Prometheus指标

已于 2024-04-19 21:03:05 修改
阅读量412 收藏 3
点赞数 3
分类专栏： Java开发 文章标签： prometheus
于 2024-04-19 21:02:57 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43757056/article/details/137977465
版权

文章目录

Prometheus指标

主要参数解释

# 节点IP和端口(instance)
例如：192.168.1.226:9100、192.168.1.227:9100、192.168.1.228:9100

# HDFS-DataNode-IP和端口
例如：192.168.1.226:30003、192.168.1.227:30003、192.168.1.228:30003

# Yarn-NodeManager-IP和端口
例如：192.168.1.226:30005、192.168.1.227:30005、192.168.1.228:30005

一、可用性监测(0代表存在异常或未启动，1代表运行中)

# 各个节点的可用性监测
up{job="node_exporter"}

# hdfs-namenode可用性监测
up{job="hdfs-namenode"}

# hdfs-datanode可用性监测
up{job="hdfs-datanode"}

# yarn-resourcemanager可用性监测
up{job="yarn-resourcemanager"}

# yarn-nodemanager可用性监测
up{job="yarn-nodemanager"}

# zookeeper可用性监测
up{job="zookeeper"}

# kafka可用性监测
up{job="kafka"}

# hiveserver2可用性监测
up{job="hiveserver2"}

# metastore可用性监测
up{job="metastore"}

二、节点监测

# 磁盘总容量
node_filesystem_size_bytes{instance="节点IP和端口",mountpoint="/"}/1024/1024/1024

# 磁盘可用容量
node_filesystem_avail_bytes{instance="节点IP和端口",mountpoint="/"} /1024 /1024/1024

# CPU负载
node_load1{instance="节点IP和端口"}

# CPU使用率
100-avg(irate(node_cpu_seconds_total{mode="idle",instance="节点IP和端口"}[1m])) by (instance)*100

# 内存饱和度
sum((rate(node_vmstat_pgpgin{instance="节点IP和端口"}[1m])+rate(node_vmstat_pgpgout{instance="节点IP和端口"}[1m]))) by (instance)

# 物理内存使用率
(node_memory_MemTotal_bytes{instance="节点IP和端口"} - (node_memory_MemFree_bytes{instance="节点IP和端口"} + node_memory_Buffers_bytes{instance="节点IP和端口"} + node_memory_Cached_bytes{instance="节点IP和端口"}))/node_memory_MemTotal_bytes{instance="节点IP和端口"} * 100

# SWAP内存使用率
(node_memory_SwapTotal_bytes{instance="节点IP和端口"} - node_memory_SwapFree_bytes{instance="节点IP和端口"})/node_memory_SwapTotal_bytes{instance="节点IP和端口"} * 100

# 磁盘分区使用率("/"分区)
(node_filesystem_size_bytes{mountpoint="/",instance="节点IP和端口"} - node_filesystem_free_bytes{mountpoint="/",instance="节点IP和端口"})/node_filesystem_size_bytes{mountpoint="/",instance="节点IP和端口"} * 100

# 磁盘吞吐量(每秒读速率)
irate(node_disk_read_bytes_total{device="sda",instance="节点IP和端口"}[1m]) / 1024

# 磁盘吞吐量(每秒写速率)
irate(node_disk_written_bytes_total{device="sda",instance="节点IP和端口"}[1m]) / 1024

# 磁盘IOPS(每秒读次数)
irate(node_disk_reads_completed_total{device="sda",instance="节点IP和端口"}[1m])

# 磁盘IOPS(每秒写次数)
irate(node_disk_writes_completed_total{device="sda",instance="节点IP和端口"}[1m])

# 网卡流量(下载流量总字节数)
irate(node_network_receive_bytes_total{device != "lo",device !~ "docker.*",instance="节点IP和端口"}[1m]) / 1024

# 网卡流量(上传流量总字节数)
irate(node_network_transmit_bytes_total{device != "lo",device !~ "docker.*",instance="节点IP和端口"}[1m]) / 1024

