背景

在大多數情況下人們都傾向于使用某些量化指標的平均值，例如CPU的平均使用率、頁面的平均響應時間。這種方式的問題很明顯，以系統API調用的平均響應時間為例：如果大多數API請求都維持在100ms的響應時間范圍內，而個別請求的響應時間需要5s，那么就會導致某些WEB頁面的響應時間落到中位數的情況，而這種現象被稱為長尾問題。
為了區分是平均的慢還是長尾的慢，最簡單的方式就是按照請求延遲的范圍進行分組。例如，統計延遲在0~10ms之間的請求數有多少而10~20ms之間的請求數又有多少。通過這種方式可以快速分析系統慢的原因。Histogram和Summary都是為了能夠解決這樣問題的存在，通過Histogram和Summary類型的監控指標，我們可以快速了解監控樣本的分布情況。

百分位數（quantile）

Prometheus中稱為quantile，其實叫percentile更準確。百分位數是指小于某個特定數值的采樣點達到一定的百分比。例如，假設0.9-quantile的值為120，意思就是所有的采樣值中，小于120的采樣值的數量占總體采樣值的90%。相應的，假設0.5-quantile的值為x，那么意思就是指小于x的采樣值占總體的50%，所以0.5-quantile也指中值（median）。

相對于簡單的平均值來說，百分位數更豐富，更能反應出真實的用戶體驗。常用的百分位數為0.5-quantile，0.9-quantile以及0.99-quantile。這也是Prometheus默認的設置。

注：這只是Prometheus中Summary目前版本的默認設置，在版本v0.10中，這些默認值會廢棄，意味著默認的Summary將沒有quantile設置。

Histogram也是Prometheus在client端支持的四種metrics類型之一。與Summary類似，每定義一個Histogram類型的metrics，實際也會生成幾個metrics。例如，

Histogram會產生下面6類metrics。后面4個可以用于計算quantile值。

http_request_duration_millisecond_count
http_request_duration_millisecond_sum
http_request_duration_millisecond_bucket
http_request_duration_millisecond_bucket

Histogram主要是設置不同的bucket，采用值分別落入不同的bucket。例如上面第一個bucket就是響應時間小于10ms的采樣點的數量，第二個bucket就是響應時間小于50ms的采樣點的數量，依此類推。
注意后面的采樣點是包含前面的采用點的，例如xxx_bucket的值為30，而xxx_bucket的值為120，那么意味著這120個采用點中，有30個是小于10ms的，其余90個采樣點的響應時間是介于10ms和50ms之間的。
注意+Inf是最高bucket的上限值，所以xxx_bucket是所有采樣點的數量，是Prometheus自動增加的一個bucket。
計算quantile值直接用函數histogram_quantile即可，例如下面是計算0.9-quantile的值，
histogram_quantile(0.9, rate(http_request_duration_milliseconds_bucket[10m]))
上面會針對每種label組合計算出一個出一個0.9-quantile值，也就是對每個"path"會計算出一個值。如果要針對所有path計算出一個匯總的值，則用如下語句，
histogram_quantile(0.9, sum(rate(http_request_duration_milliseconds_bucket[10m])) by (le))

使用Histogram計算quantile值，最大的問題就是：因為Histogram采用了線性插值法，所以如果bucket設置不合理，那么最后計算出的值可能偏差比較大。例如在前面的例子中，假設0.9-quantile的結果在10ms~50ms之間，但是表達式必須返回一個具體的值，這時就采用線性插值法得出36ms。顯然這種方法計算出的值可能會有誤差，而且范圍越大，例如10ms ~ 500ms，那么誤差也會越大。

Summary和Histogram對比
Summary不能對quantile值進行aggregation操作，而Histogram則可以；所以如果針對多實例的場景計算quantile，只能使用Histogram；
如果histogram的bucket設置不合理，則最后誤差可能會很大；所以如果需要相對精確的結果，而且是單實例場景，那么就使用Summary；
Summary對quantile的計算是在client端通過第三方庫perks做的；而Histogram對quantile的計算則是server端完成的；
Summary計算出的quantile值是基于進程開始運行至今的所有采樣值計算出來的；而Histogram則是基于最近的一段時間的采樣值計算出來的，更符合monitoring系統的本質。

引用：https://cloud.tencent.com/developer/news/319419

總結

以上是生活随笔為你收集整理的Histogram、Summary 笔记的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。