指标计算

日志能回答「某次请求发生了什么」,但值班的人不可能先读几万行日志才知道接口变慢了,他们需要的是错误率、延迟和吞吐的趋势;只盯 CPU 和内存同样是盲区,真正反映用户体验的是 RED——请求量、错误率、延迟。

指标计算就是把大量事件按时间窗口聚合成时间序列,error_rate = error_count / total_count。窗口太短,指标波动大、容易误报;窗口太长,发现问题又太慢,所以通常多粒度并存:10 秒用于快速告警,1 分钟用于常规看板,5 分钟到 1 小时用于趋势分析。延迟尤其不能只看平均值——平均 200ms 的接口,可能藏着 1% 耗时 5 秒的请求,P95、P99 才反映用户真实体验。

另一个坑是基数。指标标签只放有限集合的字段(service、api、status_code、env、region),user_id、order_id、trace_id 这类高基数字段留在日志里搜,否则时间序列数量会迅速膨胀,存储和查询成本失控。指标来源也有两条路径:应用直接上报语义清晰但需要业务改造,从结构化日志聚合接入成本低但依赖日志质量;两条路径并存时必须统一口径,否则同一个错误率会在两个看板上对不上。

读完这一章,你应该能选定指标类型、定出聚合窗口和标签维度,并解释为什么把 order_id 放进指标标签会拖垮整套指标系统。上一章产出结构化事件,这一章把它们变成可告警的信号。

章节

发现内容有问题?

告诉我们哪里需要改进。