对比开源丨Prometheus 服务多场景存储压测全解析

标签：压测 开源 查询 Prometheus 阿里 集群 pod

作者： 智真

在 Gartner 发布的 **《2023 年十大战略技术趋势》 [ 1] **报告中,「应用可观测性」再次成为热门趋势。用户需要建立可观测体系来统筹、整合企业数字化所产生的指标数据，并以此为基础进行反馈并制定决策，这对于提高组织决策有效性和及时性，将是最强有力的支撑。

新需求带来新革命，Prometheus 产品应运而生，引领新一轮可观测技术革命。得益于良好的产品设计，Prometheus 部署与轻度使用体验非常流畅：敲两三个命令就能运行起来，配置几行 yaml 就能收集数据，编辑一个规则就能触发告警，再配合上 Grafana，写一句 PromQL 就能画出趋势图表。一切简单而美好，仿佛SRE光明的未来正向我们招手，这一切来的太突然，它真的如此轻易么？

当然不是。

Prometheus 用良好的用户接口掩盖了内部复杂实现。深入其中，我们会看到时序数据存储、大规模数据采集、时间线高基数、数据搅动、长周期查询、历史数据归档等等。像潜藏在宁静湖面下磨牙吮血的鳄鱼，静待不小心掉进坑中的 SRE 们。

客观的讲，这些问题早已存在，并不是 Prometheus 带来的。云原生的到来让这些问题变得更显著且难以回避。想解决这些问题，需要投入大量人力、物力和精力。作为国内领先的云服务提供商，阿里云提供了优秀的可观测全套解决方案，阿里云 Prometheus 服务正是其中重要一环，相比于开源版本 Prometheus，阿里云的 Prometheus 服务无论是易用性、扩展性、性能均有大幅度提升。 今天，我们将结合企业日常运维过程中常见疑难场景，将两者存储能力进行对比。

测前概念解读

在开始前，我们先阐述测试过程中涉及的问题与概念。

1.时间线（Time Series）

时间线的概念在Prometheus中非常重要，它表示一组不相同的label/value 的集合。比如temperature{city="BJ",country="CN"} 和 temperature{city="SH",country="CN"}就是两条不同的时间线。

因为其中的city这个label对应的值不同；temperature{city="BJ",country="CN"}和 humidity{city="BJ",country="CN"} 也是两条不相同的时间线，因为在Prometheus中，指标名称也对应一个特殊的label name。时间线中的label会被索引以加速查询，所以时间线越多存储压力越大。

2.时间线高基数（High Cardinality）

如果指标设计不合理，label 取值范围宽泛，如 URL，订单号，哈希值等，会造成写入的时间线数量难以预估，会发生爆炸式增长，为采集、存储带来巨大挑战。对于这种情况，我们称之为时间线高基数或者时间线爆炸。时间线基数过高带来的影响是全方位的，如采集压力大，网络和磁盘 IO 压力大，存储成本上升，查询响应迟缓等。

高基数场景常见应对思路有两种：依靠时序存储本身的能力，或更优秀的架构来硬抗压力；或使用预聚合/预计算等手段来主动降低基数。阿里云 Prometheus 在两方面都进行了很多优化和增强，但开源版本中并没有提供完整预聚合/预计算功能，所以此次测试中不会涉及到预聚合/预计算。

3.高搅动率（High Churn Rate）

高搅动率是高基数的特殊场景之一，如果时间线的“寿命”很短，经常被汰换，这种场景我们称之为高搅动率。比如 k8s 场景下，deployment 每次创建新的 pod 时，都会产生新 pod name，即旧 pod 相关时间线被淘汰，新 pod 相关时间线被产生出来。如果经常性发生重启（或类似场景），那么可能从某个时间点来看，时间线并不多，但在较长时间范围来看，时间线总量可能就很庞大。换句话说，在高搅动率场景下，“活跃”的时间线不一定很多，但累积时间线总数非常庞大，所以对时间跨度较大的查询影响尤其严重。