三、服务监测

1.HDFS监测
# HDFS NameNode JVM堆内存使用率
Hadoop_NameNode_MemHeapUsedM/Hadoop_NameNode_MemHeapMaxM * 100

# HDFS DataNode JVM堆内存使用率
Hadoop_DataNode_MemHeapUsedM{instance="HDFS-DataNode-IP和端口"}/Hadoop_DataNode_MemHeapMaxM{instance="HDFS-DataNode-IP和端口"} * 100

# HDFS 容量使用率(百分比)
Hadoop_NameNode_PercentUsed

# HDFS：CPU 使用率
sum(java_lang_OperatingSystem_ProcessCpuLoad{job=~"hdfs.*"})*100

# HDFS：NameNode RPC请求平均处理时间 （单位：ms）
Hadoop_NameNode_RpcProcessingTimeAvgTime{job="hdfs-namenode"}

# HDFS：NameNode RPC处理队列长度 （无单位或1/个）
Hadoop_NameNode_CallQueueLength{job="hdfs-namenode"}

# HDFS：DataNode RPC请求平均处理时间 （单位：ms）
Hadoop_DataNode_RpcProcessingTimeAvgTime{job="hdfs-datanode"}

# HDFS：DataNode RPC处理队列长度 （无单位或1/个）
Hadoop_DataNode_CallQueueLength{job="hdfs-datanode"}

# HDFS：NameNode 线程阻塞数量（无单位或1/个）
sum(Hadoop_NameNode_ThreadsBlocked{job="hdfs-namenode"})

# HDFS：NameNode 线程等待数量（无单位或1/个）
sum(Hadoop_NameNode_ThreadsWaiting{job="hdfs-namenode"})

# HDFS：DataNode 线程阻塞数量（无单位或1/个）
sum(Hadoop_DataNode_ThreadsBlocked{job="hdfs-datanode"})

# HDFS：DataNode 线程等待数量（无单位或1/个）
sum(Hadoop_DataNode_ThreadsWaiting{job="hdfs-datanode"})

# HDFS：DataNode 当前已使用容量（单位：MB）
Hadoop_NameNode_CapacityUsed{name="FSNamesystem"}/1024/1024

# HDFS：DataNode 原始总容量（单位：GB）
Hadoop_NameNode_CapacityTotal{name="FSNamesystem"}/1024/1024/1024

# HDFS：当前运行正常的DataNode数量
Hadoop_NameNode_NumLiveDataNodes

# HDFS：当前运行异常的DataNode数量
Hadoop_NameNode_NumDeadDataNodes

# HDFS：当前分配的block数量
Hadoop_NameNode_BlocksTotal{name="FSNamesystem"}

# HDFS：NameNode接收字节速率（单位：B/s）
irate(Hadoop_NameNode_ReceivedBytes[1m])

# HDFS：NameNode发送字节速率（单位：B/s）
irate(Hadoop_NameNode_SentBytes[1m])

# HDFS：NameNode创建文件的操作总数
Hadoop_NameNode_CreateFileOps

# HDFS：NameNode删除文件的操作总数
Hadoop_NameNode_DeleteFileOps

# HDFS：NameNode当前连接数
Hadoop_NameNode_TotalLoad{name="FSNamesystem"}

# HDFS：NameNode当前文件和目录的数量
Hadoop_NameNode_FilesTotal{name="FSNamesystem"}

# HDFS：DataNode读取字节速率（单位：B/s）
sum(irate(Hadoop_DataNode_BytesRead[1m]))

# HDFS：DataNode写入字节速率（单位：B/s）
sum(irate(Hadoop_DataNode_BytesWritten[1m]))

# HDFS：DataNode读操作总数
sum(Hadoop_DataNode_ReadBlockOpNumOps)

# HDFS：DataNode写操作总数
sum(Hadoop_DataNode_WriteBlockOpNumOps)

# HDFS：DataNode接收字节速率（单位：B/s）
sum(irate(Hadoop_DataNode_ReceivedBytes[1m]))

# HDFS：DataNode发送字节速率（单位：B/s）
sum(irate(Hadoop_DataNode_SentBytes[1m]))
2.Yarn监测
# Yarn ResourceManager JVM堆内存使用率
Hadoop_ResourceManager_MemHeapUsedM/Hadoop_ResourceManager_MemHeapMaxM * 100

