Metriken

Was es ist

Metriken sind Messungen eines laufenden Diensts. Jede wird zu einem
Zeitpunkt erhoben und als Wert mit Zeitstempel und einigen Labels
aufbewahrt. Dieselbe Größe lässt sich dadurch eine Minute, einen Tag
oder einen Monat später erneut ablesen. Eine benannte Größe ist eine
Metrik. Als Folge von Werten über die Zeit gespeichert wird sie zur
Zeitreihe. OpenTelemetry zählt Metriken neben Traces und Logs zu
seinen Signalen. Beantwortete Anfragen, belegter Speicher und
wartende Aufträge in einer Warteschlange sind typische Metriken.

Was Metriken von den anderen Signalen unterscheidet, ist die
Aggregation. Ein Log hält eine Zeile pro Ereignis fest, ein Trace
verfolgt eine Anfrage durch das System. Eine Metrik fasst viele
Messungen über ein Zeitfenster in wenigen statistischen Angaben
zusammen: einer Anzahl, einer Summe, einem aktuellen Wert oder einer
Verteilung auf Klassen. Die OpenTelemetry-Dokumentation nennt das
Ergebnis aggregierte statistische Information. Darin liegen Stärke
und Grenze zugleich: Eine Metrik sagt, wie viele Anfragen in der
letzten Minute fehlschlugen, ein Log sagt, welche.

OpenTelemetry und Prometheus stimmen bei einer kleinen Auswahl von
Messwerttypen überein. Den richtigen zu wählen macht den größten
Teil des Entwurfs aus:

  * Ein Zähler, englisch Counter, summiert auf und steigt nur, wie
der Kilometerzähler eines Autos: beantwortete Anfragen, gesendete
Bytes, erkannte Fehler. Prometheus erlaubt eine Ausnahme, das
Zurücksetzen auf null beim Neustart des Prozesses.

  * Ein Auf-und-ab-Zähler, bei OpenTelemetry Up-Down Counter
genannt, summiert auf, kann aber auch sinken, etwa die Länge einer
Warteschlange, wenn Arbeit hinzukommt und abgearbeitet wird.

  * Eine Gauge ist ein zum Ablesezeitpunkt erfasster aktueller Wert,
wie die Tankanzeige desselben Autos: belegter Speicher, Temperatur
oder gerade laufende Anfragen.

  * Ein Histogramm ordnet Messungen Klassen zu und hält ihre Anzahl
und Summe fest. Es kann dadurch beantworten, wie viele Anfragen
weniger als eine Sekunde dauerten.

Prometheus hat außerdem eine Summary, die Quantile im Programm
berechnet. Das OpenTelemetry-Datenmodell führt sie nur als
historischen Typ, weil sich Summaries nicht immer sinnvoll
zusammenführen lassen.

Das von Prometheus abgefragte Textformat zeigt die Teile zusammen:
eine Hilfezeile, eine Typzeile und danach eine Zeile je
Labelkombination mit Namen, Labels, Wert und optionalem Zeitstempel
in Millisekunden seit der Epoche:

```text
i# HELP http_requests_total The total number of HTTP requests.		engineer.company	70
i# TYPE http_requests_total counter		engineer.company	70
http_requests_total{method="post",code="200"} 1027 1395066363000
http_requests_total{method="post",code="400"} 3 1395066363000
```

Warum es wichtig ist

Metriken sind günstig genug, um alles zu erfassen. Ihr
Speicherbedarf wächst mit der Zahl unterschiedlicher
Labelkombinationen, nicht mit dem Datenverkehr. Das sagt die
OpenTelemetry-Dokumentation im Gegensatz zu Logs ausdrücklich. Ein
Zähler, der eine Milliarde Mal erhöht wurde, ist weiterhin eine
einzige Zahl. Deshalb kann ein Team jede Anfrage statt einer
Stichprobe zählen und die Zahlen lange genug aufbewahren, um diesen
Monat mit dem letzten zu vergleichen.

Sie machen aus Diskussionen Messungen. Ob ein Host groß genug ist,
ob eine Veröffentlichung Antworten langsamer gemacht hat, wie bald
eine Platte voll wird: Jede Frage hat eine Antwort in einer schon
vorher aufgezeichneten Zeitreihe. Alarme beruhen auf denselben
Zahlen. Eine Alarmregel ist eine Bedingung über einer Metrik, für
die jemand entschieden hat, dass sie das Aufwecken wert ist.

