真正分配/删除的 GRPC Server，分配/释放 IP 会调用腾讯云弹性网卡接口执行相应的 IP 绑定/解绑操作
• Node 控制器（用于给 Node 绑定/解绑弹性网卡）
• Stateulfset 控制器（用于给 Statefulset 预留 IP 资源）

其工作原理和流程如图 2 所示：

图2 tke-eni-ipamd(v2.0.0-) 工作原理和流程

>>>>

4.2 IPAMD 的使用场景和我们的要求

背景：

• ip 分配/释放对时延比较敏感，为了方便确定 ip 分配/释放过程中性能瓶颈是由我们自身代码造成的还是底层模块造成的（如 ipamd 调用的 vpc 接口等）。同时也方便对我们的代码和推进底层模块的性能优化。
• ipamd 运行过程中可能会出现故障等问题，为了及时发现故障，定位问题，也需要有内部监控。

需求：

• 需要能够统计 ip 分配和释放各个阶段的时延，以确定性能瓶颈
• 需要知道当前的并发请求数，以确定 IPAMD 负载
• vpc 接口 ip分配/释放，弹性网卡创建/绑定/解绑/释放耗时比较长，并且经常有失败情况。需要能够统计这些接口的时延和调用成功率，以定位性能瓶颈。
• node controller，statefulset controller 进行 sync 阶段会有一系列流程，希望能清楚主要流程耗时，方便定位瓶颈
• 弹性网卡的创建/删除等过程中容易产生脏数据，需要能够统计脏数据的个数，以发现脏数据问题。
• 需要有较强的实时性，能够清楚的看到最近（~分钟级别）系统的运行状态

我们的场景：

• ipamd 是部署在每个用户集群中的一个组件
• 每个用户集群内有 prometheus server 做聚合，然后每个 region 也有 server 去拉取数据

>>>>

4.3 总体设计

因此，需要以下几类 Metric：

• ip alloc/free 各阶段时延
• 基本运行信息：请求并发数、内存用量、goroutine 数，线程数
• vpc 接口时延
• vpc 接口调用成功率
• controller sync 时延
• 脏数据计数

>>>>

4.4 Histogram vs. Summary

时延可选择 Histogram 或 Summary 进行测量，如何选择？

基于 2.5 节的两者对比，有如下分析：

Summary:

• 优点：
  1. 能够非常准确的计算百分位数
  2. 不需要提前知道数据的分布
• 缺点：
  1. 灵活性不足，实时性需要通过 maxAge 来保证，写死了后灵活性就不太够（比如想知道更长维度的百分位数）
  2. 在 client 端已经做了聚合，即在各个用户集群的 ipamd 中已经聚合了，我们如果需要观察全部 user 下的百分位数数据是不行的（只能看均值）
  3. 用户集群的 ipamd 的调用频率可能很低（如小集群或者稳定集群），这种情况下 client 端聚合计算百分位数值失去意义（数据太少不稳定），如果把 maxAge 增大则失去实时性

Histogram:

• 优点：
  1. 兼具灵活性和实时性
  2. 可以灵活的聚合数据，观察各个尺度和维度下的数据
• 缺点：
  1. 需要提前知道数据的大致分布，并以此设计出合适而准确的桶序列
  2. 难以通过 Label 串联多种 Metrics，因为各个 Metrics 的数据分布可能差异较大，如果都只用一种桶序列的话会导致百分位数计算差异较大

Summary 的缺点过于致命，难以回避。Histogram 的缺点可以通过增加工作量（即通过测试环境中的实验来确定各 Metrics 的大致分布）和增加 Metrics（不用 Label 区分）来较好解决。

所以倾向于使用 Histogram。

>>>>

4.5 Metrics 规划示例

详细的 Metrics 规划内容较多，这里选取了一些代表性的样例，列举如下：

注1：DefBuckets指默认桶 （{.005, .01, .025, .05, .1, .25, .5, 1, 2.5, 5, 10}）。

注2：以上 buckets 持续微调中。

5 指标收集的 Golang 实现方案

>>>>

5.1 总体实现思路

• 利用 prometheus 的 golang client 实现自定义的 exporter（包括自定义的 Metrics ），并嵌入到 ipamd 代码中，以收集数据
• 所有的 Metrics 作为 Metrics 包的外部变量可供其他包使用，调用测量方法
• 自定义 exporter 参考 prometheus client golang example
• 将收集到的数据通过 http server 暴露出来

