可观测性与稳定性 / 系统课时
Summary 和 Histogram 有何不同
Summary 和 Histogram 有何不同
接口延迟不能只看平均值,因为少量慢请求可能被平均数掩盖。Summary 和 Histogram 都能记录延迟分布,但它们计算分位数的位置、可聚合能力和配置方式不同。选错类型,常见后果是多实例数据无法得到可信的整体 P95。
学习目标
- 说清 Summary 与 Histogram 的分位数计算位置和数据形态
- 判断多实例聚合、SLO 阈值和临时查询场景该选哪一种
- 使用 PromQL 正确计算 Histogram 的整体 P95,并避免错误聚合 Summary
两种指标把计算放在不同位置
Summary 的设计是在应用客户端对观测值进行流式计算,并暴露预先配置的分位数,同时保留观测总数和总和。以 request_duration_seconds 为例,支持分位数计算的实现通常会暴露带 quantile="0.95" 的序列,以及 _sum 和 _count。不同客户端库对 Summary 分位数的支持可能不同,埋点前应先确认所用库的实现。
经典 Histogram 不在客户端直接计算 P95。它把观测值累计到一组带 le 标签的桶中,并暴露 _bucket、_sum、_count。Prometheus 在查询时再用 histogram_quantile() 根据桶计算分位数。

这一区别决定了后续能力:Summary 的分位数已经在单个实例内算完,不能把多个实例的 P95 再做平均来得到整体 P95;Histogram 的桶计数可以先跨实例相加,再计算整体分位数。
多实例场景优先看能否聚合
假设服务有 4 个实例,每个实例都暴露延迟指标。下面这种写法看似在求“全服务 P95”,实际上只是把各实例已经计算好的 P95 做算术平均,并不能代表全部请求合并后的第 95 百分位。
片段示例:需要已有名为 http_request_duration_seconds 的 Summary 指标。
avg(http_request_duration_seconds{quantile="0.95"})预期结果
各实例 P95 的平均值 = <VALUE> 秒<VALUE> 会随实际数据变化,但该结果不是所有请求合并后的整体 P95,因此不应作为服务级延迟分位数。
如果使用经典 Histogram,可以先对每个 le 桶跨实例聚合,再求分位数。
片段示例:需要已有同名 Histogram 指标,并保持参与聚合的实例使用一致的桶边界。
histogram_quantile(
0.95,
sum by (le) (
rate(http_request_duration_seconds_bucket[5m])
)
)预期结果
整体 P95 = <VALUE> 秒<VALUE> 取决于最近 5 分钟的真实请求分布。关键是分位数在桶聚合之后计算,因此能够表达多个实例合并后的延迟分布。
配置自由度与误差来源不同
Summary 的分位点和计算窗口通常需要在埋点时确定。已经导出的 P95 不能事后重新推导出 P90,也不能通过简单聚合变成另一个服务维度的整体 P95。它适合查询目标固定、无需跨实例聚合的场景。
经典 Histogram 的查询自由度更高。只要桶边界设计合理,就能在查询阶段选择 P90、P95、P99,也能按 job、service、region 等标签重新聚合。代价是分位数精度受桶边界影响:目标分位数落入的桶越宽,估算范围越粗;桶越多,又会产生更多时间序列。
如果当前 Prometheus 和客户端库支持 Native Histogram,也可以在保留可聚合性的同时减少手工设计经典桶边界的负担。实际启用前仍应确认客户端支持、Prometheus 配置和存储成本,而不是直接把已有经典 Histogram 全部替换掉。
延迟监控该怎么选
需要跨实例、跨副本或跨区域汇总时,优先考虑 Histogram;SLO 以“300 ms 内完成的请求占比”这类阈值表达时,Histogram 也很合适,因为桶可以围绕关键阈值设计。需要临时切换分位数或查询时间窗口时,它同样更灵活。
只有在不需要跨实例聚合、关注的分位点固定,而且所用客户端确实支持所需 Summary 分位数计算时,Summary 才更合适。实际服务往往会扩容并进行服务级汇总,因此选择 Summary 前最重要的问题不是“查询是否简单”,而是能否接受分位数无法再次聚合这一边界。