如何用MQL基于OpenTelemetry导出的累积gRPC时长指标绘制错误率

我通过opentelemetry-operations-go导出了workload.googleapis.com/rpc.server.duration这个CUMULATIVE类型的指标，已经能通过MQL绘制请求速率，但尝试计算非OK状态请求的占比（错误率）时，写的代码结果不符合预期，请问该怎么修正？

之前的错误代码：

fetch generic_task
| metric 'workload.googleapis.com/rpc.server.duration'
| count_from
| rate
| filter_ratio_by [metric.rpc_service, resource.location], metric.rpc_grpc_code != 'OK'
| group_by sliding(5m), sum(val())
| condition val() > .05 '10^2.%'

正确写法（两种可选） #

写法一：分组聚合总请求与错误请求

这种方式更直观，先分别统计每个维度下的总请求数和错误请求数，再计算占比：

fetch generic_task
| metric 'workload.googleapis.com/rpc.server.duration'
| count_from  # 从CUMULATIVE指标中提取请求计数
| rate        # 转换为每秒请求速率
# 按服务、地域分组，同时聚合总请求数和错误请求数
| group_by [metric.rpc_service, resource.location],
    [total_requests: sum(value_duration_count_from),
     error_requests: sum(value_duration_count_from, metric.rpc_grpc_code != 'OK')]
# 计算错误率：错误请求数/总请求数
| add [error_ratio: error_requests / total_requests]
# 对5分钟滑动窗口内的错误率求和（需求不同也可改用取平均）
| group_by sliding(5m), sum(error_ratio)
# 设置阈值告警，超过5%时显示百分比格式
| condition val() > 0.05 '10^2.%'
# 按1分钟粒度输出结果
| every 1m

写法二：使用filter_ratio_by简化计算

如果想用filter_ratio_by，需要确保先完成基础的分组聚合，再计算比例：

fetch generic_task
| metric 'workload.googleapis.com/rpc.server.duration'
| count_from
| rate
# 先按维度分组统计总请求数
| group_by [metric.rpc_service, resource.location],
    [total_requests: sum(value_duration_count_from)]
# 基于分组后的结果，计算非OK请求的占比
| filter_ratio_by [metric.rpc_service, resource.location], metric.rpc_grpc_code != 'OK'
| group_by sliding(5m), sum(val())
| condition val() > 0.05 '10^2.%'
| every 1m

之前代码的问题说明 #

1. filter_ratio_by使用时机错误：需要先完成基础的分组聚合，再用该函数计算比例，否则无法正确关联总请求和错误请求的维度。
2. 聚合逻辑不清晰：未明确指定聚合字段，val()的引用会导致结果混乱。
3. 时间窗口顺序错误：应先计算每个时间点的错误率，再对滑动窗口内的结果做聚合，否则会偏离预期统计逻辑。

内容的提问来源于stack exchange，提问作者Fuyang Liu