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
相关产品推荐

