如何在Prometheus中排除计划停机计算网站平均可用率？

核心逻辑 #

计划停机属于已知的可控不可用时段，不应计入SLA的不可用统计。offset仅用于偏移整体查询时间范围，无法过滤范围内的特定时段，需用以下针对性方案解决。

具体实现方案 #

方案1：通过记录规则标记计划停机时段 #

1. 先定义记录规则生成planned_maintenance指标，在停机时段值为1，其余时间为0：

   groups:
   - name: maintenance.rules
     rules:
     - record: planned_maintenance
       expr: |
         # 示例：生产环境每日凌晨2:00-2:15停机，测试环境每周六凌晨1:00-2:00停机
         (hour() == 2 and minute() >= 0 and minute() < 15 and env="prod")
         or
         (hour() == 1 and day_of_week() == 6 and env="staging")
       labels:
         job: "$http_job"
   

2. 修改原查询，用unless排除停机时段的探针数据：

   (avg_over_time((probe_success{job="$http_job"} unless planned_maintenance{job="$http_job"})[24h]) * 100)
   

   逻辑：unless会移除probe_success中与planned_maintenance匹配且值非0的样本，相当于剔除停机时段的监控数据。

方案2：直接在查询中过滤固定周期停机 #

如果停机是固定周期的，可直接在查询内添加时间条件过滤，无需额外规则：

avg_over_time(
  probe_success{job="$http_job"}
  # 排除生产环境每日2:00-2:15
  and not (env="prod" and hour() == 2 and minute() >= 0 and minute() < 15)
  # 排除测试环境每周六1:00-2:00
  and not (env="staging" and hour() == 1 and day_of_week() == 6)
[24h]) * 100

注意：day_of_week()返回值为0=周日、1=周一……6=周六。

方案3：用Pushgateway标记临时停机 #

针对非周期的临时停机，可通过Pushgateway推送停机状态指标：

1. 停机开始时推送标记：

   echo "planned_maintenance{job=\"$http_job\",env=\"prod\"} 1" | curl --data-binary @- http://pushgateway:9091/metrics/job/maintenance
   

2. 停机结束后推送结束标记：

   echo "planned_maintenance{job=\"$http_job\",env=\"prod\"} 0" | curl --data-binary @- http://pushgateway:9091/metrics/job/maintenance
   

3. 同样使用unless逻辑修改原查询即可。

关于offset无效的原因 #

offset的作用是偏移整个查询的时间范围，比如avg_over_time(probe_success[24h] offset 1h)是查询25小时前到1小时前的24小时数据，它无法对时间范围内的特定时段做过滤，因此不适合用来排除计划停机。

内容的提问来源于stack exchange，提问作者Ravi Raj