metrics查询原理

最新推荐文章于 2024-05-30 17:07:41 发布

好吃吗

最新推荐文章于 2024-05-30 17:07:41 发布

阅读量716

点赞数

分类专栏：工作思考文章标签：数据库 python

本文链接：https://blog.csdn.net/xhdxhdxhd/article/details/120678823

版权

工作思考专栏收录该内容

19 篇文章 0 订阅

订阅专栏

本文介绍了时序数据的基本存储结构，包括DataPoint、TagSet和TimeSeries。查询过程涉及过滤、转换（如Rate计算）、降采样和分组聚合。在过滤和分组阶段，依据MetricName和TagSet筛选数据，降采样用于减少计算量，最后通过聚合运算得到每个分组的总结果。

摘要由CSDN通过智能技术生成

存储结构

基本数据结构：

type DataPoint struct{
    Timestamp int64
    Value float64
}
type DataPointSet []DataPoint

type Tag struct {
    Key string
    Value string
}
type TagSet []Tag

type InputRecord struct{
     MetricName string
     Tags  TagSet
     Dp    DataPoint
}

type TimeSeries struct {
     MetricName string
     Tags    TagSet
     Dps     DataPointSet
}

即对生产方来说，每次打点形成的结构是InputRecord, 而对存储方来说，收到的所有InputRecord根据MetricName+Tags存储为一组基本的数据，这是最基本的分组：
在这里插入图片描述

查询

以查询sum:rate:5m-avg-none:throughput:{service=risk|login}为例，查询要经过下面几步：过滤 --> 转换(求导) --> 降采样(减少待计算的样本数) --> 分组(根据tag条件，消解未指定的tag) --> 聚合运算

过滤：根据MetricName和TagSet选出候选集
Rate转换
降采样，即对指定时间长度内的数据只保留一个，避免计算量过大。保留的值可以是平均值
分组，根据tag指定的条件分组，未指定条件的tag将被"熔合"，即那些tag将如同被从数据中移除一样。注意，分组之后，每一组中仍然有多个TimeSeries数据，需要后一步的聚合使得最终结果每组只有一个TimeSeries
聚合：在每一个分组内，对组内的所有TimeSeries进行聚合，相同时间点的数据进行Sum/Count等运算