# Yarn NodeManager JVM堆内存使用率
Hadoop_NodeManager_MemHeapUsedM{instance="Yarn-NodeManager-IP和端口"}/Hadoop_NodeManager_MemHeapMaxM{instance="Yarn-NodeManager-IP和端口"} * 100

# Yarn：CPU 使用率
sum(java_lang_OperatingSystem_ProcessCpuLoad{job=~"yarn.*"})*100

# Yarn：ResourceManager RPC请求平均处理时间（单位：ms）
Hadoop_ResourceManager_RpcProcessingTimeAvgTime{job="yarn-resourcemanager"}

# Yarn：ResourceManager RPC处理队列长度（无单位或1/个）
Hadoop_ResourceManager_CallQueueLength{job="yarn-resourcemanager"}

# Yarn：NodeManager RPC请求平均处理时间（单位：ms）
Hadoop_NodeManager_RpcProcessingTimeAvgTime{job="yarn-nodemanager"}

# Yarn：NodeManager RPC处理队列长度（无单位或1/个）
Hadoop_NodeManager_CallQueueLength{job="yarn-nodemanager"}

# Yarn：ResourceManager 线程阻塞数量（无单位或1/个）
sum(Hadoop_ResourceManager_ThreadsBlocked{job="yarn-resourcemanager"})

# Yarn：NodeManager 线程阻塞数量（无单位或1/个）
sum(Hadoop_NodeManager_ThreadsBlocked{job="yarn-nodemanager"})

# Yarn：ResourceManager 线程等待数量（无单位或1/个）
sum(Hadoop_ResourceManager_ThreadsWaiting{job="yarn-resourcemanager"})

# Yarn：NodeManager 线程等待数量（无单位或1/个）
sum(Hadoop_NodeManager_ThreadsWaiting{job="yarn-nodemanager"})

# Yarn：NM存活节点数量统计
Hadoop_ResourceManager_NumActiveNMs

# Yarn：NM丢失节点数量统计
Hadoop_ResourceManager_NumLostNMs

# Yarn：NM不健康节点数量统计
Hadoop_ResourceManager_NumUnhealthyNMs

# Yarn：app运行数量
sum(Hadoop_ResourceManager_AppsRunning{q1 != ""})

# Yarn：app提交数量
sum(Hadoop_ResourceManager_AppsSubmitted{q1 != ""})

# Yarn：app等待数量
sum(Hadoop_ResourceManager_AppsPending{q1 != ""})

# Yarn：app完成数量
sum(Hadoop_ResourceManager_AppsCompleted{q1 != ""})

# Yarn：app被kill的数量
sum(Hadoop_ResourceManager_AppsKilled{q1 != ""})

# Yarn：app失败数量
sum(Hadoop_ResourceManager_AppsFailed{q1 != ""})

# Yarn：已分配的内存大小
sum(Hadoop_ResourceManager_AllocatedMB{q1 != ""})

# Yarn：已分配的核数量
sum(Hadoop_ResourceManager_AllocatedVCores{q1 != ""})

# Yarn：已分配的Container数量
sum(Hadoop_ResourceManager_AllocatedContainers{q1 != ""})

# Yarn：可用的内存大小（单位：MB）
sum(Hadoop_ResourceManager_AvailableMB{q1 != ""})

# Yarn：1min内NM心跳汇报次数
increase(Hadoop_ResourceManager_NodeUpdateNumOps[1m])

# Yarn：NM心跳汇报处理时间
Hadoop_ResourceManager_NodeUpdateAvgTime
3.Hive监测
# Hive：CPU 使用率
sum(java_lang_OperatingSystem_ProcessCpuLoad{job=~"hiveserver2|metastore"})*100

