Metrics Types - Prometheus

https://prometheus.io/docs/concepts/metric_types

Prometheus 时序数据分为 Counter, Gauge, Histogram, Summary 四种类型。

Counter

Counter 表示收集的数据是按照时间推移不断累加变化的，我们往往用它记录服务请求总量、错误总数等。

例如 Prometheus server 中 http_requests_total, 表示 Prometheus 处理的 http 请求总数，我们可以使用 rate, 很容易得到任意区间数据的均值，这个会在 PromQL 一节中细讲。

Gauge

Gauge 表示采集的数据是一个瞬时值，时间前后没有关联，可以任意变化（忽高忽低），比如可以用来记录内存、磁盘使用量。

例如 Prometheus server 中 go_goroutines, 表示 Prometheus 当前 goroutines 的数量。

Histogram

Histogram 由 <basename>_bucket{le="<upper inclusive bound>"}，<basename>_bucket{le="+Inf"}, <basename>_sum，<basename>_count 组成，主要对采样的数据（例如请求耗时或响应大小）按照预设的 bucket（统计区间）进行累计，然后针对某个时间范围统计区间的变化情况，可以很方便得出指标的分位值，例如我们可以用它来计算最近5分钟请求耗时的95峰值。

例如 Prometheus server 中 prometheus_http_request_duration_seconds, 表示 Prometheus HTTP 请求耗时，我们可以用它计算耗时的分位数。

Summary

Summary 和 Histogram 类似，由 <basename>{quantile="<φ>"}，<basename>_sum，<basename>_count 组成，主要用于表示一段时间内数据采样结果（通常是请求持续时间或响应大小），它直接存储了 quantile 数据，而不是根据统计区间计算出来的。

例如 Prometheus server 中 prometheus_target_interval_length_seconds。

Histogram vs Summary

都包含 <basename>_sum，<basename>_count。
Histogram 需要通过 <basename>_bucket 设定分布实时计算 quantile, 而 Summary 直接存储了 quantile 的值。
真实应用场景中，大家使用 Histogram 更多一些。

AI 总结

Counter (计数器)：

特性：只增不减，表示某个事件发生的次数。
用途：适用于记录如请求数、错误数等统计信息。

示例：

http_requests_total := prometheus.NewCounterVec(
    prometheus.CounterOpts{
        Name: "http_requests_total",
        Help: "Total number of HTTP requests.",
    },
    []string{"method", "status"},
)

Gauge (仪表)：

特性：可以随时增加或减少，表示一个特定的值。
用途：适用于记录如内存使用量、当前活动用户数等动态的信息。

示例：

memory_usage := prometheus.NewGaugeVec(
    prometheus.GaugeOpts{
        Name: "memory_usage",
        Help: "Current memory usage.",
    },
    []string{"application"},
)

Histogram (直方图)：

特性：用来统计值的分布，持有桶（buckets），可以观察到数值的分布情况以及总数。
用途：适用于记录与请求处理时间等相关的分布情况。

示例：

request_duration := prometheus.NewHistogramVec(
    prometheus.HistogramOpts{
        Name: "request_duration_seconds",
        Help: "Histogram of response durations.",
        Buckets: prometheus.DefBuckets,
    },
    []string{"method"},
)

Summary (摘要)：

特性：类似于直方图，提供数据的特定分位数（percentiles）以及总体总数。
用途：适用于需要计算特定分位（如中位数、百分位等）的场景。

示例：

request_duration_summary := prometheus.NewSummaryVec(
    prometheus.SummaryOpts{
        Name: "request_duration_summary",
        Help: "Summary of response durations.",
        Objectives: map[float64]float64{
            0.5: 0.05, // 50th percentile
            0.9: 0.01, // 90th percentile
        },
    },
    []string{"method"},
)

metrics raw output

# HELP http_requests_total Total number of HTTP requests
# TYPE http_requests_total counter
http_requests_total 12

# HELP http_active_connections Current number of active HTTP connections
# TYPE http_active_connections gauge
http_active_connections 1

# HELP http_response_time_seconds Histogram of HTTP response time
# TYPE http_response_time_seconds histogram
http_response_time_seconds_bucket{le="0.001"} 0
http_response_time_seconds_bucket{le="0.01"} 1
http_response_time_seconds_bucket{le="0.1"} 10
http_response_time_seconds_bucket{le="1"} 11
http_response_time_seconds_bucket{le="2"} 11
http_response_time_seconds_bucket{le="3"} 11
http_response_time_seconds_bucket{le="5"} 11
http_response_time_seconds_bucket{le="+Inf"} 11
http_response_time_seconds_sum 0.2799697239999999
http_response_time_seconds_count 11

# HELP http_response_time_summary Summary of HTTP response time
# TYPE http_response_time_summary summary
http_response_time_summary{quantile="0.5"} 0.013999999999999999
http_response_time_summary{quantile="0.9"} 0.07140000000000003
http_response_time_summary{quantile="0.99"} 0.117
http_response_time_summary_sum 0.2970000000000001
http_response_time_summary_count 11

Lintao's skill map

Explorer