直方图和摘要是更复杂的指标类型。单个直方图或摘要不仅会创建大量时间序列，而且更难正确使用这些指标类型。本节将帮助您为您的用例选择和配置合适的指标类型。
一些库仅支持两种类型中的一种，或者仅以有限的方式支持摘要（缺乏分位数计算）。
直方图和摘要都对观测值进行采样，通常是请求持续时间或响应大小。它们跟踪观测次数和观测值的总和，使您可以计算观测值的平均值。请注意，观测次数（在 Prometheus 中显示为带有 _count 后缀的时间序列）本质上是一个计数器（如上所述，它只会增加）。观测值总和（显示为带有 _sum 后缀的时间序列）的行为也类似于计数器，只要没有负观测值。显然，请求持续时间或响应大小永远不会为负。但是，原则上，您可以使用摘要和直方图来观察负值（例如，摄氏温度）。在这种情况下，观测值总和会下降，因此您不能再对其应用 rate() 。在您需要应用 rate() 并且无法避免负观测值的极少数情况下，可以使用两个单独的摘要，一个用于正观测值，一个用于负观测值（后者带有反号），并在以后使用合适的 PromQL 表达式组合结果。
要从名为 http_request_duration_seconds 的直方图或摘要中计算最近 5 分钟的平均请求持续时间，请使用以下表达式
rate(http_request_duration_seconds_sum[5m])
/
rate(http_request_duration_seconds_count[5m])
直方图（但不是摘要）的直接用途是计算落入特定观测值桶中的观测值。
您可能有一个 SLO，要求在 300 毫秒内为 95% 的请求提供服务。在这种情况下，配置一个上限为 0.3 秒的桶的直方图。然后，您可以直接表达在 300 毫秒内服务的请求的相对数量，并且如果该值降至 0.95 以下，则可以轻松发出警报。以下表达式计算过去 5 分钟内为请求提供服务的每个作业的值。请求持续时间是用名为 http_request_duration_seconds 的直方图收集的。
sum(rate(http_request_duration_seconds_bucket{le="0.3"}[5m])) by (job)
/
sum(rate(http_request_duration_seconds_count[5m])) by (job)
您可以使用类似的方式近似计算著名的 Apdex 得分。配置一个以目标请求持续时间为上限的桶，以及另一个以容忍的请求持续时间（通常是目标请求持续时间的 4 倍）为上限的桶。示例：目标请求持续时间为 300 毫秒。可容忍的请求持续时间为 1.2 秒。以下表达式生成过去 5 分钟内每个作业的 Apdex 得分
(
sum(rate(http_request_duration_seconds_bucket{le="0.3"}[5m])) by (job)
+
sum(rate(http_request_duration_seconds_bucket{le="1.2"}[5m])) by (job)
) / 2 / sum(rate(http_request_duration_seconds_count[5m])) by (job)
请注意，我们对两个桶的总和进行除法。原因是直方图桶是累积的。 le="0.3" 桶也包含在 le="1.2" 桶中；将其除以 2 可以对此进行校正。
计算结果与传统的 Apdex 得分不完全匹配，因为它在计算的满意和可容忍部分中都包括了误差。
您可以使用摘要和直方图来计算所谓的 φ 分位数，其中 0 ≤ φ ≤ 1。 φ 分位数是观测值，在 N 个观测值中排名为 φ*N。 φ 分位数的示例：0.5 分位数称为中位数。 0.95 分位数是第 95 个百分位数。
摘要和直方图之间的本质区别在于，摘要在客户端计算流式 φ 分位数并直接暴露它们，而直方图暴露分桶的观测计数，并且使用histogram_quantile() 函数在服务器端从直方图的桶中计算分位数。
这两种方法有许多不同的含义
| 直方图 | 摘要 | |
|---|---|---|
| 所需配置 | 选择适合观测值预期范围的桶。 | 选择所需 φ 分位数和滑动窗口。以后不能计算其他 φ 分位数和滑动窗口。 |
| 客户端性能 | 观测值非常便宜，因为它们只需要递增计数器。 | 由于流式分位数计算，观测值很昂贵。 |
| 服务器性能 | 服务器必须计算分位数。如果临时计算花费的时间太长（例如在大型仪表板中），则可以使用记录规则。 | 低服务器端成本。 |
时间序列的数量（除了 _sum 和 _count 系列之外） |
每个配置的桶一个时间序列。 | 每个配置的分位数一个时间序列。 |
| 分位数误差（详见下文） | 误差在相关桶的宽度所限制的观测值维度上。 | 误差在 φ 的维度上受可配置值限制。 |
| φ 分位数和滑动时间窗口的规范 | 使用Prometheus 表达式进行临时配置。 | 由客户端预配置。 |
| 聚合 | 使用Prometheus 表达式进行临时配置。 | 通常不可聚合。 |
请注意表中最后一项的重要性。让我们回到在 300 毫秒内为 95% 的请求提供服务的 SLO。这次，您不想显示在 300 毫秒内提供服务的请求百分比，而是显示第 95 个百分位数，即您已为其 95% 的请求提供服务的请求持续时间。为此，您可以配置一个具有 0.95 分位数和（例如）5 分钟衰减时间的摘要，或者配置一个在 300 毫秒标记附近有几个桶的直方图，例如 {le="0.1"}、{le="0.2"}、{le="0.3"} 和 {le="0.45"}。如果您的服务以多个实例进行复制运行，您将从每个实例收集请求持续时间，然后您希望将所有内容聚合到一个总体的第 95 个百分位数中。但是，聚合摘要中预先计算的分位数很少有意义。在这种特定情况下，对分位数求平均值会产生统计上毫无意义的值。
avg(http_request_duration_seconds{quantile="0.95"}) // BAD!
