直方图和摘要是更复杂的指标类型。单个直方图或摘要不仅会创建多个时间序列，而且正确使用这些指标类型也更加困难。本节将帮助您为您的用例选择和配置合适的指标类型。
某些库只支持两种类型中的一种，或者它们只以有限的方式支持摘要（缺乏 分位数计算）。
直方图和摘要都对观测值进行采样，通常是请求持续时间或响应大小。它们跟踪观测值的计数 _和_ 观测值的总和，允许您计算观测值的 _平均值_。请注意，观测值的计数（在 Prometheus 中显示为带有 _count 后缀的时间序列）本质上是一个计数器（如上所述，它只会增加）。观测值的总和（显示为带有 _sum 后缀的时间序列）也像计数器一样，只要没有负观测值。显然，请求持续时间或响应大小永远不会为负。但是，原则上，您可以使用摘要和直方图来观察负值（例如，摄氏温度）。在这种情况下，观测值的总和可能会下降，因此您不能再对它应用 rate()。在您需要应用 rate() 且无法避免负观测值的罕见情况下，您可以使用两个独立的摘要，一个用于正观测值，另一个用于负观测值（后者具有反转的符号），并将结果稍后与合适的 PromQL 表达式组合。
要计算过去 5 分钟内来自名为 http_request_duration_seconds 的直方图或摘要的平均请求持续时间，请使用以下表达式
rate(http_request_duration_seconds_sum[5m])
/
rate(http_request_duration_seconds_count[5m])
直方图（但不是摘要）的一个直接用途是计算落在特定观测值范围内的观测值数量。
您可能有一个 SLO，要求在 300 毫秒内提供 95% 的请求。在这种情况下，配置一个直方图，使其有一个上限为 0.3 秒的范围。然后，您可以直接表达在 300 毫秒内提供的请求的相对数量，并且如果该值降至 0.95 以下，则可以轻松地发出警报。以下表达式计算了过去 5 分钟内每个作业提供的请求数量。请求持续时间使用名为 http_request_duration_seconds 的直方图进行收集。
sum(rate(http_request_duration_seconds_bucket{le="0.3"}[5m])) by (job)
/
sum(rate(http_request_duration_seconds_count[5m])) by (job)
您可以用类似的方法近似计算著名的 Apdex 分数。配置一个范围，使其上限为目标请求持续时间，另一个范围，使其上限为可容忍的请求持续时间（通常是目标请求持续时间的 4 倍）。例如：目标请求持续时间为 300 毫秒。可容忍的请求持续时间为 1.2 秒。以下表达式得出过去 5 分钟内每个作业的 Apdex 分数
(
sum(rate(http_request_duration_seconds_bucket{le="0.3"}[5m])) by (job)
+
sum(rate(http_request_duration_seconds_bucket{le="1.2"}[5m])) by (job)
) / 2 / sum(rate(http_request_duration_seconds_count[5m])) by (job)
请注意，我们除以两个范围的总和。原因是直方图范围是 累积的。le="0.3" 范围也包含在 le="1.2" 范围内；将其除以 2 可以修正这一点。
此计算并不完全匹配传统的 Apdex 分数，因为它在满意和可容忍部分的计算中包括了错误。
您可以使用摘要和直方图来计算所谓的 φ-分位数，其中 0 ≤ φ ≤ 1。φ-分位数是在 N 个观测值中排名为 φ*N 的观测值。φ-分位数的示例：0.5-分位数称为中位数。0.95-分位数是第 95 个百分位数。
摘要和直方图之间的本质区别在于，摘要在客户端计算流式 φ-分位数并直接公开它们，而直方图公开分桶的观测值计数，并使用 histogram_quantile() 函数 在服务器端从直方图的范围计算分位数。
这两种方法具有一些不同的含义
| 直方图 | 摘要 | |
|---|---|---|
| 所需配置 | 选择适合预期观测值范围的范围。 | 选择所需的分位数和滑动窗口。其他分位数和滑动窗口不能稍后计算。 |
| 客户端性能 | 观测值非常便宜，因为它们只需要递增计数器。 | 由于流式分位数计算，观测值很昂贵。 |
| 服务器性能 | 服务器必须计算分位数。如果即时计算需要太长时间（例如，在一个大型仪表板中），您可以使用 记录规则。 | 服务器端成本低。 |
时间序列数量（除了 _sum 和 _count 系列之外） |
每个配置的范围一个时间序列。 | 每个配置的分位数一个时间序列。 |
| 分位数误差（有关详细信息，请参见下文） | 误差在观测值维度的限制取决于相关范围的宽度。 | 误差在 φ 维度的限制取决于可配置的值。 |
| φ-分位数和滑动时间窗口的规范 | 通过 Prometheus 表达式 进行即时操作。 | 由客户端预先配置。 |
| 聚合 | 通过 Prometheus 表达式 进行即时操作。 | 通常 不可聚合。 |
请注意表中最后一项的重要性。让我们回到 95% 的请求在 300 毫秒内完成的 SLO。这一次，您不想显示在 300 毫秒内完成的请求百分比，而是要显示第 95 个百分位数，即您已提供 95% 请求的请求持续时间。要做到这一点，您可以配置一个具有 0.95 分位数和（例如）5 分钟衰减时间的摘要，或者配置一个在 300 毫秒标记周围有几个范围的直方图，例如 {le="0.1"}、{le="0.2"}、{le="0.3"} 和 {le="0.45"}。如果您的服务以多个实例进行复制，您将从每个实例收集请求持续时间，然后您希望将所有内容聚合成一个整体的第 95 个百分位数。但是，将摘要的预先计算的分位数进行聚合几乎没有意义。在这种特定情况下，对分位数进行平均会导致统计上无意义的值。
avg(http_request_duration_seconds{quantile="0.95"}) // BAD!