Metriken überleben auch den Code, der sie ausgibt. Ihre Form sollte
deshalb stimmen. Der Prometheus-Namensleitfaden verlangt eine
Einheit und eine Größe pro Metrik, in Basiseinheiten wie Sekunden
und Bytes statt Millisekunden oder Megabytes. Die Einheit steht als
Suffix im Plural, eine auflaufende Anzahl erhält `_total`. Namen wie
`http_request_duration_seconds` und `process_cpu_seconds_total`
sagen dann schon selbst, was sie enthalten.

Auch die Übertragung von Summen ist wichtig. Prometheus meldet
kumulative Gesamtwerte, sodass sich Lücken durch gelegentliche
Erfassungsfehler ausgleichen. Der Preis ist Speicher im Sender
proportional zu dessen Labelkombinationen. StatsD meldet Deltas,
also die Änderung seit der letzten Meldung, und verlagert diese
Kosten aus dem Prozess.

Wie es in der Praxis aussieht

Der eigene Host für öffentliche Dienste des Unternehmens ist ein
Rechner mit einem Kern und 512 MB Speicher, wovon ungefähr 464 MB
nutzbar sind. Auf ihm wurde Speicher zum Argument, das
Entscheidungen klärte. Die Berichte werden aktiv abgerufen: sieben
Befehle, die den Host auslesen und Markdown erzeugen, nichts
verändern und nur auf Anforderung laufen. Als die Frage aufkam, ob
dieser eine Host mit 512 MB auch einen Onion-Dienst tragen könnte,
kam die Antwort aus einem aufgezeichneten Tag mit Messstichproben
statt aus einer Meinung: Der verfügbare Speicher sank nie unter
ungefähr 310 MB von 464, Swap lag bei 2,6 Prozent und der Prozessor
war zu 99,7 Prozent untätig.

Später mussten diese Berichte angeben, was ihre Zahlen wert waren.
Sechs rein lesende Kollektoren mussten erklären, was sie nie lasen,
nachdem klar geworden war, dass eine blinde Erfassung und ein
gesunder Host dieselbe Seite erzeugten: Ein Mirror, dessen Daemon
das Logformat geändert hatte, lieferte dieselbe Null wie einer, den
niemand besuchte. Grenzwerte wurden an die 116 bereits vom
Metrikbericht erhobenen Stichproben angepasst; die beobachteten
Bereiche stehen neben den Grenzen. Der Bericht unterscheidet drei
Ergebnisse: Grenzverletzung, keine Grenzverletzung und nicht
bewertet, weil nichts gemessen wurde. Jeder Kollektor meldet seine
Laufzeit und seine Blindstellen, etwa gelesene gegenüber unlesbaren
Dateien, selbst wenn die Antwort null lautet. Die Grenzwerte gelten
für Tagesmittelwerte, die eine einminütige Spitze verbergen können.
Der Schalter mit seinem Fünfzehn-Minuten-Takt prüft bei jedem Lauf
den verfügbaren Speicher und den freien Plattenplatz. Eine kurze
Grenzverletzung zwischen seinen Prüfungen kann trotzdem unbemerkt
bleiben.

Die nützlichsten Metriken stammen oft aus dem Problem statt vom
Host. Die Notiz zum Verkauf begrenzter Bestände ohne Überverkauf
zeigt Wartezeiten auf Sperren, abgelaufene Reservierungen und den
Abstand zwischen der Zählung des Zugangstors und der Datenbank auf
einem Dashboard. Sie prüft die Invariante `available + held + sold =
total` nach Zeitplan, stellt sie grafisch dar und benachrichtigt bei
jeder Abweichung den Bereitschaftsdienst. Jede dieser Zahlen
entsteht aus dem Wissen, wie dieser Verkauf schiefgeht.

Wo es schiefgeht

Metriken scheitern selten laut. Die Kurve wird weiter gezeichnet,
und die angezeigte Zahl bedeutet unbemerkt etwas anderes, als ihr
Name sagt.

