Utilisation des Opérateurs d'Agrégation en PromQL

L’analyse des métriques avec Prometheus peut être complexe en raison du volume de données à traiter.

Sans une agrégation efficace, il est difficile de dégager des tendances claires et d’effectuer des analyses ciblées.

Cet article détaille l’utilisation des opérateurs d’agrégation en PromQL pour simplifier et optimiser l’analyse des séries temporelles.

Table de matière

Opérateurs d'Agrégation PromQL Agrégation avec PromLens et Prometheus Cas d'Agrégation et Résultats PromQL Conclusion sur l'Agrégation de Données FAQ Conclusion

Formation Superviser une infrastructure avec Prometheus

Devenez expert dans la supervision d'infrastructures avec Prometheus.

L’agrégation des données est une étape cruciale dans l’analyse des métriques avec Prometheus. Elle permet de regrouper et de résumer des séries temporelles pour dégager des tendances globales ou effectuer des analyses ciblées sur des sous-ensembles spécifiques. Grâce à des opérateurs d’agrégation, il est possible de calculer des sommes, des moyennes, des maximums, des minimums, ou encore d’identifier des tendances statistiques comme la variance ou l’écart-type.

Dans cette section, nous explorerons en détail les opérateurs d’agrégation disponibles dans PromQL, ainsi que des exemples pratiques exécutés avec PromLens, qui facilite la visualisation et la compréhension des résultats.

Opérateurs d'Agrégation PromQL

Les opérateurs d’agrégation permettent de manipuler des séries temporelles en fonction de différents critères. Ils sont souvent utilisés pour produire des résultats globaux ou par groupe en fonction de certains labels. Voici un aperçu des principaux opérateurs disponibles :

Opérateur	Description	Exemple d’Utilisation
sum	Calcule la somme des valeurs des séries temporelles	sum(scrape_samples_scraped)
min	Trouve la valeur minimale parmi toutes les séries temporelles	min(scrape_samples_scraped)
max	Trouve la valeur maximale parmi toutes les séries temporelles	max(scrape_samples_scraped)
avg	Calcule la moyenne des valeurs des séries temporelles	avg(scrape_samples_scraped)
group	Regroupe les séries sans calcul, en fonction des labels communs	group(scrape_samples_scraped)
stddev	Calcule l’écart-type des valeurs des séries temporelles	stddev(scrape_samples_scraped)
stdvar	Calcule la variance des valeurs des séries temporelles	stdvar(scrape_samples_scraped)
count	Compte le nombre de séries temporelles disponibles	count(scrape_samples_scraped)
count_values	Compte les séries en fonction d’une valeur spécifique	count_values(« value », scrape_samples_scraped)
bottomk	Affiche les k valeurs les plus faibles	bottomk(5, scrape_samples_scraped)
topk	Affiche les k valeurs les plus élevées	topk(5, scrape_samples_scraped)
quantile	Calcule un quantile donné pour une distribution de valeurs	quantile(0.95, scrape_samples_scraped)

Chaque opérateur peut être combiné avec des labels grâce aux clauses by ou without, permettant de définir des groupes ou d’exclure certains critères.

Agrégation avec PromLens et Prometheus

Dans cette section, nous explorerons quelques exemples pratiques pour illustrer le fonctionnement des opérateurs d’agrégation. Les résultats seront décrits pour chaque requête.

1. Requête Simple : scrape_samples_scraped

Cette requête de base affiche les valeurs brutes de la métrique scrape_samples_scraped, sans aucune transformation ou agrégation. Cela permet de visualiser directement les séries temporelles collectées par Prometheus.

2. Somme de Toutes les Séries : sum(scrape_samples_scraped)

Avec l’opérateur sum, cette requête calcule la somme totale de toutes les valeurs de scrape_samples_scraped. Elle est particulièrement utile pour obtenir un indicateur global de la collecte des échantillons.

3. Agrégation par Label : sum(scrape_samples_scraped) by (job)

Cette requête regroupe les séries par le label job et calcule la somme pour chaque groupe. Cela permet d’analyser la contribution de chaque job à l’ensemble des échantillons collectés.

4. Agrégation en Excluant un Label : sum(scrape_samples_scraped) without (instance)

L’utilisation de la clause without exclut un label spécifique dans l’agrégation. Ici, on regroupe les séries par tous les labels sauf instance, ce qui permet de regrouper les données au niveau des jobs sans différenciation par instance.

