关于PromQL中sum(rate(...))用法及错误率查询的疑问

一、为什么你的count查询不能用？ #

apiserver_request_total是计数器类型指标，每个不同的标签组合（比如HTTP状态码code、请求方法verb、资源类型resource）都会生成一条独立的时间序列。count()函数统计的是符合条件的时间序列数量，而非请求的总次数，这和我们要监控的“错误请求量占比”完全不是一回事。

举个实际例子：
假设API服务器有4条时间序列：

• 200状态、GET请求Pod：5分钟内累计请求600次
• 200状态、POST请求Pod：5分钟内累计请求300次
• 404状态、GET请求Node：5分钟内累计请求300次
• 500状态、POST请求Service：5分钟内累计请求60次

你的count查询计算结果是：
count(错误序列) / count(总序列) = 2 / 4 = 50%
但实际错误请求量占比是(300+60)/(600+300+300+60) = 360/1260 ≈ 28.57%，两者差距极大。这个比例只是“错误类型的序列数占总序列数的比例”，完全无法反映真实的请求错误量级。

二、sum(rate(...))的作用是什么？ #

1. rate()的核心意义 #

rate(指标[5m])计算的是单条时间序列在5分钟窗口内的每秒平均增长率，也就是这条序列对应的请求类型的每秒请求量。用上面的例子：

• 200 GET Pod的rate：(1600-1000)/(5*60) = 2次/秒（假设5分钟内计数器从1000涨到1600）
• 404 GET Node的rate：(500-200)/(5*60) = 1次/秒

2. sum()的聚合作用 #

因为每条时间序列只对应一种特定的请求组合，sum()的作用是把所有符合条件的时间序列的每秒请求量累加起来，得到整体的每秒请求总量：

• 总错误请求每秒量：sum(rate(错误code序列[5m])) = 1 + 0.2 = 1.2次/秒
• 总请求每秒量：sum(rate(所有序列[5m])) = 2 + 1 + 1 + 0.2 = 4.2次/秒

最后两者相除再乘100，得到的就是真实的错误请求量占总请求量的百分比，这才是监控需要的有效指标——它能准确反映API服务器处理请求时的错误量级，而非无关的序列数量比例。

内容的提问来源于stack exchange，提问作者bunny