跳到主要内容

关键指标定义

在分布式系统中，监控和告警是确保系统可靠性的关键环节。Zipkin作为分布式追踪系统，提供了丰富的指标来帮助开发者理解系统的性能和行为。本章将介绍Zipkin中的关键指标定义，帮助你识别和监控系统的核心性能指标。

介绍​

关键指标（Key Metrics）是衡量系统健康状况的量化数据。在Zipkin中，这些指标通常与延迟（Latency）、**错误率（Error Rate）和吞吐量（Throughput）**相关。通过监控这些指标，你可以快速发现潜在问题并采取相应措施。

提示

关键指标是告警规则的基础。定义清晰的指标能帮助你更早发现问题。

核心指标分类​

Zipkin的监控指标主要分为以下几类：

1. 延迟（Latency）​

延迟是指请求从发起到完成所花费的时间。在Zipkin中，延迟通常以**百分位数（P99、P95、P50）**的形式呈现。

  • P99：99%的请求完成时间小于此值。
  • P50（中位数）：50%的请求完成时间小于此值。

2. 错误率（Error Rate）​

错误率是指请求失败的比例。Zipkin通过追踪HTTP状态码（如4xx、5xx）或自定义错误标记来统计错误率。

错误率 = (错误请求数 / 总请求数) * 100%

3. 吞吐量（Throughput）​

吞吐量是指系统在单位时间内处理的请求数量，通常以**请求/秒（RPS）**为单位。

实际案例​

假设你有一个用户服务（User Service），通过Zipkin监控其关键指标：

场景：用户登录接口​

  • 延迟：P99为500ms，P50为100ms。
  • 错误率：因密码错误返回401的比例为5%。
  • 吞吐量：高峰期RPS为1000。
备注

如果P99延迟突然从500ms上升到1000ms，可能表明数据库查询变慢或网络拥塞。

代码示例​

以下是通过Prometheus查询Zipkin指标的示例（假设Zipkin数据已导出到Prometheus）：

promql
# 查询P99延迟
histogram_quantile(0.99, sum(rate(zipkin_latency_bucket[5m])) by (service)

# 查询错误率
sum(rate(zipkin_http_requests_total{status_code=~"4..|5.."}[5m])) / sum(rate(zipkin_http_requests_total[5m]))

输出示例：

zipkin_latency_p99{service="user-service"} 500ms
zipkin_error_rate{service="user-service"} 0.05

总结​

  • 延迟、错误率和吞吐量是Zipkin监控的三大核心指标。
  • 通过百分位数（如P99）分析延迟，能更精准地定位性能瓶颈。
  • 结合Prometheus等工具，可以自动化监控和告警。

附加资源​

  1. Zipkin官方文档：Metrics
  2. PromQL查询指南
  3. 练习：尝试为你的服务设置P99延迟告警（阈值自定）。