Prometheus时序数据库-内存中的存储结构

前言

笔者最近担起了公司监控的重任，而当前监控最流行的数据库即是Prometheus。按照笔者打破砂锅问到底的精神，自然要把这个开源组件源码搞明白才行。在经过一系列源码/资料的阅读以及各种Debug之后，对其内部机制有了一定的认识。今天，笔者就来介绍下Prometheus的存储结构。
由于篇幅较长，所以笔者分为两篇，本篇主要是描述Prometheus监控数据在内存中的存储结构。下一篇，主要描述的是监控数据在磁盘中的存储结构。

Gorilla

Prometheus的存储结构-TSDB是参考了Facebook的Gorilla之后，自行实现的。所以阅读这篇文章《Gorilla: A Fast, Scalable, In-Memory Time Series Database》，可以对Prometheus为何采用这样的存储结构有着清晰的理解。

监控数据点

下面是一个非常典型的监控曲线。
Prometheus时序数据库
可以观察到，监控数据都是由一个一个数据点组成，所以可以用下面的结构来保存最基本的存储单元

type sample struct {
    t int64
    v float64
}

同时我们还需要注意到的信息是，我们需要知道这些点属于什么机器的哪种监控。这种信息在Promtheus中就用Label(标签来表示)。一个监控项一般会有多个Label(例如图中)，所以一般用labels []Label。
由于在我们的习惯中，并不关心单独的点，而是要关心这段时间内的曲线情况。所以自然而然的，我们存储结构肯定逻辑上是这个样子: Prometheus时序数据库
这样，我们就可以很容易的通过一个Labels(标签们)找到对应的数据了。

监控数据在内存中的表示形式

最近的数据保存在内存中

Prometheus将最近的数据保存在内存中，这样查询最近的数据会变得非常快，然后通过一个compactor定时将数据打包到磁盘。数据在内存中最少保留2个小时(storage.tsdb.min-block-duration。至于为什么设置2小时这个值，应该是Gorilla那篇论文中观察得出的结论 Prometheus时序数据库
即压缩率在2小时时候达到最高，如果保留的时间更短，就无法最大化的压缩。

内存序列(memSeries)

接下来，我们看下具体的数据结构

type memSeries stuct {
    ......
    ref uint64 // 其id
    lst labels.Labels // 对应的标签集合
    chunks []*memChunk // 数据集合
    headChunk *memChunk // 正在被写入的chunk
    ......
}

其中memChunk是真正保存数据的内存块，将在后面讲到。我们先来观察下memSeries在内存中的组织。 Prometheus时序数据库
由此我们可以看到，针对一个最终端的监控项(包含抓取的所有标签，以及新添加的标签,例如ip)，我们都在内存有一个memSeries结构。

寻址memSeries

如果通过一堆标签快速找到对应的memSeries。自然的,Prometheus就采用了hash。主要结构体为:

type stripeSeries struct {
    series [stripeSize]map[uint64]*memSeries // 记录refId到memSeries的映射
    hashes [stripeSize]seriesHashmap // 记录hash值到memSeries,hash冲突采用拉链法
    locks  [stripeSize]stripeLock // 分段锁
}
type seriesHashmap map[uint64][]*memSeries

由于在Prometheus中会频繁的对map[hash/refId]memSeries进行操作，例如检查这个labelSet对应的memSeries是否存在，不存在则创建等。由于golang的map非线程安全，所以其采用了分段锁去拆分锁。 Prometheus时序数据库
而hash值是依据labelSets的值而算出来。

数据点的存储

为了让Prometheus在内存和磁盘中保存更大的数据量，势必需要进行压缩。而memChunk在内存中保存的正是采用XOR算法压缩过的数据。在这里，笔者只给出Gorilla论文中的XOR描述 Prometheus时序数据库
更具体的算法在论文中有详细描述。总之，使用了XOR算法后，平均每个数据点能从16bytes压缩到1.37bytes，也就是说所用空间直接降为原来的1/12!

内存中的倒排索引

上面讨论的是标签全部给出的查询情况。那么我们怎么快速找到某个或某几个标签(非全部标签)的数据呢。这就需要引入以Label为key的倒排索引。我们先给出一组标签集合

{__name__:http_requests}{group:canary}{instance:0}{job:api-server}   
{__name__:http_requests}{group:canary}{instance:1}{job:api-server}
{__name__:http_requests}{group:production}{instance:1}{job,api-server}
{__name__:http_requests}{group:production}{instance:0}{job,api-server}

可以看到，由于标签取值不同，我们会有四种不同的memSeries。如果一次性给定4个标签，应该是很容易从map中直接获取出对应的memSeries(尽管Prometheus并没有这么做)。但大部分我们的promql只是给定了部分标签，如何快速的查找符合标签的数据呢？
这就引入倒排索引。先看一下，上面例子中的memSeries在内存中会有4种，同时内存中还夹杂着其它监控项的series
Prometheus时序数据库
如果我们想知道job:api-server,group为production在一段时间内所有的http请求数量,那么必须获取标签携带 ({__name__:http_requests}{job:api-server}{group:production})的所有监控数据。
如果没有倒排索引，那么我们必须遍历内存中所有的memSeries(数万乃至数十万)，一一按照Labels去比对,这显然在性能上是不可接受的。而有了倒排索引，我们就可以通过求交集的手段迅速的获取需要哪些memSeries。 Prometheus时序数据库
注意，这边倒排索引存储的refId必须是有序的。这样，我们就可以在O(n)复杂度下顺利的算出交集,另外，针对其它请求形式，还有并集/差集的操作,对应实现结构体为:

type intersectPostings struct {...}  // 交集
type mergedPostings struct {...} // 并集
type removedPostings struct {...} // 差集

倒排索引的插入组织即为Prometheus下面的代码

Add(labels,t,v) 
    |->getOrCreateWithID
        |->memPostings.Add
        
// Add a label set to the postings index.
func (p *MemPostings) Add(id uint64, lset labels.Labels) {
    p.mtx.Lock()
    // 将新创建的memSeries refId都加到对应的Label倒排里去
    for _, l := range lset {
        p.addFor(id, l)
    }
    p.addFor(id, allPostingsKey) // allPostingKey "","" every one都加进去

    p.mtx.Unlock()
}

正则支持

事实上，给定特定的Label:Value还是无法满足我们的需求。我们还需要对标签正则化，例如取出所有ip为1.1.*前缀的http_requests监控数据。为了这种正则，Prometheus还维护了一个标签所有可能的取值。对应代码为:

Add(labels,t,v) 
    |->getOrCreateWithID
        |->memPostings.Add
func (h *Head) getOrCreateWithID(id, hash uint64, lset labels.Labels){
    ...
    for _, l := range lset {
        valset, ok := h.values[l.Name]
        if !ok {
            valset = stringset{}
            h.values[l.Name] = valset
        }
        // 将可能取值塞入stringset中
        valset.set(l.Value)
        // 符号表的维护
        h.symbols[l.Name] = struct{}{}
        h.symbols[l.Value] = struct{}{}
    }
    ...
}

那么，在内存中，我们就有了如下的表 Prometheus时序数据库
图中所示，有了label和对应所有value集合的表，一个正则请求就可以很容的分解为若干个非正则请求并最后求交/并/查集，即可得到最终的结果。