如何使用Prometheus的up指标查询服务器SLI（如99.3%）

核心问题在于：up指标在服务器宕机时往往会缺失（无返回值），而非返回0，直接对原始up指标求平均会忽略这些宕机时段，导致结果偏高。

单实例可用性查询 #

要准确计算单台服务器的可用性，需要先把缺失的up指标补为0，再计算时间范围内的平均值：

100 * avg_over_time(
  (up{instance="你的服务器实例ID"} or vector(0))[1d:]
)

• or vector(0)：将up指标无返回的时段强制设为0，确保宕机时间被纳入计算
• [1d:]：指定统计的时间范围，可替换为[1h:]（1小时）、[7d:]（7天）等
• 乘以100是将小数结果转换为百分比形式

多实例集群整体可用性查询 #

如果要计算一组服务器（比如同一个job下的实例）的整体平均可用性，可先计算每个实例的单例可用性，再求整体平均：

100 * avg(
  avg_over_time(
    (up{job="你的job名称"} or vector(0))[1d:]
  ) by (instance)
)

常见错误排查 #

• 若之前直接用avg_over_time(up[1d:])，会自动忽略up缺失的时段，相当于只统计服务器在线时的平均（结果永远是1），完全错误
• 确认标签筛选（instance/job）是否正确，避免筛选到无关实例导致结果偏差

内容的提问来源于stack exchange，提问作者Neel Kamath