promethues常用的函数

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

prometheus函数常用

时数据 (Instant vector): 包含一组时序，每个时序只有一个点，例如：http_requests_total
区间数据 (Range vector): 包含一组时序，每个时序有多个点，例如：http_requests_total[5m]
纯量数据 (Scalar): 纯量只有一个数字，没有时序，例如：count(http_requests_total)

ElementValue
{} 5
scalarNaN



prometheus函数常用

increase(range-vector)函数
应用场景：取指标的一段时间的增量，获取范围中的第一个和最后一个样本返回其增长量，适合counter类型指标
由于这个值被外推到指定的整个时间范围，所以即使样本值都是整数，你仍然可能会得到一个非整数值。
increase(login[1h]) 登录次数一小时以内的增量
increase(login{status="false"}[1h]) 登录错误一小时以内的增量

rate(range-vector)函数（聚合的时候需要先执行）
应用场景：取指标在一段时间内平均每秒的增量 专门为counter类型指标
rate(login[1h]) 获取一小时登录次数每秒的增量
rate(login{status="false"}[1h]) 获取一小时登录错误次数平均每秒的增量


irate(range-vector)函数 每秒即时的增长率。
irate(login[5m]) 里面的时间配不配问题不大
过去 5 分钟内最后两个样本数据的 HTTP 请求数的增长率：
irate(http_requests_total{job="api-server"}[5m])

sum(range-vector)函数 指标的总数
sum(login[1m]) 登录次数的总数量

topk(range-vector)函数 从数据中取数值排行前N的数值，N可以自定义
topk(1,login[1m]) 1分钟内，登录失败或者成功中的排行第一值

count(range-vector)函数 元素的个数 不同labelname就是不同的元素
有100台服务器在监控，想实现当CPU使用率大于80%的机器达到N台就进行报警就可以使用它
count(loginfc_bucket[1h] > 3) bucket中的数值大于3的bucket总数


delta(range-vector)函数：仅用于仪表。现在时间的数值和1m之前的数值的差值，就是现值-前值
delta(loginall[1m])
delta(cpu_temp_celsius{host="zeus"}[2h]) cpu现在的温度和2小时之前CPU温度的差异
delta(loginall[5h]) 现在样本值和5小时前的对比
delta(loginall[24h]) 一般我们都是和前一天的数据做对比，
delta(loginall[7d]) 或者是一个以星期为周期
ceil(delta(loginall[70m]))

idelta(range-vector)函数： 它计算最新的 2 个样本值之间的差值。
一般只用在 Gauge 类型的时间序列上。
idelta(loginall[1m]) 1m分钟最后的两个样本值的差值，后减前

deriv(range-vector) 计算范围内样各个时间序列的二阶导数，
deriv(loginall[1h]) 需要指定时间范围

changes(range-vector)函数：在一段时间内每个样本数据值变化的次数
changes(login{status="false"}[1m])



predict_linear(range-vector)函数：计算变化速率的曲线，预测未来数值，用当前多少时间的数据去预测未来什么时候的数据
predict_linear(login[10m],4*3600) 根据十分钟的曲线值去预测4小时候的数据
predict_linear(increase(login[10m])[10m],4*3600)
基于 2 小时的样本数据，来预测主机可用磁盘空间的是否在 4 个小时候被占满：
predict_linear(node_filesystem_free{job="node"}[2h], 4 * 3600) < 0

abs(instant-vector) 所有样本都返回绝对值
abs(loginall) 即使是负数，返回的也是正数；目测没什么比较好用的场景
loginall 本来是-2。 abs（loginall）就是2

absent（instant-vector） 如果传入的向量具有任何元素或者数值，则返回空向量，
如果传递给他的向量没有元素或数值，则返回值为1

ceil（instant-vector） 将样本值舍入到最接近的整数没，向上舍
ceil(loginall/3) loginall本来是-2。，现在加入函数后为0

floor(instant-vector) 将样本值舍入位最接近的整数 向下舍
floor(loginall/3) loginall本来是-2 ，现在加入函数后为-1

round(instant-vector) 将样本值舍入最接近的整数，四舍五入
round(loginall/7) loginall本来的值为-4 现在结果为-1
round(loginall/8) loginall本来的值为-4 现在结果为0
round(loginall/9) loginall本来的值为-4 现在结果为0

clamp_max(instant-vector,scalar) 设置样本值的最大值进行钳制，如果超过最大值按照最大值修改样本值，否则不变
clamp_max(loginall,10)

clamp_min(instant-vector,scalar) 输入一个瞬时值，如果样本值低于设置的
clamp_min(loginall,0) 0 为设置的最小值

day_of_month() 月中的某天 1-31
day_of_week() 星期几，0-6 0代表星期日
days_in_month() 给定时间的月中总天数
hour() 给定时间的一天的小时 0-23
minute() 当前小时的第几分钟，0-59
month（） 返回当前属于第几个月 0-12
year() 返回当前的年份

exp(instant-vector): 计算元素的指数函数
exp(loginall)

resets(range-vector)是(v) 参数是区间向量，对于每个时间序列，返回计数器重置的次数，
重置：两个连续样本之间的值的减少被认为是一次计数器重置
一般用于计数器。
resets(login[30d]). 20 天内login计数器被重置的次数

scalar(instant-vector)如果度量指标的样本数量大于1或者等于0 则返回NAN
scalar(login) login 等于32 和28 ，所以返回NAN
scalar(loginall) loginall 是-4 所以返回负值

sort(instant-vector) 对向量进行生序排序
sort(login) 从小到大排序

sort_desc(instant-vector) 对向量进行降序排序
sort_desc(login)

sqrt(instant-vector) 计算元素的平方跟
sqrt(login)

time() 放回从1970-01-01 到现在的秒数： 不是返回当前时间，返回时间戳
time(): 1595904572.521

timestamp(): 返回向量v中的样本的时间戳：
timestamp(loginall)

avg_over_time(range-vector) : 区间向量内每个度量指标的平均值。
avg_over_time(loginall[5m])

min_over_time(range-vector) : 区间向量内每个度量指标的最小值。
min_over_time(loginall[5m])

max_over_time(range-vector) : 区间向量内每个度量指标的最大值。
max_over_time(loginall[2h])

sum_over_time(range-vector) : 区间向量内每个度量指标的求和。
sum_over_time(loginall[2h])

count_over_time(range-vector) : 区间向量内每个度量指标的样本数据个数。
count_over_time(loginall[2h])

quantile_over_time(scalar, range-vector) : 区间向量内每个度量指标的样本数据值分位数，φ-quantile (0 ≤ φ ≤ 1)。
stddev_over_time(range-vector) : 区间向量内每个度量指标的总体标准差。
stdvar_over_time(range-vector) : 区间向量内每个度量指标的总体标准方差。

label_join(v instant-vector, dst_label string, separator string, src_label_1 string, src_label_2 string, ...)
将时间序列 v 中多个标签 src_label 的值，通过 separator 作为连接符写入到一个新的标签 dst_label 中。可以有多个 src_label 标签
label_join(login,"name",",","hll_env","hll_appid")
login{hll_appid="ci-better-demo-svc",hll_env="stg",hll_ip="192.168.107.195",instance="192.168.107.195:16971",job="java_metric",
name="stg,ci-better-demo-svc",status="true"}