使用Datadog识别生产环境API30分钟峰值流量的方法是否正确？

一、当前查询方法的问题 #

你的查询语句sum:trace.servlet.request.hits{env:production,service:my-api}.as_count().rollup(max, 1800)存在逻辑偏差：

• sum聚合会先把所有匹配请求求和，再对30分钟（1800秒）窗口取最大值，这得到的是30分钟窗口内总请求数的最大值，而非你需要的「30分钟时长内的峰值流量」（通常指每秒/每分钟请求速率的峰值）。
• 若你目标是30分钟内的最高瞬时流量（如QPS峰值），这个查询完全不符合需求；若目标是30分钟窗口总请求数的峰值，逻辑上成立，但和Timeseries结果不匹配的问题需要进一步排查。

二、与Timeseries图表结果不匹配的常见原因 #

• 查询逻辑不一致：用于验证的Timeseries图表可能采用了不同聚合方式（比如直接对每秒数据取max，而非先sum再rollup max），或是时间窗口对齐规则不同。
• rollup时间对齐差异：rollup(max,1800)会按30分钟窗口对齐时间轴，取每个窗口内的最大值；而Timeseries若用更小粒度（如1分钟）展示，你肉眼看到的峰值可能是某个小粒度窗口的数值，和30分钟窗口的sum最大值自然无法匹配。
• 指标统计维度偏差：trace.servlet.request.hits作为跟踪类指标，可能存在重复统计、过滤维度不一致的情况，导致两种图表的统计基数不同。

三、正确查询建议 #

根据你要的「30分钟时长内的峰值流量」，分两种场景调整查询：

1. 若需获取30分钟内的最高QPS（每秒请求数峰值）：
   使用查询语句：max:trace.servlet.request.hits{env:production,service:my-api}.as_rate().rollup(max, 1800)
   • as_rate()将计数转换为每秒速率，rollup(max,1800)取30分钟窗口内的最大速率值，即为这段时间的QPS峰值。
2. 若需获取30分钟窗口内总请求数的峰值：
   原查询逻辑成立，但需确保Timeseries图表使用相同的聚合和rollup逻辑：sum:trace.servlet.request.hits{env:production,service:my-api}.as_count().rollup(max, 1800)，并将Timeseries的粒度设置为30分钟，即可匹配结果。

内容的提问来源于stack exchange，提问作者jnlp