使用直方图，可以使用 histogram_quantile() 函数 进行完美的聚合。
histogram_quantile(0.95, sum(rate(http_request_duration_seconds_bucket[5m])) by (le)) // GOOD.
此外，如果您的 SLO 发生变化，现在您想绘制第 90 个百分位数，或者您想考虑过去 10 分钟而不是过去 5 分钟，您只需调整上面的表达式，而无需重新配置客户端。
分位数，无论是在客户端计算还是在服务器端计算，都是估计的。了解这种估计的误差很重要。
继续上面直方图的示例，假设您的典型请求持续时间几乎都非常接近 220 毫秒，换句话说，如果您能绘制“真实”直方图，您将看到 220 毫秒处有一个非常尖锐的峰值。在上面配置的 Prometheus 直方图指标中，几乎所有观测值，包括第 95 个百分位数，都将落在标记为 {le="0.3"} 的范围内，即从 200 毫秒到 300 毫秒的范围。直方图实现保证真实第 95 个百分位数介于 200 毫秒和 300 毫秒之间。为了返回单个值（而不是一个区间），它应用线性插值，在这种情况下会产生 295 毫秒。计算的分位数给您一种印象，即您即将违反 SLO，但实际上，第 95 个百分位数略高于 220 毫秒，距离您的 SLO 相当远。
我们思考实验的下一步：后端路由的更改将所有请求持续时间增加了固定的 100 毫秒。现在请求持续时间在 320 毫秒处有一个尖峰，几乎所有观察结果都落在 300 毫秒到 450 毫秒的桶中。计算出的第 95 个百分位数为 442.5 毫秒，虽然正确的值接近 320 毫秒。虽然您只稍微超出了您的 SLO，但计算出的第 95 个分位数看起来要糟糕得多。
摘要至少在客户端使用适当的算法（例如 Go 客户端使用的算法）的情况下，在两种情况下都能正确计算出百分位数的值。不幸的是，如果您需要聚合来自多个实例的观察结果，则无法使用摘要。
幸运的是，由于您对桶边界进行了适当的选择，即使在这个观察值分布非常尖锐的构造示例中，直方图也能够正确识别您是否在 SLO 内或外。此外，分位数的实际值越接近我们的 SLO（或者换句话说，我们真正最感兴趣的值），计算出的值就越准确。
现在让我们再次修改实验。在新设置中，请求持续时间的分布在 150 毫秒处有一个尖峰，但它不像以前那么尖锐，只包含 90% 的观察结果。10% 的观察结果均匀地分布在 150 毫秒到 450 毫秒之间的长尾中。对于这种分布，第 95 个百分位数恰好落在我们 300 毫秒的 SLO 上。使用直方图，计算出的值是准确的，因为第 95 个百分位数的值恰好与其中一个桶边界重合。即使略有不同的值仍然是准确的，因为在相关桶内的（构造的）均匀分布正是桶内线性插值所假设的。
摘要报告的分位数的误差现在变得更加有趣。摘要中分位数的误差是在 φ 维度上配置的。在我们的例子中，我们可能配置了 0.95±0.01，即计算出的值将在第 94 个百分位数和第 96 个百分位数之间。上述分布的第 94 个分位数为 270 毫秒，第 96 个分位数为 330 毫秒。摘要报告的第 95 个百分位数的计算值可以在 270 毫秒到 330 毫秒之间的任何地方，不幸的是，这完全是明显在 SLO 内与明显在 SLO 外的区别。
底线是：如果您使用摘要，您控制 φ 维度的误差。如果您使用直方图，您通过选择适当的桶布局来控制观察值的误差维度。对于广泛的分布，φ 的微小变化会导致观察值的较大偏差。对于尖锐的分布，观察值的较小间隔会覆盖 φ 的较大间隔。
两条经验法则
如果您需要聚合，请选择直方图。
否则，如果您对将要观察的值的范围和分布有了解，请选择直方图。如果您需要准确的分位数，无论值的范围和分布如何，请选择摘要。
实现它！欢迎代码贡献。一般来说，我们预计直方图比摘要更迫切需要。直方图也更容易在客户端库中实现，因此，如果存在疑问，我们建议首先实现直方图。
本文档是 开源 的。请通过提交问题或拉取请求来帮助改进它。