使用直方图，可以使用histogram_quantile() 函数完美地进行聚合。
histogram_quantile(0.95, sum(rate(http_request_duration_seconds_bucket[5m])) by (le)) // GOOD.
此外，如果您的 SLO 发生变化，现在您想绘制第 90 个百分位数，或者您想考虑最近 10 分钟而不是最近 5 分钟的数据，您只需调整上面的表达式，而无需重新配置客户端。
无论是在客户端还是服务器端计算，分位数都是估计值。了解这种估计的误差非常重要。
继续上面的直方图示例，假设您通常的请求持续时间几乎都非常接近 220 毫秒，换句话说，如果您可以绘制“真实”的直方图，您会看到在 220 毫秒处有一个非常尖锐的峰值。在上面配置的 Prometheus 直方图指标中，几乎所有的观测值，以及第 95 个百分位数，都将落入标记为 {le="0.3"} 的桶中，即 200 毫秒到 300 毫秒的桶。直方图的实现保证真实的第 95 个百分位数介于 200 毫秒和 300 毫秒之间。为了返回单个值（而不是区间），它应用线性插值，在这种情况下产生 295 毫秒。计算出的分位数给您一种接近违反 SLO 的印象，但实际上，第 95 个百分位数略高于 220 毫秒，与您的 SLO 有相当舒适的距离。
接下来是我们的思想实验：后端路由的更改给所有请求持续时间增加了固定的 100 毫秒。现在，请求持续时间的峰值在 320 毫秒处，几乎所有的观测值都将落入 300 毫秒到 450 毫秒的桶中。第 95 个百分位数计算为 442.5 毫秒，而正确的值接近 320 毫秒。虽然您只稍微超出了 SLO，但计算出的第 95 个分位数看起来要糟糕得多。
摘要在这两种情况下都可以毫无问题地计算出正确的百分位数值，至少如果它在客户端使用适当的算法（例如 Go 客户端使用的算法）。不幸的是，如果您需要聚合来自多个实例的观测值，则不能使用摘要。
幸运的是，由于您对桶边界的适当选择，即使在这个人为的观测值分布中出现非常尖锐峰值的示例中，直方图也能够正确识别您是否在 SLO 范围内或之外。此外，分位数的实际值越接近我们的 SLO（或者换句话说，我们实际上最感兴趣的值），计算出的值就越准确。
现在让我们再次修改实验。在新的设置中，请求持续时间的分布在 150 毫秒处有一个峰值，但它不像以前那么尖锐，只占观测值的 90%。10% 的观测值均匀分布在 150 毫秒到 450 毫秒之间的长尾中。通过这种分布，第 95 个百分位数恰好位于我们的 SLO 300 毫秒处。使用直方图，计算值是准确的，因为第 95 个百分位数的值恰好与其中一个桶边界重合。即使是稍微不同的值仍然是准确的，因为相关桶内（人为的）均匀分布正是桶内线性插值所假设的。
现在，摘要报告的分位数的误差变得更有意思了。摘要中分位数的误差在 φ 的维度中配置。在我们的例子中，我们可能配置了 0.95±0.01，即计算出的值将在第 94 个百分位数和第 96 个百分位数之间。在上述分布下，第 94 个分位数为 270 毫秒，第 96 个分位数为 330 毫秒。摘要报告的第 95 个百分位数的计算值可以在 270 毫秒到 330 毫秒之间的任何位置，不幸的是，这正好是明显在 SLO 范围内与明显在 SLO 范围外之间的所有差异。
底线是：如果您使用摘要，您可以在 φ 的维度中控制误差。如果您使用直方图，您可以通过选择适当的桶布局来控制观测值维度的误差。对于广泛的分布，φ 的微小变化会导致观测值的较大偏差。对于尖锐的分布，观测值的很小区间覆盖了 φ 的很大部分区间。
两条经验法则
如果需要聚合，请选择直方图。
否则，如果您了解将要观测到的值的范围和分布，请选择直方图。如果您需要准确的分位数，无论值的范围和分布如何，请选择摘要。
实现它！ 欢迎代码贡献。一般来说，我们预计直方图比摘要更迫切需要。直方图在客户端库中也更容易实现，因此我们建议在有疑问时首先实现直方图。
该文档是开源的。请通过提交问题或拉取请求来帮助改进它。