考察点:Counter/Gauge/Histogram/Summary 的语义、聚合能力差异、P99 计算。监控基础但常被答错。
要点:
1. Counter(计数器):只增不减(进程重启归零)。必须配合 rate()/increase() 才有意义。适合请求总数、错误数、处理字节数。禁止用它表达「当前值」(如在线人数),也不要用它做「减少」语义(那是 Gauge);
2. Gauge(瞬时值):可增可减,直接读当前值。适合内存占用、CPU 使用率、队列长度、连接数、温度。
3. Histogram(直方图):把观测值落到预定义的 bucket(le 标签)里,同时给出 _sum 与 _count。桶边界在客户端侧固定,服务端可以对多个实例的桶直接相加聚合,再用 histogram_quantile() 算分位数;
4. Summary(摘要):客户端直接计算分位数(如 p50/p90/p99)并暴露,另有 _sum/_count。
- Summary 的分位数无法聚合——每个实例算自己的 p99,跨实例求平均或求和都是错的(1 个实例的 p99 是 100ms、另一个是 200ms,平均成 150ms 没有意义,真实全局 p99 可能是 190ms+)。而 Histogram 的桶可以先跨实例求和再算分位数,这对「一个服务多副本」的常态是刚需;
- Summary 的精度不可调(分位数在客户端固定,改了要重启);Histogram 的桶边界可以按经验调整,配合 histogram_quantile(0.99, rate(...)) 在查询时灵活求任意分位;
- 代价:Histogram 的桶边界选错会导致误差大(桶太粗),且桶数量带来的时间序列基数要控制;Summary 更省序列但牺牲了聚合能力。
histogram_quantile() 得到的是近似值(在桶内线性插值)——最大值受最后一个桶的上界限制(如果最后一个桶是 le="10",那算出的 p99 不可能超过 10)。所以经验法则:最后一个桶应设为「业务上可接受的最坏值」的上界(如 +Inf 之外再设一个 30s),否则 P99 会失真。- 求和/计数类 → Counter;
- 瞬时状态 → Gauge;
- 延迟分布、响应大小分布(需要跨实例聚合、需要任意分位)→ Histogram(默认选择);
- 极少数「无法预设桶边界、且不需要跨实例聚合」的场景(如高度动态的量级)才考虑 Summary。
- 减少时间序列基数(Cardinality)是 Prometheus 的头号运营问题——绝不要把用户 ID、请求 ID、完整 URL、订单号放进标签。标签只放可枚举、低基数的值(服务名、方法、状态码、路由模板而不是原始路径);
- Counter 的常见错误:用 increase() 算「每小时」时注意它是一个区间函数,且进程重启会导致负值(Prometheus 有重启检测修正,但不总是可靠)——用 rate() 更稳;
- 直方图桶的默认 DefBuckets(.005 至 10 秒)对慢接口(秒级) 明显偏低,需要自定义(这点常被忽略,导致慢接口的 P99 永远显示 10 秒封顶);
- 命名要规范(_total 后缀给 Counter、_seconds 给时长、单位统一),否则看板与告警的表达式会各写一套。
题目与答案就在本页;收藏、批注和错题重练在应用内