从 Metrics 到 KPI

欢迎回到第 14 章的学习。在上一节，我们学习了从 Traces 到 KPI。现在我们要学习从 Metrics 到 KPI。

本节将学习：指标聚合、时间窗口选择、百分位数计算、以及趋势分析。

指标聚合

从 Metrics 到 KPI 的作用是什么？ 从监控指标中提取关键绩效指标，量化系统性能。

指标聚合的作用是什么？ 将多个指标聚合为单一 KPI，简化监控和决策。

如何进行指标聚合？ 使用聚合函数：

• sum：求和
• avg：平均值
• max：最大值
• min：最小值
• count：计数

PromQL 聚合示例：

# 求和：总请求数
sum(http_requests_total)

# 平均值：平均响应时间
avg(http_request_duration_seconds)

# 最大值：最大响应时间
max(http_request_duration_seconds)

# 最小值：最小响应时间
min(http_request_duration_seconds)

# 计数：服务数量
count(http_requests_total) by (service)

# 按服务聚合
sum(http_requests_total) by (service)

时间窗口选择

时间窗口选择的作用是什么？ 选择合适的时间窗口，平衡实时性和稳定性。

如何选择时间窗口？ 根据需求选择：

• 短期窗口（1m、5m）：实时监控
• 中期窗口（15m、1h）：趋势分析
• 长期窗口（1d、1w）：历史对比

时间窗口示例：

# 短期窗口：5 分钟平均
avg_over_time(http_request_duration_seconds[5m])

# 中期窗口：1 小时平均
avg_over_time(http_request_duration_seconds[1h])

# 长期窗口：1 天平均
avg_over_time(http_request_duration_seconds[1d])

# 变化率（5 分钟窗口）
rate(http_requests_total[5m])

# 变化率（15 分钟窗口，更平滑）
rate(http_requests_total[15m])

百分位数计算

百分位数计算的作用是什么？ 计算百分位数，更好地反映用户体验。

如何计算百分位数？ 使用 PromQL：

• histogram_quantile(0.50, ...)：P50
• histogram_quantile(0.95, ...)：P95
• histogram_quantile(0.99, ...)：P99

百分位数计算示例：

# P50（中位数）
histogram_quantile(0.50, 
  sum(rate(http_request_duration_seconds_bucket[5m])) by (le, service)
)

# P95（95 百分位数）
histogram_quantile(0.95, 
  sum(rate(http_request_duration_seconds_bucket[5m])) by (le, service)
)

# P99（99 百分位数）
histogram_quantile(0.99, 
  sum(rate(http_request_duration_seconds_bucket[5m])) by (le, service)
)

# 多个百分位数对比
histogram_quantile(0.50, sum(rate(http_request_duration_seconds_bucket[5m])) by (le)),
histogram_quantile(0.95, sum(rate(http_request_duration_seconds_bucket[5m])) by (le)),
histogram_quantile(0.99, sum(rate(http_request_duration_seconds_bucket[5m])) by (le))

趋势分析

趋势分析的作用是什么？ 分析指标变化趋势，预测未来表现。

如何进行趋势分析？ 使用趋势分析函数：

• rate：变化率
• increase：增长量
• delta：差值
• predict_linear：线性预测

趋势分析示例：

# 变化率（每秒）
rate(http_requests_total[5m])

# 增长量（5 分钟内）
increase(http_requests_total[5m])

# 差值（当前值 - 5 分钟前的值）
delta(http_requests_total[5m])

# 线性预测（预测 1 小时后的值）
predict_linear(http_requests_total[5m], 3600)

# 趋势方向（上升/下降）
rate(http_requests_total[5m]) > 0

本节小结

在本节中，我们学习了从 Metrics 到 KPI：

第一个是指标聚合。 将多个指标聚合为单一 KPI，简化监控和决策。

第二个是时间窗口选择。 选择合适的时间窗口，平衡实时性和稳定性。

第三个是百分位数计算。 计算百分位数，更好地反映用户体验。

第四个是趋势分析。 分析指标变化趋势，预测未来表现。

从 Metrics 到 KPI 流程： 收集 Metrics → 指标聚合 → 时间窗口选择 → 百分位数计算 → 趋势分析 → 映射 KPI。

这就是从 Metrics 到 KPI。通过从 Metrics 到 KPI，我们能够从监控指标中提取关键绩效指标。

在下一节，我们将学习从 Logs 到 KPI。学习如何从 Logs 中提取 KPI。