阿里云 Prometheus 服务与开源版本 Prometheus 能力对比↓

Prometheus 官方提供**兼容性测试工具 [ 2] ，阿里云 Prometheus 服务在最主要的 PromQL 测试类别中，兼容性为 97.06% [ 3] 且无需使用 tweak，综合表现优于 AWS 和 GCP [ 4] **。

测试场景

测试工具和测试数据计算

1.测试环境

本次测试使用的 Prometheus 版本为 2.40.1，即截至 2022-12-20 的最新开源版本。阿里云 Prometheus 服务和部署开源 Prometheus 使用的 ECS 均位于阿里云张家口 Region。

2.测试工具

我们使用 VictoriaMetrics 提供的 **prometheus-benchmark [ 5] 来执行此次测试，在使用过程中我们也发现了此工具存在不支持 query_range 测试，churn 逻辑错误等问题，所以我们进行了 Bug 修复和功能增强，为了保证测试透明及可参考性，项目存放在 GitHub 上 [ 6] **。测试工具的整体架构如下图：

3.测试条件设置

默认使用 node exporter 作为指标数据源，node exporter 产生的时间线数量和物理机器有关，比如 CPU 相关指标和机器核数有关系，FileSystem 相关指标和实际挂载的文件系统数量有关，而运行 pod 较多的机器，挂载的文件系统也会更多。在施压集群机器节点上，我们将单个 node exporter 实际产出的时间线数量控制在（680±5）之间，后续的测试估算中，我们按照 680 per node exporter 的标准来估算。

agent 通过定义多个 static config 抓取同一个 node exporter，同时将 instance 字段  relabel 成 host-idx 的方式，模拟出多个数据源，并写入到 remote storage 中。config updater 组件定时更新 static config 按比率调整 relabel 字段，模拟出时间线搅动场景。

如果将采集周期定义为 10 秒钟，target 数量为 100，那么每秒钟产生的采样点数量，约为(680 x 100) / 10 = 6800 个/秒；如果再将搅动率参数设置为每 10 分钟汰换 10%，那么原始时间线数量为100 x 680 = 68k，每小时新增的时间线数量为100x0.1x(60/10)x680 = 41k。

通过两个 query 组件我们可以周期性的发起查询请求，其中 alert query 默认每次发起 33 个告警查询，持续时间基本都在5分钟以内；range query 默认每次发起 32 个 range 查询，时间跨度包括1小时、3小时、6小时、24小时。

4.测试工具使用

测试工具使用需要两个前提条件：1，所在机器能联通到k8s集群；2，机器上安装helm。编辑chart/values.yaml 文件，修改其中remoteStorages等配置；编辑chart/files中alerts.yaml和range_query.yaml，作为带发起的告警查询和范围查询；调整Makefile中的namespace等配置，使用make install安装部署，即可从数据源采集数据并写入到remoteStorages中，同时按照配置的频率发起查询。

同时在部署的 pod 上，默认增加了 Prometheus 采集的相关 annotation，如果集群中已经安装了阿里云 Prometheus，会自动采集测试工具的相关指标数据，包括写入速率、写入采样点数量、查询速率、查询成功数量、查询耗时等。

小型集群告警查询场景

集群预设：

• • 集群设置 100 个 target，约等于一个普通的小型 k8s 集群，每秒写入数据为 (100x680)/10 = 6.8k个采样点，原始时间线为 100x680 = 68k 条，每小时汰换 1% 的 target，即每小时新增 100x680x0.01=680 条时间线，四舍五入约等于零。
  • 查询组件每3秒钟发起一批，共计 31 个告警查询，查询时间跨度 2～5 分钟不等。

