對很多人來說，未知、不確定、不在掌控的東西，會有潛意識的逃避。
當我第一次接觸 Prometheus 的時候也有類似的感覺。對初學者來說， Prometheus 包含的概念太多了，門檻也太高了。
概念：Instance、Job、Metric、Metric Name、Metric Label、Metric Value、Metric Type（Counter、Gauge、Histogram、Summary）、DataType（Instant Vector、Range Vector、Scalar、String）、Operator、Function
馬雲說：“雖然阿里巴巴是全球最大的零售平臺，但阿里不是零售公司，是一家數據公司”。
Prometheus 也是一樣，本質來說是一個基於數據的監控系統。
日常監控
假設需要監控 WebServerA 每個API的請求量爲例，需要監控的維度包括：服務名（job）、實例IP（instance）、API名（handler）、方法（method）、返回碼(code)、請求量（value）。
如果以SQL爲例，演示常見的查詢操作：
查詢 method=put 且 code=200 的請求量(紅框)
SELECT * from http_requests_total WHERE code=”200” AND method=”put” AND created_at BETWEEN 1495435700 AND 1495435710;
查詢 handler=prometheus 且 method=post 的請求量(綠框)
SELECT * from http_requests_total WHERE handler=”prometheus” AND method=”post” AND created_at BETWEEN 1495435700 AND 1495435710;
查詢 instance=10.59.8.110 且 handler 以 query 開頭 的請求量(綠框)
SELECT * from http_requests_total WHERE handler=”query” AND instance=”10.59.8.110” AND created_at BETWEEN 1495435700 AND 1495435710;
通過以上示例可以看出，在常用查詢和統計方面，日常監控多用於根據監控的維度進行查詢與時間進行組合查詢。
如果監控100個服務，平均每個服務部署10個實例，每個服務有20個API，4個方法，30秒收集一次數據，保留60天。那麼總數據條數爲：100(服務) 10（實例） 20（API） 4（方法） 86400（1天秒數）* 60(天) / 30（秒）= 138.24 億條數據，寫入、存儲、查詢如此量級的數據是不可能在Mysql類的關係數據庫上完成的。
因此 Prometheus 使用 TSDB 作爲 存儲引擎。
存儲引擎
TSDB 作爲 Prometheus 的存儲引擎完美契合了監控數據的應用場景：
- 存儲的數據量級十分龐大
- 大部分時間都是寫入操作
- 寫入操作幾乎是順序添加，大多數時候數據到達後都以時間排序
- 寫操作很少寫入很久之前的數據，也很少更新數據。大多數情況在數據被採集到數秒或者數分鐘後就會被寫入數據庫
- 刪除操作一般爲區塊刪除，選定開始的歷史時間並指定後續的區塊。很少單獨刪除某個時間或者分開的隨機時間的數據
- 基本數據大，一般超過內存大小。一般選取的只是其一小部分且沒有規律，緩存幾乎不起任何作用
- 讀操作是十分典型的升序或者降序的順序讀
- 高併發的讀操作十分常見
那麼 TSDB 是怎麼實現以上功能的呢？
"labels": [{
"latency": "500"
}]
"samples":[{
"timestamp": 1473305798,
"value": 0.9
}]
原始數據分爲兩部分 label, samples。前者記錄監控的維度（標籤:標籤值），指標名稱和標籤的可選鍵值對唯一確定一條時間序列（使用 series_id 代表）；後者包含包含了時間戳（timestamp）和指標值（value）。
series
^
│. . . . . . . . . . . . server{latency="500"}
│. . . . . . . . . . . . server{latency="300"}
│. . . . . . . . . . . server{}
│. . . . . . . . . . . .
v
<-------- time ---------->
TSDB 使用 timeseries:doc:: 爲 key 存儲 value。爲了加速常見查詢查詢操作：label 和 時間範圍結合。
TSDB 額外構建了三種索引：Series, Label Index 和 Time Index。
以標籤 latency 爲例：
Series
存儲兩部分數據。一部分是按照字典序的排列的所有標籤鍵值對序列（series）；另外一部分是時間線到數據文件的索引，按照時間窗口切割存儲數據塊記錄的具體位置信息，因此在查詢時可以快速跳過大量非查詢窗口的記錄數據
Label Index
每對 label 爲會以 index:label: 爲 key，存儲該標籤所有值的列表，並通過引用指向 Series 該值的起始位置。
Time Index
數據會以 index:timeseries:: 爲 key，指向對應時間段的數據文件
數據計算
強大的存儲引擎爲數據計算提供了完美的助力，使得 Prometheus 與其他監控服務完全不同。
Prometheus 可以查詢出不同的數據序列，然後再加上基礎的運算符，以及強大的函數，就可以執行 metric series 的矩陣運算（見下圖）。
如此，Promtheus體系的能力不弱於監控界的“數據倉庫”+“計算平臺”。因此，在大數據的開始在業界得到應用，就能明白，這就是監控未來的方向。
一次計算，處處查詢
當然，如此強大的計算能力，消耗的資源也是挺恐怖的。
因此，查詢預計算結果通常比每次需要原始表達式都要快得多，尤其是在儀表盤和告警規則的適用場景中，儀表盤每次刷新都需要重複查詢相同的表達式，告警規則每次運算也是如此。
因此，Prometheus提供了 Recoding rules，可以預先計算經常需要或者計算量大的表達式，並將其結果保存爲一組新的時間序列， 達到一次計算，多次查詢的目的。
