百分位和分布值指标

本文档介绍如何理解 Distribution 值类型的指标数据的百分位和直方图模型。分布指标定义值的范围（称为“桶”），并记录每个桶中的测量值数量。分布指标不报告各个测量值，而是报告桶中数量的直方图。如果单个测量值太多而无法收集，但有关这些测量值的统计信息（如平均值或百分位）很有价值，服务便会使用此值类型。

在热图上绘制分布值指标的图表时，您可以使用图表工具栏中的选项叠加第 50、第 95 和第 99 百分位。如果要在折线图上显示分布值指标，则必须配置图表以将分布值转换为数值。您可以使用选择百分位的校准器来执行此转换。

本页面的下一节使用一个合成示例来展示如何确定百分位。该示例显示百分位值取决于分区数、分区宽度、测量值的分布以及样本总数。百分位值与实际的测量值无关，因为直方图中没有这些值。

含合成数据的示例

假设一个 Exponential 存储桶模型比例为 1、增长因数为 2 和 10 个有限存储桶。该直方图包含 12 个分桶、10 个有限分桶、1 个仅指定上限的分桶，以及 1 个仅指定下限的分桶。在本例中，索引为 n+1 的有限存储桶是索引为 n 的有限存储桶的两倍。

以下示例显示存储桶的宽度决定了计算的百分位与测量值之间的最大误差。这些特征还表明直方图中的样本数量很重要。例如，如果样本数量少于 20，则第 95 和第 99 百分位将始终在同一个桶中。

案例 1：样本总数为 1。

当只有一个测量值时，三个百分位值不同，但它们仅显示同一桶的第 50、第 95 和第 99 百分位。无法确定估算值与实际测量结果之间的误差，因为测量结果未知。

例如，假设测量值的直方图如下表所示：

存储分区号 下限 上限 计数 百分位范围
0 1 0 0
1 1 2 0 0
2 2 4 0 0
3 4 8 0 0
4 8 16 0 0
5 16 32 0 0
6 32 64 0 0
7 64 128 0 0
8 128 256 1 0 - 100 人
9 256 512 0 0
10 512 1024 0 0
11 1024 0 0

如需计算第 50 百分位，请执行以下操作：

  1. 根据分桶计数确定包含第 50 百分位的分桶。在本例中，编号 8 包含第 50 百分位。

  2. 使用以下规则计算估算值：

    pth percentage = bucket_low +
                (bucket_up - bucket_low)*(p - p_low)/(p_up - p_low)

    在前面的表达式中，p_low 和 p_up 是分桶百分位范围的下限和上限。同样，bucket_low 和 bucket_up 是分桶的下限和上限。p_low 和 p_up 的值取决于计数在不同分桶之间的分布方式。

例如，第 50 百分位的计算公式如下：

   50th percentile = 128 + (256-128)*(50-0)/(100-0)
                   = 128 + 128 * 50 / 100
                   = 128 + 64
                   = 192

如需计算第 95 百分位，请将前一个表达式中的 50 替换为 95。对于只有一个样本的此示例，百分位数如下：

百分位 存储分区号 值
第 50 百分位 8 192
第 95 百分位 8 249.6
第 99 百分位 8 254.7

估计值与实际测量值之间的误差是有界限的，但无法确定，因为测量值未知。

情形 2：样本总数为 10。

有 10 个样本时，第 50 百分位可能与第 95 和第 99 百分位位于不同的桶。但是，没有足够的测量值使得第 95 百分位和第 99 百分位位于不同的桶。

例如，假设测量值的直方图如下表所示：

存储分区号 下限 上限 计数 百分位范围
0 1 4 0 - 40 人
1 1 2 2 40 - 60 人
2 2 4 1 60-70 人
3 4 8 1 70 - 80 人
4 8 16 1 80-90 人
5 16 32 0 0
6 32 64 0 0
7 64 128 0 0
8 128 256 1 90 - 100 人
9 256 512 0 0
10 512 1024 0 0
11 1024 0 0

您可以使用前面介绍的过程来计算第 50、第 95 和第 99 百分位。例如，第 50 百分位（位于分区 1 中）的计算方式如下：

50th percentile = 1 + (2-1)*(50-40)/(60-40)
                = 1 + (1 * 10 / 20)
                = 1 + 0.5
                = 1.5

同样，第 95 百分位的计算方式如下：

95th percentile = 128 + (256-128)*(95-90)/(100-90)
                = 128 + 128 * 5 / 10
                = 128 + 64
                = 192

通过之前描述的过程，可以计算出百分位数。下表中的每一行都列出了百分位、相应的桶和计算值：

百分位 存储分区号 值 最大错误数
第 50 百分位 1 1.5 0.5
第 95 百分位 8 192 74
第 99 百分位 8 243.2 115.2

在此示例和上一个示例中，第 95 百分位位于分区 8 中；但是，百分位计算有所不同。这种差异是由样本的分布方式决定的。在第一个示例中，所有样本都位于同一存储桶中，而在最近的示例中，这些样本位于不同的存储桶中。