环境部署：

• • 开源 Prometheus 部署在一套 4C32G 200G SSD 阿里云资源上。

开源 Prometheus 资源使用情况

• 内存使用（GB）

• CPU使用率百分比

性能表现对比

• 查询 QPS（黄色为开源 Prometheus 数据曲线，绿色为阿里云 Prometheus 服务数据曲线）

• 查询耗时（黄色为开源 Prometheus 数据曲线，绿色为阿里云 Prometheus 服务数据曲线）

• 写入速率对比（KB/s，黄色为开源Prometheus数据曲线，绿色为阿里云Prometheus服务数据曲线）

测试结论

在这种基础场景下，开源 Prometheus 在六小时的测试期间表现稳定，资源消耗较低，响应速度也能让人满意。

小型集群范围查询场景

经历了第一场热身，双方表现势均力敌。于是我们升级测试项目，增加范围查询场景，尤其在 Prometheus+Grafana 中，大部分都是范围查询。

集群预设：

• • 集群设置 100 个 target，抓取周期为 10s，每小时 1% 的汰换率。
  • 每五秒钟发起一批范围查询，查询跨度统一为 3 小时，查询频率为每5秒发起一批，每批 50 条查询语句，超时时间 30 秒钟。

环境部署：

• • 开源 Prometheus 部署在一套 4C32G 200G SSD 阿里云资源上。

开源 Prometheus 资源使用

• 内存使用（GB）

• CPU 使用率百分比

性能表现对比

• 查询 QPS（黄色为开源 Prometheus 数据曲线，绿色为阿里云 Prometheus 服务数据曲线）

• 查询耗时（P95，黄色为开源 Prometheus 数据曲线，绿色为阿里云 Prometheus 服务数据曲线)

• 数据写入速率（KB/s，黄色为开源Prometheus数据曲线，绿色为阿里云Prometheus服务数据曲线）

测试结论

相比上一轮，本轮测试数据采集量并没有变化，总数据量基本一致，开源 Prometheus 内存使用同样是持平状态。但我们增加范围查询后，CPU 使用量发生明显变化，长时间持续在 60% 水位，按照 node exporter 默认告警规则，节点 CPU 使用率瞬时值达到 80% 即可触发告警，开源 Prometheus 节点的 CPU 使用率已逼近需要关注水位。

在测试开始后约三个小时（0:30 - 3:30），开源 Prometheus 的 CPU 使用率即达到 60%，根据测试场景预设条件我们可以计算出此时时间线数量和收集的采样点数量。时间线数量约为 100x680 + 3x100x680x0.01 = 70k，采样点数量(3x3600/10)x100x680=7kw，单个采样点长度约 256B，数据压缩率 8%，所以数据文件大小约为 7kwx256Bx0.08/1024/1024=1434M，这个数据量并不大，同时时间线变化很少。

发起的范围查询请求 QPS=10，一般打开一个 Grafana dashboard 时同时发起的查询都在 20~50 左右（不过因为浏览器的限制，这些查询并不是真正的同时发起），再考虑到大盘的定时刷新功能和同时打开多个大盘的情况，这个 QPS 在日常使用中是可以比较容易达到的，但依然使开源 Prometheus 的 CPU 消耗飙升。

究其原因，我们认为开源 Prometheus 存在两个问题，一是响应时间较长的问题，因为开源 Prometheus 默认只支持 10 个查询并发，大概率会出现请求等待情况，延长的响应时间（但也拉平了CPU压力)；另一个 CPU 使用率较高问题，我们查看开源版本 Prometheus CPU 使用情况（如下图），大量 CPU 消耗在用户进程上，PromQL 查询中需要对采样点进行各种切分与计算，从而产生大量数值计算，确实很容易把 CPU 打高。同时，开源 Prometheus engine 是单线程处理数据，可以视为要将每个采样点“捋一遍”，这种串行化的处理方式，也是其响应时间远逊于阿里云 Prometheus 服务的原因之一。

