浅谈Prometheus的数据存储

目录

• 1、概述

• 2、时间序列

• 3、二维模型

• 4、存储策略的演进

• 4.1 1.x 版本

• 4.2 2.x 版本

本文是结合耗子叔的视频及 Prometheus 作者部分原文整理，加上部分个人理解而来，膜拜大神~

1、概述

Prometheus是一套开源的监控&报警&时间序列数据库的组合

Prometheus内部主要分为三大块，Retrieval是负责定时去暴露的目标页面上去抓取采样指标数据，Storage是负责将采样数据写磁盘，PromQL是Prometheus提供的查询语言模块

其有着非常高效的时间序列数据存储方法，每个采样数据仅仅占用3.5byte左右空间

在早期有一个单独的项目叫做 TSDB，但是，在2.1.x的某个版本，已经不单独维护这个项目了，直接将这个项目合并到了prometheus的主干上了

prometheus每次抓取的数据，对于操作者来说可见的格式（即在prometheus界面查询到的值）

requests_total{path="/status", method="GET", instance="10.0.0.1:80"} @1534317560938 94355

意思就是在1534317560938这个时间点，10.0.0.1:80这个实例上，GET /status 这个请求的次数累计是 94355次

最终存储在TSDB中的格式为

{__name__="requests_total", path="/status", method="GET", instance="10.0.0.1:80"}

2、时间序列

• Data scheme数据标识

identifier -> (t0, v0), (t1, v1), (t2, v2), (t3, v3), ...

• Prometheus Data Model数据模型

<metric name>{<label name>=<label value>, ...}

• Typical set of series identifiers

• Query 查询

__name__="requests_total"：查询所有属于requests_total的序列

method="PUT|POST"：查询所有序列中方法是PUT或POST的序列

3、二维模型

• Write 写：每个目标暴露成百上千个不同的时间序列，写入模式是完全垂直和高度并发的，因为来自每个目标的样本是独立的

• Query 查：查询数据时可以并行和批处理

series
  ^
  │   . . . . . . . . . . . . . . . . .   . . . . .   {__name__="request_total", method="GET"}
  │     . . . . . . . . . . . . . . . . . . . . . .   {__name__="request_total", method="POST"}
  │         . . . . . . .
  │       . . .     . . . . . . . . . . . . . . . .                  ...
  │     . . . . . . . . . . . . . . . . .   . . . .
  │     . . . . . . . . . .   . . . . . . . . . . .   {__name__="errors_total", method="POST"}
  │           . . .   . . . . . . . . .   . . . . .   {__name__="errors_total", method="GET"}
  │         . . . . . . . . .       . . . . .
  │       . . .     . . . . . . . . . . . . . . . .                  ...
  │     . . . . . . . . . . . . . . . .   . . . .
  v
    <-------------------- time --------------------->

二维模型中横轴表示时间，纵轴表示各数据点

这类设计会带来的问题如下

存储问题

如上图所示，在二维模型中的读写差别是很大的

（时间序列查询）读时带来的随机读问题和查询带来的随机写问题，（查询）读往往会比写更复杂，这是很慢的。尽管用了SSD，但会带来写放大的问题，SSD是4k写，256k删除，SSD之所以快，实际上靠的是算法，因此在文件碎片如此大的情况下，都是不能满足的

理想状态下的写应该是顺序写、批量写，对于相同的时间序列读应该也是顺序读

4、存储策略的演进

4.1 1.x 版本

1.x 版本下，存储情况是这样的

• 每个时间序列都对应一个文件
• 在内存中批量处理 1kb 的的 chunk

   ┌──────────┬─────────┬─────────┬─────────┬─────────┐           series A
   └──────────┴─────────┴─────────┴─────────┴─────────┘
          ┌──────────┬─────────┬─────────┬─────────┬─────────┐    series B
          └──────────┴─────────┴─────────┴─────────┴─────────┘
                              . . .
 ┌──────────┬─────────┬─────────┬─────────┬─────────┬─────────┐   series XYZ
 └──────────┴─────────┴─────────┴─────────┴─────────┴─────────┘
   chunk 1    chunk 2   chunk 3     ...

