Prometheus 内置函数（四）
minute()
函数返回给定 UTC 时间当前小时的第多少分钟。结果范围：0~59。
month()
函数返回给定 UTC 时间当前属于第几个月，结果范围：0~12。
predict_linear()
函数可以预测时间序列 v 在 t 秒后的值。它基于简单线性回归的方式，对时间窗口内的样本数据进行统计，从而可以对时间序列的变化趋势做出预测。该函数的返回结果不带有度量指标，只有标签列表。
例如，基于 2 小时的样本数据，来预测主机可用磁盘空间的是否在 4 个小时候被占满，可以使用表达式：
通过下面的例子来观察返回值：
predict_linear(http_requests_total{code="200",instance="120.77.65.193:9090",job="prometheus",method="get"}[5m], 5)
结果：
{code="200",handler="query_range",instance="120.77.65.193:9090",job="prometheus",method="get"} 1
{code="200",handler="prometheus",instance="120.77.65.193:9090",job="prometheus",method="get"} 4283.449995397104
{code="200",handler="static",instance="120.77.65.193:9090",job="prometheus",method="get"} 22.99999999999999
...
例如, 预测四个小时内每个文件系统剩余的可用空间量。
predict_linear(node_filesystem_free_bytes{instance="192.168.1.107:9100"}[1h],4 * 3600)
==> {device="/dev/mapper/ubuntu--vg-lv--0",fstype="ext4", instance="192.168.1.107:9100", job="linux_exporter", mountpoint="/"}
81532763513.3
# 等同于
deriv(node_filesystem_free_bytes{instance="192.168.1.107:9100"}[1h] * 4 * 3600) + node_filesystem_free_bytes{instance="192.168.1.107:9100"}[1h]
这个函数一般只用在 类型的时间序列上。
rate()
函数可以直接计算区间向量 v 在时间窗口内平均增长速率，它会在单调性发生变化时(如由于采样目标重启引起的计数器复位)自动中断。该函数的返回结果不带有度量指标，只有标签列表。
例如，以下表达式返回区间向量中每个时间序列过去 5 分钟内 HTTP 请求数的每秒增长率：
rate(http_requests_total[5m])
结果：
{code="200",handler="label_values",instance="120.77.65.193:9090",job="prometheus",method="get"} 0
{code="200",handler="query_range",instance="120.77.65.193:9090",job="prometheus",method="get"} 0
{code="200",handler="prometheus",instance="120.77.65.193:9090",job="prometheus",method="get"} 0.2
函数返回值类型只能用计数器，在长期趋势分析或者告警中推荐使用这个函数。
当将 函数与聚合运算符（例如 ）或随时间聚合的函数（任何以 结尾的函数）一起使用时，必须先执行 函数，然后再进行聚合操作，否则当采样目标重新启动时 无法检测到计数器是否被重置。
resets()
的参数是一个区间向量。对于每个时间序列，它都返回一个计数器重置的次数。两个连续样本之间的值的减少被认为是一次计数器重置。
下面我们看一个例子，显示进程的 CPU 时间在过去一个小时重置的次数。
resets(process_cpu_seconds_total[1h])
==> {instance="localhost:9090", job="prom-Server"} 0
这个函数一般只用在计数器类型的时间序列上。
round()
函数与 和 函数类似，返回向量中所有样本值的最接近的整数。 参数是可选的,默认为 1,表示样本返回的是最接近 1 的整数倍的值。你也可以将该参数指定为任意值（也可以是小数），表示样本返回的是最接近它的整数倍的值。
round(vector(6.5)) # 7
round(vector(6.4)) # 6
scalar()
函数的参数是一个单元素的瞬时向量,它返回其唯一的时间序列的值作为一个标量。如果度量指标的样本数量大于 1 或者等于 0, 则返回 NaN。
# 1.处理标量常量且仅仅适用于瞬时向量的数学函数
scalar(sqrt(vector(4))) # >> scalar 2