小型集群高搅动率场景

在前两轮测试中，我们预设场景都是比较理想的稳定集群，时间线汰换率非常低。实际场景往往没有这么理想，往往因为各种原因产生大量时间线，比如指标设计不合理、pod频繁重启等。这一轮测试中，我们预设场景就是一个非常不稳定的集群，target频繁汰换，考验下开源 Prometheus 和阿里云 Prometheus 服务在这种场景下表现如何。

集群设置：

• • 模拟 100 个 node exporter作为target，依然是一个小规模k8s集群的量级，每十秒钟抓取一次，即写入速率依然为6.8k/秒。原始时间线数量680x100 = 680k，搅动率设置为十分钟汰换99%，即每十分钟会重新产生 680x100 = 68k 时间线，每小时会新产生约 41 万时间线。
  • 每 10 秒钟发起一批 range query，使用测试工具中默认的 32 条 range query，查询时间范围从 1h～24h 不等，查询超时时间为 30 秒。

环境部署：

• • 开源 Prometheus 部署机器配置为 4C32G 200G SSD。

开源Prometheus资源使用情况

• 内存使用（GB)

• CPU使用率百分比

性能表现对比

• 查询 QPS（黄色为开源 Prometheus 数据曲线，绿色为阿里云 Prometheus 服务数据曲线）

• 查询耗时（P95，黄色为开源 Prometheus 数据曲线，绿色为阿里云 Prometheus 服务数据曲线）

• 数据写入速率（Byte/s，黄色为开源 Prometheus 数据曲线，绿色为阿里云 Prometheus 服务数据曲线）

测试结论

搅动率较高时，开源 Prometheus 表现非常勉强，内存与 CPU 使用量呈现线性上涨，在坚持了八个多小时之后，机器无响应，直至被 OS kill 掉。

根据测试场景预设，我们可以大致计算下时间线总量，其中初始时间线数量 680x100 = 68000，每小时新增时间线数量 680x100x6x8 = 326w，总量相加一共计 333w。也就是说一台 4C32G 机器，最多只能承受 333w 时间线，实际应用中我们必然需要保留余量，如果按照 50% 水位作为警戒线，约只能承担 333万 x 50% = 165万 时间线。此外，考虑到实际应用中，数据保存时间少则半个月，多则半年一年，长时间数据存储也会带来额外内存压力，所以一旦总时间线数量达到 100w 时，就应当提高警惕，小心应对了。

作为对比，在我们截图的时刻，阿里云 Prometheus 服务已经写入了 680x100 + 680x100x6x12 = 4964000 即约 500w 时间线，写入和查询的表现依然稳定。

中型集群高搅动率场景

经历过前面三轮比对，我们对开源 Prometheus 的性能表现有了一定了解：单纯写入性能较好，查询很吃 CPU，时间线数量对性能影响很大，内存消耗会成倍上升，CPU 开销也会暴涨。

面对性能瓶颈，最直接最简单的想法就是垂直扩容，换句话就是告诉老板加机器。加机器就能解决的问题都有一个隐含的前提条件：资源增长是线性的。如果资源是指数增长，那加机器就是一个无底洞：增加十倍的硬件投入，只能提升一倍的性能，这种情况下还走垂直扩容的路子，只能是为硬件厂商打工。

在这一轮测试中，我们提升了开源 Prometheus 的硬件机器规格，使用一台 16C64G 200GSSD 的机器来应对高搅动率场景。

集群设置：

• • 模拟一个中型规模的 k8s 集群，500 个 target，每 10 秒钟抓取一轮，每十分钟汰换 99% 的 target，所以初始时间线数量为 680x500 = 34w，每小时新增时间线数量为 680x500x0.99x6 = 2019600 即每小时新增时间线数量为 200w。
  • 查询请求方面，依然使用工具集中默认的 32 条范围查询，但发起查询的间隔扩大为 30s，查询超时时间依然设置为 30s。