Ein sinkender Wert wird als Zähler veröffentlicht. Die
Prometheus-Seite zu Metriktypen sagt, keinen Zähler für etwas zu
verwenden, das sinken kann, etwa die Zahl laufender Prozesse. Das
ist eine Gauge. Die Abfragefunktionen behandeln jedes Absinken eines
Zählers als Neustart und korrigieren es. Ein absichtlich sinkender
Wert erscheint dadurch als Anstieg, der nie stattgefunden hat.

Einheiten driften zwischen Diensten auseinander. Ein Dienst meldet
eine Dauer in Millisekunden, ein anderer in Sekunden. Ein
vergleichendes Panel liegt um den Faktor tausend falsch. Der
Namensleitfaden sagt, dass sich eine Metrik auf eine einzige Einheit
beziehen muss und Basiseinheiten verwenden sollte. Einmal an der
Quelle umzurechnen ist günstiger, als den Unterschied in jeder
Abfrage mitzudenken.

Eine Summe über Labels sagt nichts aus. Die Faustregel des
Namensleitfadens lautet, dass die Summe oder der Durchschnitt über
alle Labels einer Metrik sinnvoll sein sollte. Sein eigenes
Beispiel: Die Kapazitäten mehrerer Warteschlangen gehören in einer
Metrik zusammen, die Kapazität einer Warteschlange und ihre aktuelle
Länge dagegen nicht.

Nicht gemessen wird als null gelesen. Ein Kollektor, der seine
Eingabe nicht mehr liest, hinterlässt eine Null oder eine fehlende
Zeile, die genau wie ein ruhiges System aussieht. Das
OpenTelemetry-Datenmodell hat ein Flag für einen Punkt ohne
aufgezeichneten Wert, das Gegenstück zum Prometheus-Marker für nicht
mehr aktuelle Werte. Fehlende Daten und der Wert null sind
verschiedene Tatsachen. Melden Sie sie verschieden und geben Sie
„nicht bewertet“ ein eigenes Ergebnis, wie die Kollektoren oben.

Das Zeitfenster versteckt die Spitze. Eine Gauge liefert eine
Momentaufnahme. Das OpenTelemetry-Datenmodell meldet nur den letzten
Wert jedes Intervalls, sodass ein Ausschlag zwischen zwei Messungen
keine Spur hinterlässt. Ein Tagesmittel glättet genauso eine Minute
an der Obergrenze weg. Wählen Sie das Fenster nach dem zu
erkennenden Fehler und lassen Sie eine schnelle Prüfung neben einer
langsamen laufen, wenn beides zählt.

Ein Überlauf lässt eine gefilterte Abfrage zu wenig zählen. Das
OpenTelemetry-SDK verfolgt standardmäßig höchstens 2.000
unterschiedliche Attributkombinationen je Metrikdatenstrom und fasst
alle weiteren in einem einzigen Datenpunkt mit
`otel.metric.overflow=true` zusammen. Die Gesamtsumme bleibt
richtig. Der Überlauf ersetzt aber die gesamte Kombination, nicht
nur ihren störenden Teil. Im eigenen Beispiel der Dokumentation
trägt ein Anfragezähler `url.path` und `success`. Nach dem Überlauf
zählt eine Abfrage nach `success=false` zu wenig, und ein darauf
beruhender Fehlerratenalarm kann aufhören auszulösen. Beschränken
Sie Attribute auf kleine, bekannte Mengen und achten Sie auf den
Überlaufmarker.

Weiterführende Lektüre

  * OpenTelemetry: Metriken — Instrumentarten, Aggregation und die
Kardinalitätsgrenze.

  * OpenTelemetry: Metrikdatenmodell — Gauges, Summen, Histogramme,
Zeitbezug und das Flag für nicht aufgezeichnete Werte.

  * Prometheus: Metriktypen — Counter, Gauge, Histogramm und
Summary.

  * Prometheus: Metrik- und Labelnamen — Basiseinheiten,
Einheitensuffixe und `_total`.

  * Prometheus: Histogramme und Summaries — wo Quantile berechnet
werden und welche sich zusammenführen lassen.

  * Prometheus: Ausgabeformate — das Textformat Zeile für Zeile.

hDiese Seite im Web	URL:https://engineer.company/de/glossary/metrics/	engineer.company	70
