Prometheus 普罗米修斯作品中的increase（）有时会使值加倍：如何避免？

我发现对于一些图，我从普罗米修斯那里得到了双倍值，其中应该只有一个：

我使用的查询：

increase(signups_count[4m])

刮油间隔设置为2分钟

如果我查询存储的实际数据：

curl -gs 'localhost:9090/api/v1/query?query=(signups_count[1h])'

"values":[
     [1515721365.194, "579"],
     [1515721485.194, "579"],
     [1515721605.194, "580"],
     [1515721725.194, "580"],
     [1515721845.194, "580"],
     [1515721965.194, "580"],
     [1515722085.194, "580"],
     [1515722205.194, "581"],
     [1515722325.194, "581"],
     [1515722445.194, "581"],
     [1515722565.194, "581"]
],

我看到只增加了两次。事实上，如果我查询这些时间，我会看到一个预期的结果：

curl -gs 'localhost:9090/api/v1/query_range?step=4m&query=increase(signups_count[4m])&start=1515721965.194&end=1515722565.194'

"values": [
     [1515721965.194, "0"],
     [1515722205.194, "1"],
     [1515722445.194, "0"]
],

但是Grafana（以及GUI中的Prometheus）倾向于在查询中设置不同的

步骤

，对于不熟悉Prometheus内部工作的人来说，我会得到一个非常意外的结果

curl -gs 'localhost:9090/api/v1/query_range?step=15&query=increase(signups_count[4m])&start=1515721965.194&end=1515722565.194'

... skip ...
 [1515722190.194, "0"],
 [1515722205.194, "1"],
 [1515722220.194, "2"],
 [1515722235.194, "2"],
... skip ...

我知道，

increase（）

只是一个例子，我想在这种情况下，它应该是这样工作的

如何避免这种情况？我如何让普罗米修斯/格拉法纳在大多数情况下让我一对一，两对两？除了增加刮擦间隔（这将是我最后的选择）

我理解普罗米修斯，所以如果我不是在任何时候都有一个好的数字，而是在大多数时候有一个好的数字，这对我来说是好的

我还遗漏了什么？

这就是信号处理中的一个基本问题。您可以通过提高采样率来改善这一点，4m范围有点短，2m范围有点短。试试10米的距离

例如，这里在151572220执行的查询只看到580@1515722085.194及581@1515722205.194样品。这是在2分钟内增加1，在4分钟内外推是增加2，这是预期的

任何基于度量的监控系统都会有类似的工件，如果您想要100%的准确度，您需要日志。

increase（）

将始终（大约）是您设置的实际增加量的两倍

原因是（目前实施的）：

increase（）

是（正如您所观察到的）用于

rate（）

的语法糖，即

rate（）

乘以指定范围内的秒数返回的值。在您的情况下，它是

rate（）*240

rate（）

在计算中使用外推。在绝大多数情况下，4分钟的范围将返回正好2个数据点，几乎正好相隔2分钟。然后，速率计算为最后一个和第一个之间的差值（即，您的情况下的2个点）除以2个点的时间差（99.99%的情况下约120秒）乘以您请求的范围（正好240秒）。因此，如果两点之间的增量为零，则速率为零。如果两个点之间的增量为

1.0

，则计算的

rate（）

将接近

2.0/240

，因此

增量（）

将为

2.0

这种方法在计数器平稳增加的情况下（例如，如果您每2分钟的注册次数或多或少是固定的）效果最好。但是对于很少增加的计数器（注册计数器也是如此）或尖峰计数器（如CPU使用量），您会得到奇怪的高估值（如您看到的增加2）

基本上，你可以对普罗米修斯的实现进行反向工程，通过乘以

（请求的范围-刮取间隔）

并除以

请求的范围

，得到（非常接近的）实际增加量，基本上回到普罗米修斯所做的推断

对你来说，这意味着

increase(signups_count[4m]) * (240 - 120) / 240

或者更简洁地说

increase(signups_count[4m]) / 2

---

它要求你知道射程的长度和刮伤间隔，但它会给你你想要的：“一对一，两对两，大多数时候”。有时你会得到

1.01

，而不是

1.0

，因为刮伤间隔119秒，而不是120秒。有时，如果你的评估与刮伤紧密一致，边界上的一些点可能包括在数据点计算中，也可能不包括在数据点计算中，但这仍然是一个比

2.0

更好的答案。这不是一个好建议，因为它假定正好有2个样本始终在这个范围内。首先，它对失败的刮伤没有弹性，因为它仍然使用一个过低的范围。其次，它对刮伤的相位和抖动进行了假设，这是你无法依赖的，并且可能会导致答案比它应该的要大得多。它假设在大多数时间内正好有2个样本在这个范围内。这正是OP所要求的：“大多数情况下，一对一，二对二。而纯速率（）/increase（）在相位和抖动方面有着完全相同的问题：它们产生的答案比它们应该的要大得多（除此之外，他们已经给出了两倍于平均情况下答案大小的事实。此外，您仍然可以使用相同的基本方法进行更长的范围，并且仍然可以改进增加的内容（）返回。没有什么强迫您使用2倍的刮取间隔。只是在大多数情况下，您可以并且将得到比增加（）更好的答案。请尝试。它提供了

increase（）

函数，可为缓慢增加的时间序列返回正确的整数结果。此语句“任何基于度量的监控系统都会有类似的工件，如果你想要100%的准确度，你需要日志。”事实上是不正确的，这不仅是普罗米修斯独有的，而且许多人已经向普罗米修斯提交了bug，并提出了解决此问题的建议。