环境部署：

• • 开源 Prometheus 部署机器配置为 16C64G 200GSSD。

开源 Prometheus 资源使用

• 内存使用（GB)

• CPU 使用率百分比

性能表现对比

• 查询 QPS（黄色为开源 Prometheus 数据曲线，绿色为阿里云 Prometheus 服务数据曲线）

• 查询耗时（P95，黄色为开源 Prometheus 数据曲线，绿色为阿里云 Prometheus 服务数据曲线）

• 数据写入速率（Byte/s，黄色为开源 Prometheus 数据曲线，绿色为阿里云 Prometheus 服务数据曲线）

测试结论

开源 Prometheus 在坚持四个小时后终于倒下，总计写入的时间线约为 34w + 200w x 4 = 834w。我们将硬件资源提升了四倍，但实际承载的时间线总数只提升了 834w / 333w = 2.5倍。显然，时间线高基数，对 Prometheus 性能的影响是非线性的，即时间线基数越高，单位资源能承载的平均时间线数量越少。越大规模集群，堆硬件越不划算。

细心的 SRE 们观察到了另一个现象：相较于小型集群的高搅动率场景，这一轮的查询 QPS 下降到了 1/s，而 CPU 资源也没有像上次一样与内存几乎同步耗尽，而是在达到了 40% 的时候，因为内存耗尽导致机器无响应，也凸显了 PromQL 查询对 CPU 的消耗严重性。

开源 Prometheus 倒下后，阿里云 Prometheus 服务并没有停步，最终在测试期间，已经吞下了 34w + 200w x 12 = 1434w 条时间线，依托于云服务无限扩展的特性，对于用户来说，阿里云 Prometheus 服务的承载能力也可以认为是一个“无底洞”，借助各种弹性策略及发现读/写瓶颈时自动水平扩展等手段，保证服务质量。

大型集群高搅动率场景测试

从上一轮的测试中，我们几乎能确定基数较高时，开源 Prometheus 的资源消耗是指数级上升的，所以使用硬件配置更好的机器，承载能力不可能有成倍的提升。我们将在这一轮测试中尝试证实或证伪这个推论。在这一轮测试中，我们基本沿用了上一轮设置。

集群设置：

• • target 总数涨到 2000 个。初始时间线数量 680 x 2000 = 136w，每小时新增时间线数量为 680 x2000 x0.99 x6 = 807w。其他配置保持不变。

环境部署：

• • 开源 Prometheus 部署机器配置为 64C 256G。

开源 Prometheus 资源使用

• 内存使用（GB）

• CPU 使用率百分比

性能表现对比

• 查询 QPS（黄色为开源 Prometheus 数据曲线，绿色为阿里云 Prometheus 服务数据曲线）

• 查询耗时（P95，黄色为开源 Prometheus 数据曲线，绿色为阿里云 Prometheus 服务数据曲线）

• 数据写入速率（Byte/s，黄色为开源 Prometheus 数据曲线，绿色为阿里云 Prometheus 服务数据曲线）

测试结论

本轮中开源 Prometheus 一共坚持了约两小时四十分钟，写入时间线总数为 136w + 800w x 2.67 = 2300w，对比上一轮，在硬件扩容四倍的情况下，实际支撑能力扩大了2300w /834w = 2.75 倍。进一步印证了其性能消耗非线性增长的结论。

长周期查询场景测试

前面几轮的测试中，我们着重比较了高搅动率/时间线爆炸场景下，开源 Prometheus 和阿里云 Prometheus 服务的性能表现，阿里云 Prometheus 服务对时间线的承载能力远高于开源版本。在日常使用中，另一个经常遇到的，容易触及 Prometheus 性能边界的场景就是长周期查询。较大的查询时间跨度，一方面需要加载更多的时间线和采样点数据，另一方面计算量也会跟着翻倍，直接把 IO/内存/CPU 三大项全都考验了一遍。