# 2.与时间函数连用
scalar(year()) # >> scalar 2021
# 3.为你提供计算机CPU非空闲的时间比例(使用scalar会丢失所有的标签)
sum(rate(node_cpu_seconds_total{mode!="idle"}[5m])) / scalar(count(node_cpu_seconds_total{mode="idle"})) # {} 0.017490234375018142
sgn()
返回一个向量，该向量将所有样本值转换为其符号，定义如下:如果v是正的，则为1;如果v是负的，则为-1;如果v等于0，则为0。
sort()
函数对向量按元素的值进行升序排序，返回结果：key: value = 度量指标：样本值[升序排列]
正序
sort(node_load5{})
sort_desc()
函数对向量按元素的值进行降序排序，返回结果：key: value = 度量指标：样本值[降序排列]。
反序
sort_desc(node_load5{})
sqrt()
函数计算向量 v 中所有元素的平方根。
time()
函数返回从 1970-01-01 到现在的秒数。注意：它不是直接返回当前时间，而是时间戳
timestamp()
函数返回向量 v 中的每个样本的时间戳（从 1970-01-01 到现在的秒数）。
该函数从 Prometheus 2.0 版本开始引入, 与其它时间函数不同的是，它查看瞬时向量中的样本的时间戳而不是值。
例子 1
timestamp(vector(time()))
==> {} 1629783662.714
例子 2，可以看到每个目标的最后异常抓取的开始时间。
timestamp(up)
==> {instance="localhost:9090", job="Server"} 1629783745.147
例子 3，返回Prometheus启动节点导出器抓取时间与节点导出器认为的当前实践的差值。
node_time_seconds - timestamp(node_time_seconds)
==> {instance="192.168.1.107:9100", job="linux_exporter"} 0.0025420188903808594
vector()
函数将标量 s 作为没有标签的向量返回，即返回结果为：key: value= {}, s。例如， 返回 例如， 或者 返回 ，不存在的指标也始终返回一个样本。
year()
函数返回被给定 UTC 时间的当前年份。
注意: 即使区间向量内的值分布不均匀，它们在聚合时的权重也是相同的。
实例演示:
1.查看进程是哪一年开始运行
year(process_start_time_seconds)
==> {instance="localhost:9090", job="Server"} 2021
2.计算本月启动的进程的时间序列
year(process_start_time_seconds) == bool scalar(year()) * (month(process_start_time_seconds) == bool scalar(month()))
==> {instance="localhost:9090", job="Server"} 1
==> {instance="192.168.1.225:9100", job="linux_exporter"} 0
3.计算本月启动的进程的时间序列个数
sum(year(process_start_time_seconds) == bool scalar(year()) * (month(process_start_time_seconds) == bool scalar(month())))
==> {} 1
Tips : 乘法运算符在布尔值使用时就像和运算符一样值1表示真，否则为假。
_over_time()
下面的函数列表允许传入一个区间向量，它们会聚合每个时间序列的范围，并返回一个瞬时向量：
avg_over_time(range-vector) : 区间向量内每个度量指标的平均值。
min_over_time(range-vector) : 区间向量内每个度量指标的最小值。
max_over_time(range-vector) : 区间向量内每个度量指标的最大值。
sum_over_time(range-vector) : 区间向量内每个度量指标的求和。
count_over_time(range-vector) : 区间向量内每个度量指标的样本数据个数。
quantile_over_time(scalar, range-vector) : 区间向量内每个度量指标的样本数据值分位数，φ-quantile (0 ≤ φ ≤ 1)。
stddev_over_time(range-vector) : 区间向量内每个度量指标的总体标准差。
stdvar_over_time(range-vector) : 区间向量内每个度量指标的总体标准方差。
这些值指定间隔内的所有值在聚合中具有相同的权重，即使这些值在整个间隔内的间隔不相等。