prometheus两种分位值histogram和summary对比histogram线性插值法原理
前言
- prometheus官方文档中对于两种类型的对比说明
- 下面我总结一些对比点
histogram 线性插值法
histogram_quantile为何需要先算rate
- 因为每个bucket都是
counter型的，如果不算rate那么分位值的结果曲线是一条直线 - 原理是因为
counter型累加，不算rate并不知道当前bucket的增长情况，换句话说不知道这些bucket是多久积攒到现在这个值的
什么是线性插值法
- 之前阅读很多文章都提到
histogram采用线性插值法计算分位值会导致一定的误差 - 对这个
线性插值法总是理解的不到位 - 在查看完代码之后明白了
代码分析
- 代码位置：
D:\work\go_work\pkg\mod\github.com\prometheus\prometheus@v0.0.0-20201209205804-66f47e116e00\promql\quantile.go
bucket数据结构
- 其中
bucket代表事先定义好的bucket upperBound代表这个bucket的上限值count代表这个小于等于这个upperBound的个数/次数workqueue_work_duration_seconds_bucket{name="crd_openapi_controller",le="10"} 65246- 所以上述表达式含义为
workqueue_work_duration_seconds小于10秒的有65246个
type bucket struct {
upperBound float64
count float64
}
type buckets []bucket
func (b buckets) Len() int { return len(b) }
func (b buckets) Swap(i, j int) { b[i], b[j] = b[j], b[i] }
func (b buckets) Less(i, j int) bool { return b[i].upperBound < b[j].upperBound }核心计算函数
- 核心函数如下
func bucketQuantile(q float64, buckets buckets) float64 {
if q < 0 {
return math.Inf(-1)
}
if q > 1 {
return math.Inf(+1)
}
sort.Sort(buckets)
if !math.IsInf(buckets[len(buckets)-1].upperBound, +1) {
return math.NaN()
}
buckets = coalesceBuckets(buckets)
ensureMonotonic(buckets)
if len(buckets) < 2 {
return math.NaN()
}
observations := buckets[len(buckets)-1].count
if observations == 0 {
return math.NaN()
}
rank := q * observations
b := sort.Search(len(buckets)-1, func(i int) bool { return buckets[i].count >= rank })
if b == len(buckets)-1 {
return buckets[len(buckets)-2].upperBound
}
if b == 0 && buckets[0].upperBound <= 0 {
return buckets[0].upperBound
}
var (
bucketStart float64
bucketEnd = buckets[b].upperBound
count = buckets[b].count
)
if b > 0 {
bucketStart = buckets[b-1].upperBound
count -= buckets[b-1].count
rank -= buckets[b-1].count
}
sql:=fmt.Sprintf("%v+(%v-%v)*(%v/%v)",
bucketStart,
bucketEnd,
bucketStart,
rank,
count,
)
log.Println(sql)
return bucketStart + (bucketEnd-bucketStart)*(rank/count)
}- 我们现在有这些数据，然后求75分位值
a := []bucket{
{upperBound: 0.05, count: 199881},
{upperBound: 0.1, count: 212210},
{upperBound: 0.2, count: 215395},
{upperBound: 0.4, count: 319435},
{upperBound: 0.8, count: 419576},
{upperBound: 1.6, count: 469593},
{upperBound: math.Inf(1), count: 519593},
}
q75 := bucketQuantile(0.75, a)- 其计算逻辑为：根据记录总数和分位值求目标落在第几个bucket段
b - 根据
b得到起始bucket大小bucketStart,终止bucket大小bucketStart，本bucket宽度 ，本bucket记录数 - 根据本段记录数和分位值算出目标分位数在本bucket排行
rank - 最终的计算方式为
分位值=起始bucket大小+(本bucket宽度)*(目标分位数在本bucket排行/本bucket记录数) - 换成本例中：
q75=0.4+(0.8-0.4)*(70259.75/100141) = 0.6806432929569308
2021/02/02 19:08:55 记录总数 = 519593
2021/02/02 19:08:55 目标落在第几个bucket段= 4
2021/02/02 19:08:55 起始bucket大小= 0.4
2021/02/02 19:08:55 终止bucket大小= 0.8
2021/02/02 19:08:55 本bucket宽度= 0.4
2021/02/02 19:08:55 本bucket记录数= 100141
2021/02/02 19:08:55 目标分位数在本bucket排行= 70259.75
2021/02/02 19:08:55 分位值=起始bucket大小+(本bucket宽度)*(目标分位数在本bucket排行/本bucket记录数)
2021/02/02 19:08:55 0.4+(0.8-0.4)*(70259.75/100141) = 0.6806432929569308
那线性插值法的含义体现在哪里呢
- 就是这里
本bucket宽度*(目标分位数在本bucket排行/本bucket记录数) - 有个假定：样本数据这个目标bucket中按照平均间隔均匀分布
- 举例 100141个样本在0.4-0.8 bucket中均匀分布
- 如果真实值分布靠近0.4一些，则计算出的值偏大
- 如果真实值分布靠近0.8一些，则计算出的值偏小
- 这就是线性插值法的含义
histogram 高基数问题
- 具体可以看我之前写的文章prometheus高基数问题和其解决方案
危害在哪里
- 一个高基数的查询会把存储打挂
- 一个50w基数查询1小时数据内存大概的消耗为1G，再叠加cpu等消耗
为何会出现
- label乘积太多 ，比如bucket有50种，再叠加4个10种的业务标签，所以总基数为
50*10*10*10*10=50w
summary 流式聚合
一个qps为1万的http服务接口的分位值如何计算
- 假设以1秒为窗口拿到1万个请求的响应时间，排序算分位值即可
- 但是1秒窗口期内，快的请求会多，慢的请求会少
- 原理分析：说来惭愧，没看太明白，但是可以确定就是hold一段时间的点计算的
- 感兴趣的可以自己研究下
D:\work\go_work\pkg\mod\github.com\prometheus\client_golang@v1.9.0\prometheus\summary.go
编辑于 2021-02-02 20:18