因为开源 Prometheus 不接受数据乱序写入，所以这一轮的测试中，我们提前进行了一周时间的数据准备，我们使用 ksm（kube state metrics）作为数据源，模拟了 120 个 ksm，因为测试集群规模较小，单个 ksm 暴露的时间线数量约为2500，所以总时间线数量为 2500 * 120 = 30w。采集间隔为 30s，所以每月产生的指标总量约为(30w/30) 60602430 = 260亿，每周产生的指标总量约为(30w/30) 6060247 = 60亿。

测试集群继续沿用了之前的 64C 256G 高配机器。

五天数据查询

查询语句：sum(kube_pod_container_resource_requests_memory_bytes) by (node, namespace)

查询时间跨度：now - 5d  ~ now

查询step：10m（页面默认）

查询耗时：2.71s（阿里云Prometheus服务） 16.3s（开源Prometheus）

查询语句：(sum(kube_pod_container_resource_requests{resource=~"cpu"})by (node) / sum(kube_node_status_allocatable{resource=~"cpu"})by (node) ) * 100 > 30

查询时间跨度：now -6d ~ now - 1d

查询step：10m（页面默认）

查询耗时：3.59s（阿里云Prometheus服务）   14.0s（开源Prometheus）

七天跨度批量查询

更多的时候，我们会是在 Grafana dashboard 上发起 Prometheus 查询，一个dashboard上会同时发起 20 到 30 个查询。多个查询同时处理时，开源 Prometheus 和阿里云 Prometheus 服务的表现又将如何呢？

我们在 exporter 中同时发起 10 个查询（事实上因为 Chrome 浏览器并发连接数限制，实际上同时发出的请求数无法达到 10 个），来模拟同时发起多个查询的场景。查询时间跨度设置为七天。查询语句如下：

count(kube_pod_container_info{}) by (namespace, node)
sum by (node, namespace) (kube_pod_container_resource_requests_memory_bytes)
sum by (node, namespace) (kube_pod_container_resource_requests_cpu_cores) 
sum by (namesapce) (rate(kube_pod_container_status_restarts_total{}[2m]))
sum(kube_pod_container_resource_requests{resource="cpu", unit="core"})by (node) / sum(kube_node_status_allocatable{resource="cpu", unit="core"})by (node)
sum(kube_pod_container_resource_limits{resource="memory", unit="byte"})by (node) / sum(kube_node_status_allocatable{resource="memory", unit="byte"})by (node)
sum by (node, namespace) (kube_pod_container_resource_limits_cpu_cores)
sum by (node, namespace) (kube_pod_container_resource_limits_memory_bytes)
sum(kube_pod_container_resource_limits{resource="cpu", unit="core"})by (node) / sum(kube_node_status_allocatable{resource="cpu", unit="core"})by (node)
sum(kube_pod_container_resource_limits{resource="memory", unit="byte"})by (node) / sum(kube_node_status_allocatable{resource="memory", unit="byte"})by (node)

阿里云 Prometheus 服务总体耗时在 13 秒左右，因为浏览器并发请求数的限制，查询请求不是同时发出的，每个请求的响应时间在 5 到 6 秒左右。

开源 Prometheus 总体耗时在 53 秒左右，因为单个请求耗时更久，叠加并发请求数的限制，导致总体耗时大约是阿里云 Prometheus 服务的 4 倍左右，单个请求的耗时也都在 16 到 37s。

测试结论

在本轮测试中，自建 Prometheus 即使在资源充沛的情况下，长跨度查询速度也远逊于阿里云  Prometheus 服务。这是因为阿里云 Prometheus 服务并不是简单的开源托管，我们在查询方面做了非常多的技术优化，包括算子下推、降采样、函数计算优化等技术手段，综合提升大查询/长时间跨度查询的性能表现。