# Hive：JVM堆内存使用率
sum(jvm_memory_bytes_used{job=~"hiveserver2|metastore",area="heap"})/sum(jvm_memory_bytes_max{job=~"hiveserver2|metastore",area="heap"})*100

# Hive：JVM GC Time（单位：ms）
increase(jvm_gc_collection_seconds_sum{job=~"hiveserver2|metastore"}[5m]) * 1000

# Hive：JVM GC Count（无单位）
increase(jvm_gc_collection_seconds_count{job=~"hiveserver2|metastore"}[5m])

# Hive：jvm当前线程数量（无单位）
sum(jvm_threads_current{job=~"hiveserver2|metastore"})

# Hive：jvm后台线程数量（无单位）
sum(jvm_threads_daemon{job=~"hiveserver2|metastore"})

# Hive：jvm死锁线程数量（无单位）
sum(jvm_threads_deadlocked{job=~"hiveserver2|metastore"})

# Hive：jvm线程阻塞数量（无单位）
sum(jvm_threads_state{job=~"hiveserver2|metastore",state="BLOCKED"})

# Hive：jvm线程等待数量（无单位）
sum(jvm_threads_state{job=~"hiveserver2|metastore",state="WAITING"})

# Hive：当前jvm已加载类数量（无单位）
sum(jvm_classes_loaded_total{job=~"hiveserver2|metastore"})

# Hive：用户和系统的总cpu使用时间（单位：s）
max(process_cpu_seconds_total{job=~"hiveserver2|metastore"})
4.Kafka监测
# Kafka：CPU使用率（%）
irate(process_cpu_seconds_total{job="kafka"}[5m])*100

# Kafka：JVM内存使用情况（单位：MiB）
sum without(area)(jvm_memory_bytes_used{job="kafka"}) / 1024 / 1024

# Kafka：Broker网络吞吐量-流入（单位：B/s）
sum(rate(kafka_server_brokertopicmetrics_bytesinpersec{job="kafka",topic!=""}[5m]))

# Kafka：Broker网络吞吐量-流出（单位：B/s）
sum(rate(kafka_server_brokertopicmetrics_bytesoutpersec{job="kafka",topic!=""}[5m]))

# Kafka：激活状态控制器数量（无单位）
sum(kafka_controller_kafkacontroller_activecontrollercount{job="kafka"})

# Kafka：在线分区数（无单位）
sum(kafka_server_replicamanager_partitioncount{job="kafka"})

# Kafka：离线分区数（无单位）
sum(kafka_controller_kafkacontroller_offlinepartitionscount{job="kafka"})

# Kafka：在线Broker数量（无单位）
count(kafka_server_replicamanager_leadercount{job="kafka"})

# Kafka：Broker消息速率（io/s）
sum without(topic)(rate(kafka_server_brokertopicmetrics_messagesinpersec{job="kafka"}[5m]))

# Kafka：Broker入站流量速率（B/s）
sum without(topic)(rate(kafka_server_brokertopicmetrics_bytesinpersec{job="kafka"}[5m]))

# Kafka：Broker出站流量速率（B/s）
sum without(topic)(rate(kafka_server_brokertopicmetrics_bytesoutpersec{job="kafka"}[5m]))

# Kafka：topic消息速率（io/s）
sum without(instance)(rate(kafka_server_brokertopicmetrics_messagesinpersec{job="kafka",topic!=""}[5m]))

# Kafka：topic入站流量速率（B/s）
sum without(instance)(rate(kafka_server_brokertopicmetrics_bytesinpersec{job="kafka",topic!=""}[5m]))

# Kafka：topic出站流量速率（B/s）
sum without(instance)(rate(kafka_server_brokertopicmetrics_bytesoutpersec{job="kafka",topic!=""}[5m]))

# Kafka：I-O线程池平均空闲比例（%）
kafka_server_kafkarequesthandlerpool_requesthandleravgidlepercent_total{job="kafka"}

# Kafka：活跃连接数
sum(kafka_server_socketservermetrics_connection_count{job="kafka"}) by (instance, listener)
5.Zookeeper监测
# Zookeeper：Quorum Size（无单位）
zookeeper_QuorumSize{job="zookeeper"}

