You need to enable JavaScript to run this app. 基于Kusto查询语言在Grafana展示Azure Monitor存储的Prometheus指标
优惠活动
大模型
产品
解决方案
定价
更多

基于Kusto查询语言在Grafana展示Azure Monitor存储的Prometheus指标

Azure Monitor存储Prometheus指标的Grafana查询修正方案

原查询核心逻辑偏差

  • Prometheus counter类型指标(如http_requests_received_total)在Azure Monitor存储中是单调累计的递增值,不是离散的请求事件,直接使用count()统计行数完全无法匹配“区间请求数”的计算逻辑。
  • 原查询summarize中按Val分组的写法,会把每个累计值单独成组,最终输出无意义的数值散点,不符合时间序列聚合的要求。

所有查询均兼容Grafana内置的$__timeFilter、$__interval变量,无需额外调整时间参数即可直接套用。


三类核心图表的正确查询写法

1. 固定时间区间、固定粒度统计总请求数

计算逻辑:counter类型指标需要通过相邻时间粒度的累计值差值,得到单个时间窗口内的请求总量;遇到应用重启导致counter重置的负值场景,直接过滤即可。

InsightsMetrics 
| where $__timeFilter(TimeGenerated)
| where Namespace == "prometheus"
| where Name == "http_requests_received_total"
| extend dimensions=parse_json(Tags)
| where dimensions.app == "myappname"
// 按配置的时间粒度,取区间内所有实例、所有标签下的counter最大值
| summarize max_counter_val = max(Val) by bin(TimeGenerated, $__interval)
// 计算当前区间counter与上一区间的差值,得到单区间的总请求数
| extend total_requests = max_counter_val - prev(max_counter_val, 1, 0)
| project TimeGenerated, total_requests
// 过滤应用重启导致counter重置产生的负值
| where total_requests > 0
| order by TimeGenerated asc

2. 同时间粒度统计2xx状态码请求总数

计算逻辑:先通过维度标签过滤出2xx范围的状态码,再复用和总请求数一致的counter增量计算逻辑聚合。

InsightsMetrics 
| where $__timeFilter(TimeGenerated)
| where Namespace == "prometheus"
| where Name == "http_requests_received_total"
| extend dimensions=parse_json(Tags)
| where dimensions.app == "myappname"
// 过滤2xx状态码维度:将标签键名替换为你/metrics端点实际导出的状态码标签名即可
| where dimensions.statusCode between ("200" .. "299")
| summarize max_counter_val = max(Val) by bin(TimeGenerated, $__interval)
| extend request_count_2xx = max_counter_val - prev(max_counter_val, 1, 0)
| project TimeGenerated, request_count_2xx
| where request_count_2xx > 0
| order by TimeGenerated asc

3. 同时间粒度统计应用内存、CPU使用情况

计算逻辑:

  • 私有内存指标属于gauge类型,是实时采样值,直接按时间粒度取区间平均值即可
  • 累计CPU耗时属于counter类型,通过相邻区间的CPU累计值差值,除以区间总时长即可得到应用的平均CPU利用率
// 定义内存指标计算逻辑
let memory_metrics = InsightsMetrics 
| where $__timeFilter(TimeGenerated)
| where Namespace == "prometheus"
| where Name == "process_private_memory_bytes"
| extend dimensions=parse_json(Tags)
| where dimensions.app == "myappname"
| summarize avg_memory_mb = avg(Val)/1024/1024 by bin(TimeGenerated, $__interval);
// 定义CPU指标计算逻辑
let cpu_metrics = InsightsMetrics
| where $__timeFilter(TimeGenerated)
| where Namespace == "prometheus"
| where Name == "process_cpu_seconds_total"
| extend dimensions=parse_json(Tags)
| where dimensions.app == "myappname"
| summarize max_cpu_val = max(Val) by bin(TimeGenerated, $__interval)
| extend cpu_used_seconds = max_cpu_val - prev(max_cpu_val, 1, 0)
| extend cpu_utilization = cpu_used_seconds / ($__interval / 1s);
// 将两个指标按时间粒度对齐拼接
memory_metrics
| join kind=inner cpu_metrics on TimeGenerated
| project TimeGenerated, avg_memory_mb, cpu_utilization
| order by TimeGenerated asc

常见排查注意事项

  • 如果查询结果为空,优先通过InsightsMetrics | take 100 | project Tags查看Azure Monitor实际存储的标签键值对,将查询中硬编码的app、statusCode替换为和应用/metrics导出完全一致的标签名称,避免维度过滤失效。
  • 对于后续需要的请求耗时分位数(P95/P99)指标,同样遵循counter增量计算逻辑,按histogram的le标签维度聚合差值即可,无需调整整体查询框架。

内容的提问来源于stack exchange,提问作者Joel

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.02 20:06:08