存在的问题：

• chunk保存在内存中，如果应用程序或节点崩溃，它可能会丢失

• 由于时间序列的维度很多，对于的文件个数也会很多，这可能耗尽操作系统的inode

• 上千的chunk保存在硬盘需要持久化，可能会导致磁盘I/O非常繁忙

• 磁盘I/O打开很多的文件，会导致非常高的延迟

• 旧数据需要清理，这可能会导致SSD的写放大

• 非常大的CPU、内存、磁盘资源消耗

• 序列的丢失和变动

例如一些时间序列变得不活跃，而另一些时间序列变得活跃，原因在于例如k8s中应用程序的连续自动扩展和频繁滚动更新带来的实例的ip等变化，每天可能会创建数万个新应用程序实例，以及全新的时间序列集

因此，即使整个基础设施的规模大致保持不变，随着时间的推移，数据库中的时间序列也会线性增长。即使Prometheus服务器能够收集1000万个时间序列的数据，但如果必须在10亿个序列中找到数据，查询性能会受到很大影响

series
  ^
  │   . . . . . .
  │   . . . . . .
  │   . . . . . .
  │               . . . . . . .
  │               . . . . . . .
  │               . . . . . . .
  │                             . . . . . .
  │                             . . . . . .
  │                                         . . . . .
  │                                         . . . . .
  │                                         . . . . .
  v
    <-------------------- time --------------------->

4.2 2.x 版本

2.x 时代的存储布局

https://github.com/prometheus/prometheus/blob/release-2.25/tsdb/docs/format/README.md

4.2.1 数据存储分块

• 01xxxxx 数据块

  ULID，和UUID一样，但是是按照字典和编码的创建时间排序的

• chunk 目录

  包含各种系列的原始数据点块，但不再是每个序列对应一个单一的文件

• index 数据索引

  可以通过标签找到数据，这里保存了Label和Series的数据

• meta.json 可读元数据

  对应存储和它包含的数据的状态

• tombstone

  删除的数据将被记录到这个文件中，而不是从块文件中删除

• wal 预写日志 Write-Ahead Log

  WAL段将被截断到checkpoint.X目录中

• chunks_head

  在内存中的数据

• 数据将每 2 小时保存到磁盘中

• WAL 用于数据恢复

• 2 小时块可以高效查询范围数据

分块存储后，每个目录都是独立的存储目录，结构如下：

$ tree ./data
./data
├── b-000001
│   ├── chunks
│   │   ├── 000001
│   │   ├── 000002
│   │   └── 000003
│   ├── index
│   └── meta.json
├── b-000004
│   ├── chunks
│   │   └── 000001
│   ├── index
│   └── meta.json
├── b-000005
│   ├── chunks
│   │   └── 000001
│   ├── index
│   └── meta.json
└── b-000006
    ├── meta.json
    └── wal
        ├── 000001
        ├── 000002
        └── 000003

分块存储对应着Blocks，可以看做是小型数据库

• 将数据分成互不重叠的块

  每个块都充当一个完全独立的数据库

  包含其时间窗口的所有时间序列数据

  有自己的索引和块文件集

• 每个数据块都是不可变的

• 当前块可以追加数据

• 所有新数据都写入内存数据库

• 为了防止数据丢失，还写了一个临时 WAL

t0            t1             t2             t3             now
 ┌───────────┐  ┌───────────┐  ┌───────────┐  ┌───────────┐
 │           │  │           │  │           │  │           │                 ┌────────────┐
 │           │  │           │  │           │  │  mutable  │ <─── write ──── ┤ Prometheus │
 │           │  │           │  │           │  │           │                 └────────────┘
 └───────────┘  └───────────┘  └───────────┘  └───────────┘                        ^
       └──────────────┴───────┬──────┴──────────────┘                              │
                              │                                                  query
                              │                                                    │
                            merge ─────────────────────────────────────────────────┘