# Zookeeper：Follower个数（无单位）
avg(zookeeper_QuorumSize{job="zookeeper"}) -1

# Zookeeper：健康检查（Ticktime）（单位：ms）
avg(zookeeper_TickTime{job="zookeeper"}) by (instance)

# Zookeeper：平均请求延迟
zookeeper_AvgRequestLatency{job="zookeeper"}

# Zookeeper：Znode个数
zookeeper_InMemoryDataTree_NodeCount{job="zookeeper"}

# Zookeeper：活跃连接数
zookeeper_NumAliveConnections{job="zookeeper"}

# Zookeeper：未完成请求数
zookeeper_OutstandingRequests{job="zookeeper"}

# Zookeeper：监视器数量
zookeeper_InMemoryDataTree_WatchCount{job="zookeeper"}

# Zookeeper：JVM GC Time（单位：ms）
increase(jvm_gc_collection_seconds_sum{job="zookeeper"}[5m]) * 1000

# Zookeeper：JVM GC Count（无单位）
increase(jvm_gc_collection_seconds_count{job="zookeeper"}[5m])

# Zookeeper：JVM堆内存使用率（%）
jvm_memory_bytes_used{job="zookeeper", area="heap"}/jvm_memory_bytes_max{job="zookeeper", area="heap"}*100
艾迪的技术之路
关注
  • 3
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Prometheus - Up & Running: Infrastructure and Application Performance Monitoring
01-17
Get up to speed with Prometheus, the metrics-based monitoring system used by tens of thousands of organizations in production. This practical guide provides application developers, sysadmins, and DevOps practitioners with a hands-on introduction to the most important aspects of Prometheus, including infrastructure and application monitoring, dashboarding and alerting, direct code instrumentation, and metric collection from third-party systems with exporters. This open source system has gained popularity over the past few years for good reason. With its simple yet powerful data model and query language, Prometheus does one thing, and it does it well. Author and Prometheus developer Brian Brazil guides you through Prometheus setup, the Node exporter, and the Alertmanager, then demonstrates how to use them for application and infrastructure monitoring. Know where and how much to apply instrumentation to your application code Identify metrics with labels using unique key-value pairs Get an introduction to Grafana, a popular tool for building dashboards Learn how to use the Node Exporter to monitor your infrastructure Use service discovery to provide different views of your machines and services Use Prometheus with Kubernetes and examine exporters you can use with containers Convert data from other monitoring systems into the Prometheus format
通过Prometheus监控ZooKeeper
qq_42016966的博客
11-24 1932