5. Valeur Minimale : min(scrape_samples_scraped)

Cette requête identifie la plus petite valeur parmi toutes les séries temporelles pour scrape_samples_scraped. Cela peut être utile pour détecter des anomalies ou des sous-performances.

Cas d'Agrégation et Résultats PromQL

Requête	Description	Résultat attendu
sum(scrape_samples_scraped)	Calcule la somme totale des échantillons collectés	Somme globale de toutes les valeurs
sum(scrape_samples_scraped) by (job)	Calcule la somme des échantillons, regroupée par job	Somme pour chaque job
min(scrape_samples_scraped)	Trouve la plus petite valeur parmi toutes les séries	Valeur minimale mesurée
topk(3, scrape_samples_scraped)	Affiche les 3 valeurs les plus élevées parmi toutes les séries	Les 3 plus grandes valeurs
quantile(0.90, scrape_samples_scraped)	Calcule le 90e percentile pour les valeurs collectées	Valeur du 90e percentile

Conclusion sur l'Agrégation de Données

Les opérateurs d’agrégation de Prometheus sont essentiels pour transformer les données brutes en informations exploitables. Que ce soit pour analyser les performances globales d’un système ou pour isoler des tendances spécifiques, ces opérateurs offrent une flexibilité inégalée. Avec PromLens, la visualisation des résultats en temps réel permet de comprendre facilement les impacts des différentes agrégations et de créer des requêtes adaptées à des cas d’usage variés.

Formez-vous gratuitement avec Alphorm !

Maîtrisez les compétences clés en IT grâce à nos formations gratuites et accélérez votre carrière dès aujourd'hui.

FAQ

Quels sont les principaux opérateurs d'agrégation en PromQL ?

Les principaux opérateurs d’agrégation en PromQL incluent sum, min, max, avg, group, stddev, stdvar, count, count_values, bottomk, topk et quantile. Chacun de ces opérateurs joue un rôle spécifique dans le traitement des séries temporelles, permettant de calculer des valeurs globales, regrouper les données en fonction de labels, ou encore d’identifier des tendances statistiques. Utilisés correctement, ils facilitent l’extraction d’informations pertinentes des données surveillées par Prometheus.

Comment les opérateurs d'agrégation peuvent-ils être utilisés avec PromLens ?

PromLens permet de visualiser et de comprendre facilement les résultats des requêtes PromQL grâce à une interface graphique intuitive. En utilisant des opérateurs d’agrégation avec PromLens, vous pouvez exécuter des requêtes complexes et voir directement l’impact de chaque opérateur sur les données. Cela inclut la possibilité de regrouper les séries par labels avec ‘by’ et d’exclure certains labels avec ‘without’, optimisant ainsi l’analyse des métriques.

Pourquoi est-il important d'utiliser des opérateurs d'agrégation dans PromQL ?

Les opérateurs d’agrégation sont essentiels pour transformer les données brutes en insights exploitables. En regroupant et en simplifiant les séries temporelles, ils permettent de dégager des tendances globales, d’identifier des anomalies et d’évaluer la performance des systèmes surveillés. Cela est crucial pour des analyses ciblées et pour prendre des décisions éclairées basées sur les métriques collectées par Prometheus.

Quels sont les cas pratiques d'utilisation des opérateurs d'agrégation ?

Des cas pratiques incluent le calcul de la somme totale des échantillons avec ‘sum’, l’identification de la valeur minimale avec ‘min’, ou encore l’analyse de la contribution de chaque job grâce à ‘sum by (job)’. Ces exemples démontrent comment les opérateurs d’agrégation peuvent être utilisés pour obtenir une vue d’ensemble des données, tout en permettant une analyse fine de sous-ensembles spécifiques, ce qui est particulièrement utile pour le monitoring et l’optimisation des performances.

Comment les opérateurs 'by' et 'without' modifient-ils les résultats d'agrégation ?

Les clauses ‘by’ et ‘without’ modifient significativement les résultats d’agrégation en déterminant comment les séries temporelles sont regroupées. ‘By’ permet de regrouper les séries selon des labels spécifiques, ce qui est utile pour analyser des sous-ensembles de données. ‘Without’, au contraire, exclut certains labels, permettant de regrouper les données sur un niveau plus large, sans distinction par exemple d’instance. Cela offre une flexibilité supplémentaire dans l’analyse des données.

Conclusion

Les opérateurs d’agrégation sont des outils puissants pour transformer les données en informations exploitables. Comment comptez-vous intégrer ces techniques pour améliorer votre analyse de données Prometheus ?

Utilisation des Opérateurs d’Agrégation en PromQL