Latency（延遲）是我們在監(jiān)控線上的組件運(yùn)行情況的一個非常重要的指標(biāo)，它可以告訴我們請求在多少時間內(nèi)完成。監(jiān)控 Latency 是一個很微妙的事情，比如，假如一分鐘有 1億次請求，你就有了 1億個數(shù)字。如何從這些數(shù)字中反映出用戶的真實(shí)體驗(yàn)?zāi)兀?/span>

之前的公司用平均值來反應(yīng)所有有關(guān)延遲的數(shù)據(jù)，這樣的好處是計算量小，實(shí)施簡單。只需要記錄所有請求的一個時間總和，以及請求次數(shù)，兩個數(shù)字，就可以計算出平均耗時。

但問題是，平均耗時非常容易掩蓋真實(shí)的問題。比如現(xiàn)在有 1% 的請求非常慢，但是其余的請求很快，那么這 1% 的請求耗時會被其他的 99% 給拉平，將真正的問題掩蓋。

所以更加科學(xué)的一種監(jiān)控方式是觀察 P99/P95/P90 等，叫做 Quantile。簡單的理解，P99 就是第 99% 個請求所用的耗時。假如 P99 現(xiàn)在是 10ms，那么我們可以說 “99% 的請求都在 10ms 內(nèi)完成”。雖然在一些請求量較小的情況下，P99 可能受長尾請求的影響。但是由于 SRE 一般不會給在量小的業(yè)務(wù)上花費(fèi)太多精力，所以這個問題并不是很大。

但是計算就成了一個問題。P99 是計算時間的分布，所以我們是否要保存下來 1 億個請求的時間，才能知道第 99% 的請求所用的時間呢？

這樣耗費(fèi)的資源太大了。考慮到監(jiān)控所需要的數(shù)據(jù)對準(zhǔn)確性的要求并不高。比如說 P99 實(shí)際上是 15.7ms 但是計算得到數(shù)據(jù)是 15.5ms，甚至是 14ms，我認(rèn)為都是可以接受的。

我們關(guān)注更多的是它的變化。“P99 耗時從 10.7ms 上漲到了 14ms” 和 “P99耗時從 11ms 上漲到了 15.5ms” 這個信息對于我們來說區(qū)別并不是很大。（當(dāng)然了，如果是用于衡量服務(wù)是否達(dá)到了服務(wù)等級協(xié)議 SLO 的話，還是很大的。這樣需要合理地規(guī)劃 Bucket 來提高準(zhǔn)確性）。

所以基于這個，Prometheus 采用了一種非常巧妙的數(shù)據(jù)結(jié)構(gòu)來計算 Quantile: Histogram。

Histogram 本質(zhì)上是一些桶。舉例子說，我們?yōu)榱擞嬎?P99，可以將所有的請求分成 10 個桶，第一個存放 0-1ms 完成的請求的數(shù)量，后面 9 個桶存放的請求耗時上區(qū)間分別是 5ms、10ms、50ms、100ms、200ms、300ms、500ms、1s、2s，這樣只要保存 10 個數(shù)字就可以了。

要計算 P99 的話，只需要知道第 99% 個數(shù)字落在了哪一個桶，比如說落在了 300ms-500ms 的桶，那我們就可以說現(xiàn)在的 99% 的請求都在 500ms 之內(nèi)完成（這樣說不太準(zhǔn)確，如果準(zhǔn)確的說，應(yīng)該是第 99% 個請求在 300ms – 500ms 之間完成）。這些數(shù)據(jù)也可以用來計算 P90、P95 等等。

由于我們的監(jiān)控一般是繪制一條曲線，而不是一個區(qū)間。所以 P99 在 300-500 之間是不行的，需要計算出一個數(shù)字來。

Prometheus 是假設(shè)每一個桶內(nèi)的數(shù)據(jù)都是線性分布的，比如說現(xiàn)在 300-500 的桶里面一共有 100 個請求，小于300個桶里面一共有 9850 個請求。所有的桶一共有 1萬個請求。

那么我們要找的 P99 其實(shí)是第 10000 * 0.99 = 9900 個請求。第 9900 個請求在 300-500 的桶里面是第 9900 – 9850 = 50 個請求。根據(jù)桶里面都是線性分布的假設(shè)，第 50 個請求在這個桶里面的耗時是 (500 – 300) * (50/100) = 400ms，即 P99 就是 400ms。

可以注意到因?yàn)槭腔诰€性分布的假設(shè)，不是準(zhǔn)確的數(shù)據(jù)。比如假設(shè) 300-500 的桶中耗時最高的請求也只有 310ms，得到的計算結(jié)果也會是 400ms。桶的區(qū)間越大，越不準(zhǔn)確，桶的區(qū)間越小，越準(zhǔn)確。

寫這篇文章，是因?yàn)樽蛱焱屡軄韱栁?，“為啥我的日志顯示最慢的請求也才 1s 多，但是這個 P999 latency 顯示是 3s？”

我查了一下確實(shí)如他所說，但是這個結(jié)果確實(shí)預(yù)期的。因?yàn)槲覀冊O(shè)置的桶的分布是：10ms、50ms、100ms、500ms、1s、5s、10s、60s。

如上所說，Prometheus 只能保證 P999 latency 落在了 1s – 5s 之間，但不能保證誤差。

如果要計算準(zhǔn)確的 Quantile，可以使用 Summary 計算。簡單來說，這個算法沒有分桶，是直接在機(jī)器上計算準(zhǔn)確的 P99 的值，然后保存 P99 這個數(shù)字。但問題一個是在機(jī)器本地計算，而不是在 Prometheus 機(jī)器上計算，會占用業(yè)務(wù)機(jī)器的資源；另一個是無法聚合，如果我們有很多實(shí)例，知道每一個實(shí)例的 P99 是沒有什么意義的，我們更想知道所有請求的 P99。顯然，原始的信息已經(jīng)丟失，這個 P99 per instance 是無法支持繼續(xù)計算的。

另外一個設(shè)計巧妙的地方是，300-500 這個桶保存的并不是 300-500 耗時的請求數(shù)，而是 <500ms 的請求數(shù)。也就是說，后面的桶的請求數(shù)總是包含了它前面的所有的桶。這樣的好處是，雖然我們保存的數(shù)據(jù)沒有增加（還是10個數(shù)字），但是保存的信息增加了。假如說中間丟棄一個桶，依然能夠計算出來 P99，在某些情況下非常有用，比如監(jiān)控資源不夠了，我們可以臨時不收集前5個桶，依然可以計算 P99。