通过在ZooKeeper中埋点来暴露数据，使用Prometheus监控抓取数据，并借助Prometheus Grafana大盘来展示数据，即可实现通过Prometheus监控ZooKeeper的目的。 步骤一：启动JMX服务 首先需要在ZooKeeper中启用JMX服务以获取资源信息。 修改/opt/zk/zookeeper-3.4.10/bin/zkServer.sh，在第44行添加JMXPORT=8999。具体添加位置如下所示。 if [ "x$JMXLOCALONLY" = "x" ] then
socket.io-prometheus-metrics:用打字稿编写的Socket.IO普罗米修斯指标导出器
05-26
socket.io-prometheus-metrics 为Prometheus公开指标端点，以收集有关数据。 安装 npm install socket.io-prometheus-metrics # or yarn add socket.io-prometheus-metrics 用法 基本用法 import * as http from 'http' ; import * as io from 'socket.io' ; import * as prometheus from 'socket.io-prometheus-metrics' ; const server = http . createServer ( ) ; const io = io ( server ) ; prometheus . metrics ( io ) ; server . listen ( 3000
Prometheus的指标分类
肥叔菌的博客
12-02 1411
Prometheus 指标分为 Counter （计数器） Gauge （仪表盘）、Histogram （直方图）、Summary （摘要） Counter 是计数器类型，它的特点是只增不减，例如机器启动时间、 HTTP 访问 量等 。Counter 具有很好的不相关性，不会因为机器重启而置 我们在使用 Counter 指标时，通常会结合 rate （）方法获取该指标在某个时间段的变化率，例如，“ HTTP 请求总量”指标就属于典型的 Counter 指标，通过对它进行 rate （）操作，可以得出请 求的
总结：Prometheus常用指标
w2009211777的专栏
11-25 1904
总结：Prometheus常用指标
Prometheus监控运维实战十： 主机监控指标
青梅煮酒
03-25 4201
Swap为交换内存分区，它使用磁盘上的部分空间来充当服务器内存，当系统物理内存吃紧时，Linux 会将内存中不常访问的数据保存到 swap 上，这样系统就有更多的物理内存为各个进程服务。mode="idle"代表CPU 的空闲时间，所以我们只需要算出空闲的时间占比，再以总数减去该值 ，便可知道CPU的使用率，此处使用irate方法。前面文章讲过，counter类型会不断的累加，该指标直接使用对于监控没有意义，但可通过下面公式转化为磁盘的每秒读写速率。对于IOPS的监控，可通过下面两个指标算得出。
promsql:软件包promsql导出* sql.DB统计信息作为Prometheus指标收集器
04-01
Promsql的 软件包promsql导出* sql.DB统计信息作为Prometheus指标收集器。例子package promsql_testimport ("bufio""database/sql""fmt"...
nginx-log-exporter：一个用于Prometheus指标的Nginx日志导出器
02-04
用于Prometheus指标的Nginx日志解析器导出器。 安装 去获取github.com/songjiayang/nginx-log-exporter 或使用发行 用法 nginx-log-exporter -h Usage of: -config.file string Nginx log exporter ...
statsd_exporter：StatsD到Prometheus指标导出器
02-03
该导出器通过配置的映射规则将StatsD指标转换为Prometheus指标。 +----------+ +-------------------+ +--------------+| StatsD |---(UDP/TCP repeater)--->| statsd_exporter |<---(scrape /metrics)---| ...
sanic-prometheus：Sanic（异步python网络服务器）的Prometheus指标
02-03
Prometheus与Sanic结合，通过sanic-prometheus库，可以为Sanic应用添加Prometheus指标，这些指标包括但不限于HTTP请求的计数、响应时间、错误率等，帮助开发者深入了解应用的运行状况。sanic-prometheus提供了简单的...
query-exporter：从SQL查询中导出Prometheus指标
01-30
**Prometheus指标与query-exporter** Prometheus是一款强大的开源监控和警报系统，它能够收集、存储和展示时间序列数据，广泛应用于微服务架构的监控。在Prometheus中，指标是用于度量系统状态的基本单位，例如CPU...
总结：Prometheus笔记
w2009211777的专栏
03-29 2504