含实际数据的示例

本部分包含一个示例，说明如何确定特定指标使用的桶模型。本部分还说明了如何计算所计算的百分位值中的潜在误差。

确定桶模型

如需确定在特定时间间隔用于某个指标的桶，请调用 Cloud Monitoring API 的 projects.timeSeries/list 方法。

例如，要确定某个指标的桶模型，请执行以下操作：

  1. 转到 projects.timeSeries/list 网页。

  2. 在 API Explorer 中，输入指定指标的过滤条件、开始时间和结束时间。

    例如，如需获取有关存储 API 请求延迟时间的指标的信息，请输入以下内容：

    metric.type="serviceruntime.googleapis.com/api/request_latencies"
resource.type="consumed_api"

    在此示例中，过滤条件字段指定了指标类型和资源类型。如需详细了解这些过滤条件，请参阅监控过滤条件。

  3. 点击 Enter。

以下是某个 Google Cloud 项目上提供的一个分布值指标的 list API 响应：

{
  "timeSeries": [
    {
      "metric": {...},
      "resource": {...},
      },
      "metricKind": "DELTA",
      "valueType": "DISTRIBUTION",
      "points": [
        {
          "interval": {
            "startTime": "2020-11-03T15:05:00Z",
            "endTime": "2020-11-03T15:06:00Z"
          },
          "value": {
            "distributionValue": {
              "count": "3",
              "mean": 25.889,
              "bucketOptions": {
                "exponentialBuckets": {
                  "numFiniteBuckets": 66,
                  "growthFactor": 1.4,
                  "scale": 1
                }
              },
              "bucketCounts": [
                "0",
                "0",
                "0",
                "0",
                "0",
                "0",
                "0",
                "0",
                "0",
                "0",
                "3"
              ]
            }
          }
        },

在 API 响应中，value 字段描述 points 数组中存储的数据。count 和 mean 字段报告在指定时间间隔内有 3 个测量值，它们的平均值为 25.889。bucketOptions 字段显示，指数模型配置为具有 66 个桶，标度为 1，增长因数为 1.4。

要计算索引为 n 的桶的下限和上限，请使用以下规则：n

  • 下限 (1 ≤ n < N) = 比例 *（增长因数）(n-1)
  • 上限 (0 ≤ n < N-1) = 比例 *（增长因数）n

在前面的表达式中，N 是存储分区的总数。

下表显示了此指标的分桶以及每个分桶的中点：

n第 N 个存储桶 下限 上限 中点
0 1 不适用
1 1 1.40 1.20
2 1.40 1.96 1.68
...
9 14.76 欧元 20.66 17.71 欧元
10 20.66 28.93 24.79
11 28.93 40.50 34.71
...

验证百分位计算

由于分桶配置已知，对于任何一组测量，您都可以预测第 50、第 95 和第 99 百分位的值。例如，如果有一个样本，且该样本位于分区 10 内，则第 50 百分位的值为 24.79。

如果要检索指标的第 50、第 95 和第 99 百分位值，您可以使用 API 方法 projects.timeSeries/list，并添加校准时间段和校准器。在此示例中，选择了以下设置：

  • 校准器：ALIGN_PERCENTILE_50、ALIGN_PERCENTILE_95 或 ALIGN_PERCENTILE_99
  • 校准时间段：60 秒

如果选择 ALIGN_PERCENTILE_50，时序中的每个值都是桶的第 50 百分位：

{
  "timeSeries": [
    {
      "metric": {...},
      "resource": {...},
      "metricKind": "GAUGE",
      "valueType": "DOUBLE",
      "points": [
        {
          "interval": {
            "startTime": "2020-11-03T15:06:36Z",
            "endTime": "2020-11-03T15:06:36Z"
          },
          "value": {
            "doubleValue": 24.793256140799986
          }
        },
        {
          "interval": {
            "startTime": "2020-11-03T15:05:36Z",
            "endTime": "2020-11-03T15:05:36Z"
          },
          "value": {
            "doubleValue": 34.710558597119977
          }
        },
        {
          "interval": {
            "startTime": "2020-11-03T15:04:36Z",
            "endTime": "2020-11-03T15:04:36Z"
          },
          "value": {
            "doubleValue": 24.793256140799986
          }
        }
      ]
    },

两个示例的第 50 百分位位于桶 10 中，另一个示例则位于桶 11 中。

下表展示了使用不同校准器执行 projects.timeSeries/list 方法的结果。第一行对应于未指定校准器的情况。如果未指定校准器，则返回桶模型和平均值。接下来的三行列出了校准器设置为 ALIGN_PERCENTILE_50、ALIGN_PERCENTILE_95 和 ALIGN_PERCENTILE_99 时返回的数据：

统计信息 样本 @ 15:06 样本 @ 15:05 样本 @ 15:04
平均值 25.889 33.7435 不可用。
第 50 百分位 24.79 34.71 24.79
第 95 百分位 28.51 39.91 28.51
第 99 百分位 28.84 40.37 28.84

正如这两个合成数据示例所示，百分位值取决于样本的分布方式。如果所有样本都位于样本存储桶中，则第 50 百分位为该存储桶的中点。但是，当样本位于不同的分桶中时，该分布会影响估算值。

如需确定第 50 百分位是否是对平均值的合理估计，您可以将平均值与第 50 百分位进行比较。将返回平均值和桶详细信息。

后续步骤

如需了解如何直观呈现分布值指标，请参阅分布值指标简介。