运维监控常见指标含义

在看监控指标的时候，需要额外了解一些统计分析的概念

平均值 Avg

统计数据最常用的值就是平均值，例如平均耗时为 100ms，表示服务器当前请求的总耗时除以请求总数量，通过该值，我们大体能知道服务运行情况

但是使用平均值来衡量响应时间有个非常大的问题，这个衡量指标的计算方式会把一些异常的值平均掉，进而会掩盖一些问题，我们只知道所有请求的平均响应时间是 100ms，但是具体有多少个请求比 100ms 要大，又有多少个请求比 100ms 要小，大多少，是 200ms，还是 500ms，又或是 1000ms，我们无从得知

因此监控指标经常将平均值可视化的展示出来，并且在下方标出最大值、最小值、平均值的平均值，并且将原来的数据多少展示出来

比如在代码中，使用监控打点的时候，会以一小时的每分钟计算数据，即获取该小时下所有 QPS 除以 60，然后以每分钟多大展示，比如该分钟下有 1QPS，则该分钟表示为 0.01667：

total 是该时间段内所有数据的加和，avg 是 total 除以 60 计算出来的数据，代表一小时平均每分钟生成多少数据，而最后的 total*60 则是该时间段的所有 QPS

除了 QPS 监控还有另外一种 Time 监控，即一分钟内平均响应时间 time（一般是毫秒，代码中定义），k 代表 1000

百分位数值

平均值并不能反映数据分布及极端异常值的问题，这时我们可以使用百分位数值

百分位数值是一个统计学中的术语

如果将一组数据从小到大排序，并计算相应的累计百分位，则某一百分位所对应数据的值就称为这一百分位的百分位数。可表示为：一组n个观测值按数值大小排列。如，处于p%位置的值称第p百分位数

用我们软件开发行业的例子通俗来讲就是，假设有100个请求，按照响应时间从小到大排列，位置为X的值，即为PX值。

P1就是响应时间最小的请求，P10就是排名第十的请求，P100就是响应时间最长的请求

在真正使用过程中，最常用的主要有P50(中位数)、P95、P99

P50: 即中位数值。100个请求按照响应时间从小到大排列，位置为50的值，即为P50值。如果响应时间的P50值为200ms，代表我们有半数的用户响应耗时在200ms之内，有半数的用户响应耗时大于200ms。如果你觉得中位数值不够精确，那么可以使用P95和P99.9

P95：响应耗时从小到大排列，顺序处于95%位置的值即为P95值。

还是采用上面那个例子，100个请求按照响应时间从小到大排列，位置为95的值，即为P95值。 我们假设该值为200ms，那这个值又表示什么意思呢？

意思是说，我们对95%的用户的响应耗时在200ms之内，只有5%的用户的响应耗时大于200ms，据此，我们掌握了更精确的服务响应耗时信息

同样的道理，一个接口的 P98，代表了某个时间段内，将用户访问该接口的时间从低到高排序后，按顺序找出的第百分之九十八位的数据

这么说来，我们为什么不取某一时间段内，访问接口最高耗时呢，非得取一个 P98 这样的数据吗。原因是最耗时的请求有可能是某些极端情况，某些用户错误操作导致的，我们应当排除这些情况，这些请求没有什么意义

但是如果 P98 的请求耗时过高，并且一直过高，那很可能是系统出了问题，我们应当跟着接口优化一下