4.2.2 block 合并

上面分离了block后，会带来的问题

• 当查询多个块时，必须将它们的结果合并到一个整体结果中
• 如果我们需要一个星期的查询，它必须合并 80 多个 block 块

t0             t1            t2             t3             t4             now
 ┌────────────┐  ┌──────────┐  ┌───────────┐  ┌───────────┐  ┌───────────┐
 │ 1          │  │ 2        │  │ 3         │  │ 4         │  │ 5 mutable │    before
 └────────────┘  └──────────┘  └───────────┘  └───────────┘  └───────────┘
 ┌─────────────────────────────────────────┐  ┌───────────┐  ┌───────────┐
 │ 1              compacted                │  │ 4         │  │ 5 mutable │    after (option A)
 └─────────────────────────────────────────┘  └───────────┘  └───────────┘
 ┌──────────────────────────┐  ┌──────────────────────────┐  ┌───────────┐
 │ 1       compacted        │  │ 3      compacted         │  │ 5 mutable │    after (option B)
 └──────────────────────────┘  └──────────────────────────┘  └───────────┘

4.2.3 数据保留

                      |
 ┌────────────┐  ┌────┼─────┐  ┌───────────┐  ┌───────────┐  ┌───────────┐
 │ 1          │  │ 2  |     │  │ 3         │  │ 4         │  │ 5         │   . . .
 └────────────┘  └────┼─────┘  └───────────┘  └───────────┘  └───────────┘
                      |
                      |
             retention boundary

第1块可以被安全删除，第2块必须保持直到它完全超出边界

块合并带来的影响

• 块压缩可能使块太大而无法删除
• 需要限制块的大小

最大块大小 = 保留窗口 * 10%

4.2.4 查询和索引

主要特点

• 使用倒排索引，倒排索引提供基于其内容子集的数据项的快速查找。例如，可以查找所有具有标签的系列，app=”nginx"而无需遍历每个系列并检查它是否包含该标签

• 正向索引，为每个序列分配一个唯一的ID，通过它可以在恒定的时间内检索

一个目录中保存了很多Series，如果想要根据一个Label来查询对应的所有Series，具体流程是什么呢

为每个Series中的所有Label都建立了一个倒排索引

正向索引的引入，给每个Series分配了一个ID，便于组合查询

例如，如果查询的语句是：__name __ =“requests_total” AND app =“nginx”

需要先分别找出对应的倒排索引，再求交集，由此会带来一定的时间复杂度O(N2，为了减少时间复杂度，实际上倒排索引中的SeriesID是有序的，那么采取ZigZag的查找方式，可以保证在O(N)的时间复杂来找到最终的结果

4.2.6 WAL

通过mmap(不经过文件系统的写数据方式)，同时在内存和WAL预写日志Write-Ahead Log中保存数据，即可以保证数据的持久不丢失，又可以保证崩溃之后从故障中恢复的时间很短，因为是从内存中恢复

4.2.7 小结

新的存储结构带来的好处

• 在查询某个时间范围时，可以轻松忽略该范围之外的所有数据块。它通过减少检查数据集来轻松解决数据流失问题
• 当完成一个块时，可以通过顺序写入一些较大的文件来保存内存数据库中的数据。避免任何写放大，并同样为 SSD和HDD提供服务
• 保留了V2的良好特性，即最近查询最多的块总是在内存中的
• 不再受限于固定的1KiB块大小来更好地对齐磁盘上的数据。可以选择对单个数据点和所选压缩格式最有意义的任何大小
• 删除旧数据变得非常便宜和即时，只需要删除一个目录。在旧版本的存储中，必须分析和重写多达数亿个文件，这可能需要数小时才能收敛

参考资料