>>>>

5.2 Metrics 收集方案

方案1：非侵入式装饰器模式

样例: kubelet/kuberuntime/instrumented_services.go

type instrumentedRuntimeService struct {
    service internalapi.RuntimeService
}
func recordOperation(operation string, start time.Time) {
    metrics.RuntimeOperations.WithLabelValues(operation).Inc()
    metrics.DeprecatedRuntimeOperations.WithLabelValues(operation).Inc()
    metrics.RuntimeOperationsDuration.WithLabelValues(operation).Observe(metrics.SinceInSeconds(start))
    metrics.DeprecatedRuntimeOperationsLatency.WithLabelValues(operation).Observe(metrics.SinceInMicroseconds(start))
}
func (in instrumentedRuntimeService) Status() (*runtimeapi.RuntimeStatus, error) {
    const operation = "status"
    defer recordOperation(operation, time.Now())

    out, err := in.service.Status()
    recordError(operation, err)
    return out, err
}

优点：

• 上层调用函数处几乎不用修改，只需修改调用的实例
• 抽象较好，非侵入式设计，代码耦合度低

缺点：

• 需单独封装每个调用函数，复用度低
• 无法封装内部函数，只能适用于测量对外服务函数的数据

方案2：defer 函数收集

样例：

func test() (retErr error){
    defer func(){
        metrics.LatencySeconds.Observe(...)
    }()

    ...
    func body
    ...
}

优点：

• 上层调用函数处完全不用修改
• 适用于所有函数的测量

缺点：

• 有点滥用 defer
• 侵入式设计，具有一定的耦合度

>>>>

5.3 目前 IPAMD 的指标收集实现方案

• 时延统计：通过 golang 的 time 模块计时，在函数中嵌入 time.Now 和并在其后 defer time.Since 来统计。
• 调用成功率统计：调用次数在接口函数里直接用 counter 进行统计，失败次数在defer里获取命名返回值统计，最后在 prometheus server 端聚合的时候通过 PromQL 利用这两个数据计算出调用成功率。
• 并发请求数的统计：在最外层的 AddPodIP 和 DelPodIP 中，在函数中和 defer func 中分别调用Inc和Dec。

6 总结

本文介绍了 Prometheus Metrics 及最佳实践的 Metrics 设计和收集实现方法，并在具体的监控场景—— TKE 的网络组件 IPAMD 的内部监控中应用了相关方法。

具体而言，本文基于最佳实践，回答了 Prometheus Metrics 设计过程中的若干问题：

• 如何确定需要测量的对象：依据需求(反映用户体验、服务量、饱和度和帮助发现问题等)和需监控的具体系统。
• 何时选用 Vec：数据类型类似但资源类型、收集地点等不同，数据单位统一。
• 如何确定 Label：可平均和可加和的，单位要统一；总和数据另外计。
• 如何命名 Metrics 和 Label：见名知义，应包含监控的系统名/模块名，指标名，单位等信息。
• 如何设计适宜的 Buckets：依据数据分布制定，密集部分桶区间较窄，总体桶分布尽量接近阶梯状。
• 如何取舍 Histogram 和 Summary：Histogram 计算误差大，但灵活性较强，适用客户端监控、或组件在系统中较多、或不太关心精确的百分位数值的场景；Summary 计算精确，但灵活性较差，适用服务端监控、或组件在系统中唯一或只有个位数、或需要知道较准确的百分位数值(如性能优化场景)的场景。

此外，Metrics 设计并不是一蹴而就的，需依据具体的需求的变化进行反复迭代。比如需新增 Metrics 去发现定位可能出现的新问题和故障，再比如 Buckets 的设计也需要变化来适应测量数据分布发生的变化，从而获得更精确的百分位数测量值。

参考资料

Prometheus 官方文档 ：https://prometheus.io/docs/introduction/overview/
Prometheus Go client library：https://github.com/prometheus/client_golang