数据模型
Prom 使用 Time-Series 来存储数据：时间戳化的值流，这些 值 属于同个指标和同组标记维度的；
除了存储的 Time-Series，Prometheus 可能会生成临时派生的时间序列作为查询的结果。
Metric-Name and Lable
每个 Time-Series 都有 Metric-Name 和 Lable（是可选的，键值对）组成；
Metric-Name 描述指标名称，例如 http_requests_total 形式；
命名 [a-zA-Z_:][a-zA-Z0-9_:]* 规则，其中冒号视为 用户定义的记录规则 而保留的，不建议使用。
Label 使 Prom 具有多维度数据模型：
1）针对相同的 Metric-Name，通过不同的 Label 组合，能够标识出特定维度的指标实例；
2）查询语句允许我们基于这些维度进行过滤和聚合；
3）Label 的变化导致新 Time-Series 的创建；
4）Lable 命名规则 [a-zA-Z_][a-zA-Z0-9_]* 形式；__ 开始的 Lable-Name 用于内部；
5）Lable Value 为空等于未定义该 Lable；
Samples
Samples 组成实际的 Time-Series 数据，两部分组成：1）float64 value；2）毫秒精度的时间戳；
Notaiton
通常用如下符号（Notation）来表示 Time-Series：
<metric name>{<label name>=<label value>, ...}
指标类型
这里的指标类型，是指数据类型。该概念仅在客户端中使用，Prome Server 不使用数据类型的概念，所有的数据被以无类型的 Time-Series 存储；
Counter
单调递增的数据指标，或重启置零。不用用于经常上下波动的数值。
Gauge
能够任意上下波动的数值。例如，衡量温度、内存使用；
Histogram
直方图（Histogram）对观察结果进行采样（通常是请求持续时间或响应大小等），并将它们计入可配置的存储桶中。它还提供所有观察值的总和。
直方图通常保留多个指标：
1）basename>_bucket{le=”<upper inclusive bound>”}
2）<basename>_sum
3）<basename>_count
通过 histogram_quantile() 从直方图甚至直方图的聚合中计算分位数。直方图也适用于计算 Apdex 分数。在 bucket 上操作时，请记住直方图是累积的。
Summary
与直方图类似，Summary 对观察结果进行采样（通常是请求持续时间和响应大小等）。虽然它还提供了观察总数和所有观察值的总和，但它计算了滑动时间窗口上的可配置分位数。
Summary 类型，在采样时，同时会暴露多个指标：
1）<basename>{quantile=”<φ>”}
2）<basename>_sum
3）<basename>_count
Job and Instance
能够被爬取的 Endpoint 被成为 Instance，通常对应单个进程（根据我们的理解，可以简单理解成 http/metrics 接口）；
Job：具有相同目的的 Instance 的集合被称为 Job（根据我们理解，例如 多个 Instance 都为相同类型的指标，同时被抓取）
自动生成 Label 和 Time-Series
当 Prom 抓取目标后，将自动追加某些标签，以标识其来源：
1）job：是 Job 的名称；
2）instance：被抓取的 URL 的 IP-ADDR:PORT；
3）如果这些标签已经存在，具体的行为取决于 honor_labels 的配置；
对于每个抓取的 Instance，Prometheus 会创建如下的 Time-Series：
1）up{job=”<job-name>”, instance=”<instance-id>”}
2）scrape_duration_seconds{job=”<job-name>”, instance=”<instance-id>”}
3）scrape_samples_post_metric_relabeling{job=”<job-name>”, instance=”<instance-id>”}
4）scrape_samples_scraped{job=”<job-name>”, instance=”<instance-id>”}
5）scrape_series_added{job=”<job-name>”, instance=”<instance-id>”}
参考文献