文档文档

Kapacitor 作为持续查询引擎

Kapacitor 可以用于执行与 InfluxDB 中的持续查询 (CQ) 相同的工作。今天我们将探讨使用其中一个而不是另一个的原因,以及使用 Kapacitor 进行 CQ 类型工作负载的基础知识。

一个示例

首先,让我们看一个简单的 CQ,并将其重写为 Kapacitor TICKscript。

这是一个 CQ,它每 5 分钟计算一次 cpu.usage_idle 的平均值,并将其存储在新的指标 mean_cpu_idle 中。

CREATE CONTINUOUS QUERY cpu_idle_mean ON telegraf BEGIN SELECT mean("usage_idle") as usage_idle INTO mean_cpu_idle FROM cpu GROUP BY time(5m),* END

要使用 Kapacitor 执行相同的操作,这是一个流式 TICKscript。

dbrp "telegraf"."autogen"

stream
    |from()
        .database('telegraf')
        .measurement('cpu')
        .groupBy(*)
    |window()
        .period(5m)
        .every(5m)
        .align()
    |mean('usage_idle')
        .as('usage_idle')
    |influxDBOut()
        .database('telegraf')
        .retentionPolicy('autogen')
        .measurement('mean_cpu_idle')
        .precision('s')

同样的事情也可以在 Kapacitor 中作为批处理任务完成。

dbrp "telegraf"."autogen"

batch
    |query('SELECT mean(usage_idle) as usage_idle FROM "telegraf"."autogen".cpu')
        .period(5m)
        .every(5m)
        .groupBy(*)
    |influxDBOut()
        .database('telegraf')
        .retentionPolicy('autogen')
        .measurement('mean_cpu_idle')
        .precision('s')

这三种方法都将产生相同的结果。

问题

此时,我们应该回答几个问题

  1. 我们应该在何时使用 Kapacitor 而不是 CQ?
  2. 我们应该在 Kapacitor 中何时使用流任务与批处理任务?

我们应该在何时使用 Kapacitor 而不是 CQ?

有几个原因可以使用 Kapacitor 而不是 CQ。

  • 您正在执行大量的 CQ,并希望隔离工作负载。通过使用 Kapacitor 执行聚合,InfluxDB 的性能配置文件可以保持更稳定,并与 Kapacitor 的配置文件隔离。
  • 您需要做的不仅仅是执行查询,例如,您可能只想存储来自聚合的异常值,而不是全部。Kapacitor 可以对数据执行比 CQ 多得多的操作,因此您在转换数据方面具有更大的灵活性。

在某些用例中,使用 CQ 几乎总是合理的。

  • 为保留策略执行降采样。这是 CQ 设计的目的,并且做得很好。如果不需要,则无需向您的基础设施添加另一个移动部件(即 Kapacitor)。保持简单。
  • 您只有少量的 CQ,再次保持简单,除非需要,否则不要向您的设置添加更多移动部件。

我们应该在 Kapacitor 中何时使用流任务与批处理任务?

基本上,答案归结为两件事:可用 RAM 和使用的时间段。

流任务将必须将所有数据保留在 RAM 中以用于指定的时间段。如果此时间段对于可用 RAM 来说太长,那么您首先需要将数据存储在 InfluxDB 中,然后使用批处理任务进行查询。

流任务确实有一个小的优势,因为它可以监视数据流,所以它通过数据上的时间戳来理解时间。因此,对于给定点是否会进入窗口不存在竞争条件。如果您使用批处理任务,则仍然有可能点到达较晚并在窗口中错过。

另一个示例

创建一个持续查询以跨保留策略进行降采样。

CREATE CONTINUOUS QUERY cpu_idle_median ON telegraf BEGIN SELECT median("usage_idle") as usage_idle INTO "telegraf"."sampled_5m"."median_cpu_idle" FROM "telegraf"."autogen"."cpu" GROUP BY time(5m),* END

流式 TICKscript

dbrp "telegraf"."autogen"

stream
    |from()
        .database('telegraf')
        .retentionPolicy('autogen')
        .measurement('cpu')
        .groupBy(*)
    |window()
        .period(5m)
        .every(5m)
        .align()
    |median('usage_idle')
        .as('usage_idle')
    |influxDBOut()
        .database('telegraf')
        .retentionPolicy('sampled_5m')
        .measurement('median_cpu_idle')
        .precision('s')

和批处理 TICKscript

dbrp "telegraf"."autogen"

batch
    |query('SELECT median(usage_idle) as usage_idle FROM "telegraf"."autogen"."cpu"')
        .period(5m)
        .every(5m)
        .groupBy(*)
    |influxDBOut()
        .database('telegraf')
        .retentionPolicy('sampled_5m')
        .measurement('median_cpu_idle')
        .precision('s')

总结

Kapacitor 是一个强大的工具。如果您需要比 CQ 提供的更大的灵活性,请使用它。有关更多信息和帮助从 InfluxQL 查询编写 TICKscript,请查看 Kapacitor 中 InfluxQL 节点上的这些 文档。InfluxDB 查询语言中提供的每个函数都可以在 Kapacitor 中使用,因此您可以将任何查询转换为 Kapacitor TICKscript。

重要须知

持续查询和 Kapacitor 任务可能会产生不同的结果

对于某些类型的查询,由于 CQ (InfluxDB) 和 TICKscript (Kapacitor) 选择时间边界的方式不同,因此它们可能会返回不同的结果。Kapacitor 选择最大时间戳 (tMax),而 InfluxDB 选择最小时间戳 (tMin)。对于 InfluxDB 来说,使用 tMax 还是 tMin 的选择在某种程度上是任意的,但对于 Kapacitor 来说,情况并非如此。

Kapacitor 能够对重叠的时间窗口执行复杂的连接操作。例如,如果要将上个月的平均值与上个一天的平均值连接起来,则需要它们的最终值在同一时间发生,使用最近的时间 tMax。但是,Kapacitor 会使用 tMin,并且最终值不会在同一时间发生。一个值会在上个月的开始时,而另一个值会在上个一天的开始时。

考虑以下查询,分别作为 InfluxQL 查询和 TICKscript 运行

InfluxQL

SELECT mean(*) FROM ... time >= '2017-03-13T17:50:00Z' AND time < '2017-03-13T17:51:00Z'

TICKscript

batch
  |query('SELECT queryDurationNs FROM "_internal".monitor.queryExecutor')
    .period(1m)
    .every(1m)
    .align()
  |mean('queryDurationNs')

查询结果

查询方法时间平均值
持续查询2017-03-13T17:50:00Z8.083532716666666e+08
TICKscript2017-03-13T17:51:00Z8.083532716666666e+08

请注意返回的时间戳之间的差异。

这是一个已知问题,在 Github 上的 Issue #1258 中讨论过。


此页内容是否对您有帮助?

感谢您的反馈!


Flux 的未来

Flux 即将进入维护模式。您可以继续像现在这样使用它,而无需对代码进行任何更改。

阅读更多

现已全面上市

InfluxDB 3 Core 和 Enterprise

快速启动。更快扩展。

获取更新

InfluxDB 3 Core 是一个开源、高速、近实时数据引擎,可在实时收集和处理数据,并将其持久化到本地磁盘或对象存储。InfluxDB 3 Enterprise 构建在 Core 的基础上,增加了高可用性、读取副本、增强的安全性以及数据压缩,从而实现更快的查询和优化的存储。InfluxDB 3 Enterprise 的免费层可供非商业家庭或业余爱好者使用。

有关更多信息,请查看