Las consultas de PromQL en Google Cloud Managed Service para Prometheus se evalúan de forma parcial en el backend de Monarch mediante el lenguaje de consultas de Monitoring (MQL) y existen algunas diferencias conocidas en los resultados de la consulta. En este documento, se describen las diferencias.
Aparte de las diferencias que se mencionan en este documento, PromQL en Managed Service para Prometheus está a la par con PromQL disponible en la versión 2.44 de Prometheus.Es posible que las funciones de PromQL agregadas después de la versión 2.44 de Prometheus no sean compatibles.
Coincidencias en nombres de métricas
Solo se admite la coincidencia exacta en los nombres de métricas. Debes incluir una coincidencia exacta en el nombre de la métrica en tu consulta.
Recomendamos las siguientes soluciones para situaciones comunes que usan un comparador de expresiones regulares en la etiqueta __name__:
- Las configuraciones del adaptador de Prometheus suelen usar el operador
=~para hacer coincidir varios nombres de métricas. Para corregir este uso, expande la configuración para usar una política distinta para cada métrica y asígnale un nombre a cada una de ellas de forma explícita. Esto también evita que realices el ajuste de escala automático de forma accidental en métricas inesperadas. - A menudo, las expresiones regulares se usan para graficar varias métricas no dimensionales en el mismo gráfico. Por ejemplo, si tienes una métrica como
cpu_servicename_usage, puedes usar un comodín para graficar todos tus servicios juntos. El uso de métricas no dimensionales como esta es una práctica explícitamente incorrecta en Cloud Monitoring, y esta práctica genera un rendimiento de las consultas extremadamente bajo. Para corregir este uso, mueve toda la dimensionalidad a las etiquetas de métrica en lugar de incorporar dimensiones en el nombre de la métrica. - A menudo, se realizan consultas sobre varias métricas para ver cuáles están disponibles para consultar. En su lugar, te recomendamos que uses la llamada
/labels/__name__/valuespara descubrir métricas. También puedes descubrir métricas con la IU de Cloud Monitoring. - Hacer coincidir varias métricas es útil para ver cuántas muestras se recopilaron, transfirieron y cobraron por métrica. Cloud Monitoring te proporciona esta información en la página Administración de métricas. También puedes acceder a esta información como datos de métricas con la métrica Samples Ingested o la métrica Samples Written by Attribution ID.
Inactivo
La inactividad no es compatible con el backend de Monarch.
Cálculo de irate
Cuando el período de visualización de la función irate es menor que el tamaño del paso, aumentamos la ventana al tamaño del paso.
Monarch requiere este cambio para garantizar que ninguno de los datos de entrada se ignore por completo en el resultado. Esta diferencia también se aplica a los cálculos de rate.
Cálculo de rate y increase
Cuando el período de visualización de la función rate es menor que el tamaño del paso, aumentamos la ventana al tamaño del paso.
Monarch requiere este cambio para garantizar que ninguno de los datos de entrada se ignore por completo en el resultado. Esta diferencia también se aplica a los cálculos de irate.
Existen diferencias en los cálculos de interpolación y extrapolación. Monarch usa un algoritmo de interpolación diferente al de Prometheus, y esta diferencia puede generar resultados un poco diferentes. Por ejemplo, los ejemplos de contador Monarch se almacenan con un intervalo de tiempo en lugar de la marca de tiempo única que usa Prometheus. Por lo tanto, las muestras de contadores en Monarc se pueden incluir en un cálculo de frecuencia aunque la marca de tiempo de Prometheus las excluya. Por lo general, esto da como resultado resultados más precisos, en especial cuando se consulta el principio o el final de las series temporales subyacentes.
Cálculo de histogram_quantile
Un cálculo de histogram_quantile de PromQL en un histograma sin muestras produce un valor de NaN. El cálculo del lenguaje de consulta interno no produce ningún valor. En su lugar, se descarta el punto en la marca de tiempo.
Las diferencias de cálculo de frecuencia también pueden afectar la entrada a las consultas histogram_quantile.
Funciones de tipo específico en métricas de tipado diferente
Aunque Prometheus upstream es de tipado débil, Monarch es de tipado fuerte. Esto significa que ejecutar funciones específicas de un solo tipo en una métrica de tipado diferente (por ejemplo, ejecutar rate() en una métrica GAUGE o histogram_quantile() en una métrica COUNTER o sin tipado) no funciona en Managed Service para Prometheus, aunque estas funciones funcionan en Prometheus upstream.