背景
随着云原生的普及，各家公司都通过K8S实现了服务的容器化，极大的简化了开发运维人员的工作，是目前最为常用的基础服务。同时，K8S集群中的各项基础服务能够通过metrics接口导出Prometheus格式的多种指标，方便观察当前系统状态，及时发现问题。用户将K8S集群指标采集到日志服务SLS时序存储之后，可以随时查看系统历史及当前指标，还可以通过SLS内置仪表盘或者Grafana构建监控大盘，方便观察系统情况。但是随着系统规模以及负载成倍增加，复杂的指标查询以及监控大盘的渲染开始变慢，进而影响操作体验。
指标预聚和
指标预聚合指在后台定时运行批处理任务，按照一定的规则将多条系统指标合并为一条，减少所需指标计算涉及到的数据量，加快计算结果的产出。因而在观察指标确定的情况下，使用指标预聚合可以很好的解决前面遇到的问题。我们以CPU指标利用率的计算为例：
可以获取到K8S的两项指标：CPU累计使用时长container_cpu_usage_seconds_total以及CPU配额container_spec_cpu_quota。为了计算单位事件内CPU的利用率：
- 计算单位时间累计利用率： container_cpu_usage_minutes_total: sum(rate(container_cpu_usage_seconds_total{image!=""}[5m])) by (namespace,pod_name)；
- 计算单位时间内的总CPU配额：container_spec_cpu_cores: (sum(container_spec_cpu_quota{image!=""}/100000) by (namespace,pod_name))；
- 计算单位的CPU利用率：container_cpu_usage: container_cpu_usage_minutes_total: container_cpu_usage_minutes_total / container_spec_cpu_cores * 100
整条链路冗长而且速度慢，我们可以通过预先计算container_cpu_usage_minutes_total和container_spec_cpu_cores来加快计算速度。
本文主要介绍第一种方案，可以实现：
- 降低分析延迟：预计算多项常用系统指标，加快计算速度；
- 优化数据存储：只存储关心的聚合指标，定期清理详细指标；
原理即为使用SLS提供的ScheduledSQL服务，在后台定时运行SQL计算任务，将统计结果存入时序存储。
K8S指标
K8S指标众多，首先需要确定常用的监控指标，得到预聚合计算表达式。本文选取了Prometheus Operator中部分常用指标的计算表达式，更多的指标用户可以根据需求自行构建。
指标名称 |
说明 |
cpu_resource_request_percentage |
CPU Request水位 |
mem_resource_request_percentage |
Mem Request水位 |
kubelet_running_pod_percentage |
Pod水位 |
api_service_success_percentage |
APIServer请求成功率 |
CPU Request水位
* | select promql_query_range('(sum(kube_pod_container_resource_requests_cpu_cores))/(sum(kube_node_status_allocatable_cpu_cores)) * 100') from metrics limit 1000
Mem Request水位
* | select promql_query_range('(sum(kube_pod_container_resource_requests_memory_bytes))/(sum(kube_node_status_allocatable_memory_bytes)) * 100') from metrics limit 1000
Pod水位
* | select promql_query_range('(sum(kubelet_running_pod_count)-33)/(sum(kube_node_status_allocatable_pods)-330) * 100') from metrics limit 1000
APIServer请求成功率
* | select promql_query_range('sum(irate(apiserver_request_count{job="apiserver", code=~"20.*"}[5m]))/sum(irate(apiserver_request_count{job="apiserver"}[5m]))') from metrics limit 1000
ScheduledSQL实践
计算配置
资源池有免费（Project 级别 15 并行度）、增强型（收费，但资源可扩展，适用于大量计算且有 SLA 要求的业务场景）两种，按照你的需求来设置即可。
写入模式
写入模式有三种选择，当源为日志库时，可以选择日志库导入日志库以及日志库导入时序库；当源为时序库时，可以选择时序库导入时序库。因为K8S指标为时序库，计算结果为时序数据，所以此处选择时序库导入时序库。
结果指标名
指定计算结果的指标名称，默认选择metric列的值作为指标名称。此处需要注意，如果metric列的结果包含多种不同的指标名称，将会全部重命名为此处配置的指标名称。因为该例子中的指标名称为null，所以配置为cpu_resource_requests。
哈希列
如果时序库中同一label的数据写入到固定的hard中，可以增强局部性，提升查询效率。因此可以选择常用的过滤标签，作为哈系列，使给定标签相同的指标存入同一shard中。此处留空。
附加labels
为计算结果添加额外的属性，方便后续查询，此处留空。
调度配置
设置 SQL 每 5 分钟执行一次，每次执行处理最近 5 分钟窗口的数据。
注意：
1. 设置延迟执行参数，上游时序库的数据到来可能延迟，建议设置大一些的值做等待来保证计算数据的完整性。
2. SQL运行超过指定次数或指定时间后，这一次的SQL实例会失败并继续下一个实例的调度。
任务管理
在SLS控制台可以查看之前创建的ScheduledSQL作业。
在作业管理页面内，可以查看到每一次执行的实例列表。
每个实例信息中有 SQL 查询区间，如果任务失败（权限、SQL 语法等原因）或 SQL 处理行数指标为 0（数据迟到或确实没有数据），可以对指定实例做重试运行（失败告警功能开发中）。
效果
计算完成之后，可以在时序库中查询结果指标。
CPU Request水位
API Server请求成功率
总结
通过SLS提供的ScheduledSQL功能，用户可以轻松聚合时序数据，存入到SLS的时序库中，满足用户监测系统指标的需求。