一、介绍 Prometheus 是当下最流行的监控平台之一，它的主要职责是 从各个目标节点中采集监控数据 将数据持久化到本地的时序数据库中 向外部提供便捷的查询接口 将告警消息推送到AlertManager Prometheus 目前是监控领域比较成熟的一站式方案。Prometheus与其他监控方案的不同之处在于它是定时地从监控目标（Exporters）暴露的API中拉取指标，如果是监控目标是动态的，可以借助服务发现的机制动态地添加这些监控目标，另外它还会暴露执行PromQL（用来操纵时序数据的.
Prometheus+Grafana（Kubernetes）企业级监控
04-06
本套课程由浅入深地对Prometheus进行了全方位的介绍，内容通俗易懂，理论与实践相结合。首先从监控体系讲起，介绍了关于监控的各种经典理论和方法。然后循序渐进地介绍了Prometheus的各个功能组件和配置方法，包括监控主机和容器、服务发现、警报管理，以及Kubernetes和运行其上的应用程序的监控。后面讲解了kube-prometheus的详细用法。主要讲解prometheus、alertmanager的以下几个方面： 1. Prometheus服务器部署及PromQL的查询及使用案例 2. Alertmanager的使用详解 3. 常见的日志告警，如邮件、钉钉、微信等 4. 在kubernetes中监控的手工部署、应用监控。 5. kube-prometheus在Kubernetes的应用，对k8s的各个组件的监控、告警、和对部署在k8s中应用的监控。注意：本课程学习需要具有一定的Linux基础，网络基础，至少需要您了解网络七层协议，路由等基础知识，并掌握Docker和k8s相关知识点。
Prometheus监控业务指标
CoLiuRs
04-28 4726
Prometheus是一个开源的监控系统和告警工具, 支持多维数据指标, 可以给一条数据打上多个标签, 在查询时根据这些标签做过滤 支持PromQL, 可以非常灵活地查询和汇总需要地数据 支持图形界面可视化展示, 如grafana等 Prometheus架构 Prometheus Server 是普罗米修斯的核心服务,提供了对外的HTTP服务以及数据存储, 它将数据存储在时序数据库中. 普罗米修斯支持主动和被动方式收集指标数据, 即我们常说的pull模式和push模式. 普罗米修斯会通过配置job/
搞懂 Prometheus 这四种指标类型，谁都可能成为监控老司机？
LinkSLA的博客
09-13 479
指标是用来衡量性能、消耗、效率和许多其他软件属性随时间的变化趋势。它们允许工程师通过警报和仪表盘来监控一系列测量值的演变（如CPU或内存使用量、请求持续时间、延迟等）。指标在IT监控领域有着悠久的历史，并被工程师广泛使用，与日志和链路追踪一起被用来检测系统是否有不符合预期的表现。在其最基本的形式中，一个指标数据点是由以下三个部分构成：一个指标名称收集该数据点的时间戳一个由数字表示的测量值。
采用普罗米修斯（Prometheus ）监控各个指标的含义，类型，以及格式
Sansipi的博客
09-25 7418
采用普罗米修斯（Prometheus ）监控各个指标的含义，类型，以及格式
统一观测丨使用 Prometheus 监控 Memcached 最佳实践
阿里巴巴云原生的博客
12-14 930
Memcached 是一个免费开源、高性能、分布式内存对象缓存系统，支持将任意数据类型的 chunk 数据以键值对的方式存储。本质上 Memcached 是通用于所有的应用的，但最初用于存储被经常访问的静态数据，减轻数据库负载来加速动态 Web 应用程序。
prometheus监控zookeeper
weixin_40689822的博客
11-22 644
1.下载（zookeeper_exporter采集器） https://github.com/carlpett/zookeeper_exporter/releases/download/v1.0.2/zookeeper_exporter 2. 传到liunx上/usr/local/prometheus目录下，没有目录可以自行创建 3.授予权限 chmod 755 zookeeper_exporter 4.查看帮助（如果提示没有权限，则执行 chmod 755 zookeeper_exporter进行授权
prometheus指标大全
最新发布
12-22
prometheus指标大全是一个包含了大量系统监控指标的资源库，它被广泛用于监控和报警系统的搭建。这些指标包括了系统的各种性能数据，比如CPU利用率、内存使用情况、网络流量等等。在使用prometheus指标大全时，用户可以根据自己的需要选择需要监控的指标，并据此来设置监控阈值和报警规则。 每一个指标在prometheus指标大全中都有其对应的指标名称和描述，用户可以根据这些信息来理解和选择合适的监控指标。除了常见的系统性能指标，prometheus指标大全中也包含了一些特定应用程序的指标，比如数据库的连接数、缓存命中率等等。 通过使用prometheus指标大全，用户可以更加方便地构建起自己的监控系统，实时地监控系统的运行状态，并在出现问题时能够及时地得到报警并采取相应的措施。另外，prometheus指标大全还支持对历史数据的分析和统计，用户可以根据历史数据来进行趋势分析和性能优化。 总之，prometheus指标大全是一个非常有价值的资源库，它为用户提供了丰富的监控指标，并帮助用户快速搭建起自己的监控系统。使用prometheus指标大全可以大大提升系统的可靠性和稳定性，同时也帮助用户更好地理解和掌握系统的运行状态。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值