实际上随着查询时间跨度的继续加长，阿里云 Prometheus 服务的查询性能优势相较于开源 Prometheus 会更加明显。同时开源 Prometheus 默认支持的并发查询只有 20（并发查询 20，并发 remote read 10），而阿里云 Prometheus 服务依托强大的云化计算资源，并发查询能力轻松上千。对于 SRE 而言，从长周期数据中观察系统异常变化规律非常重要，对于 IT 体系管理人员而言，从长周期数据中观察系统的演进趋势也是必不可少的工作，在这种场景下，开源 Prometheus 并不是一个可靠的伙伴。

测试总结

经过了六轮不同角度不同强度的测试，我们也可以得到一些初步的结论：

• 写入性能一般不会成为 Prometheus 的瓶颈。在大型集群高搅动率场景测试中，我们的写入速率最高，每分钟写入采样点数达到了 816w（136wx60/10 = 816w），但无论是开源 Prometheus 还是阿里云 Prometheus 服务均能很好的承接这种量级的写入。这也符合时序数据库写多读少的设计思路。

• 查询对 CPU 的消耗远多于写入。在小型集群范围查询场景测试中体现最为明显，仅仅是查询测试期间几个小时的数据，就能轻易将 CPU 使用率拉升到 60% 的高位。因为 Prometheus 的所谓查询，并不是将数据从存储中读出来就完事，更多的是各种 PromQL 的处理，其中包含大量的数据切分、判断、计算，所以如果有大查询/复杂查询/长周期查询/高时间线基数查询时，很容易将 CPU 打满。

• 时间线数量对 Prometheus 的内存消耗影响很大，且不是线性增长。

• • 在小型集群高搅动率场景、中型集群高搅动率场景、大型集群高搅动率场景下，面对时间线爆炸的情况下，三个集群都没能坚持太久就挂掉，挂掉的原因也都是内存耗尽导致 OOMKill。
  • 时间线增多同样导致查询变慢，在三个场景的查询耗时 P95 中，随着时间线的增多，阿里云 Prometheus 服务的查询响应时间也会相应变长。因为在 promQL 逻辑中，尤其是很多函数计算逻辑中，每条时间线是需要单独计算的，100w 时间线就要计算 100w 轮，所以响应时间自然也要变长。
  • 资源消耗的增长是非线性的。相比小型集群，中型集群的资源扩了四倍，实际承载的时间线数量增长了 2.5 倍；相比中型集群，大型集群的资源也扩了四倍，实际承载的时间线数量增长了 2.75 倍。即如果集群吐出的时间线数量就是很多，加机器硬抗并不是一个明智的选择。
  • 阿里云 Prometheus 服务针对高基数存储/查询做了不少有效的优化，所以在高基数的承载能力、高基数的查询响应上都能将开源 Prometheus 拉开一定距离。

• 长时间跨度查询除了要消耗大量 CPU 时间，还因为要加载数天的数据，带来更多的 IO 消耗，两相叠加导致查询响应会比较慢。阿里云 Prometheus 服务在这方面做了很多技术优化，包括 TSDB 数据文件优化、文件加载优化、降采样、算子下推、函数计算优化等等，最终的查询效率较开源 Prometheus 高出数倍。

阿里云 Prometheus 服务 VS 开源

成本永远是企业用户说不腻的话题。IT 上云对于降低/拉平企业数字化成本的作用毋庸置疑，而具体到 Prometheus 组件上，云服务的成本表现，相比于自建模式会怎样呢，我们在这里一起做一个简单的比较。以下的自建成本计算中，我们统一使用张家口 region 的 ECS 价格。

场景1：小规模线上集群

线上这个词在IT语境中有着神奇的魔力，任何名词只要前面加上“生产/线上”的前缀，聊天室的气氛都会瞬间严肃起来。不信你在公司群里，发一句“老板咱们线上环境挂了”试试

标签：压测,开源,查询,Prometheus,阿里,集群,pod
From： https://www.cnblogs.com/alisystemsoftware/p/17136004.html