OpenMetrics-Metriktypen richtig lesen
Zähler und Momentaufnahme unterscheiden
Ein Counter beschreibt Ereignisse, deren Zahl im Normalbetrieb nur steigt und bei einem Neustart zurückgesetzt werden kann. Für HTTP-Anfragen, Schreibfehler oder abgeschlossene Jobs ist das ein guter Ausgangspunkt. Eine rohe Counter-Kurve ist jedoch kein sinnvoller Durchsatzvergleich: Erst die Zunahme über ein Zeitfenster zeigt eine Rate. Ein Gauge bildet dagegen einen Zustand ab, der steigen und fallen darf, etwa belegten Speicher, Temperatur oder die Anzahl aktuell verbundener Clients. Die Prometheus-Dokumentation stellt genau diese unterschiedlichen Verhaltensweisen gegenüber. [2]
Wird eine Temperatur als Counter behandelt, führt jeder Rückgang zu irritierenden Auswertungen. Wird ein Ereigniszähler als Gauge deklariert, ist seine Semantik für Leser und Werkzeuge irreführend. Prometheus verarbeitet klassische Zahlenreihen weitgehend ohne Typprüfung; eine Rate-Funktion erkennt den Fehler nicht zuverlässig an der Deklaration. Darum zuerst die Bedeutung der Messgröße definieren, dann den Typ wählen. Namen, Einheiten und Labels sollten konsequent bleiben; ein Wert ohne Einheit ist schwer mit anderen Systemen zu vergleichen. Auch ein korrekt typisierter Wert sagt für sich genommen noch nicht, ob ein Dienst tatsächlich benutzbar ist.
Verteilungen brauchen mehr als einen Mittelwert
Latenzen und Antwortgrößen haben Ausreißer. Ein Histogramm fasst Beobachtungen in Buckets sowie Summe und Anzahl zusammen; damit lassen sich Verteilungen über mehrere Instanzen aggregieren, sofern die Bucket-Grenzen passen. Eine Summary kann Quantile bereits auf dem beobachtenden Client berechnen. Solche Quantile lassen sich nicht einfach über mehrere Instanzen zu einem globalen Quantil mitteln. [2] Für einen einzelnen Homelab-Dienst mag die Summary leicht verständlich wirken; bei mehreren Replikaten spricht die Aggregierbarkeit oft für ein Histogramm.
Die OpenMetrics-Spezifikation unterscheidet mehr als die vier weithin bekannten Grundtypen: Neben Counter, Gauge, Histogram und Summary nennt sie etwa Info, StateSet und GaugeHistogram. [1] Nicht jede Exporterbibliothek unterstützt jeden Typ gleich. Ein Info-Wert kann stabile Build-Informationen repräsentieren, ist aber kein Freibrief, beliebige variable Textfelder als Labels zu speichern. Der semantische Typ hilft beim Austausch von Messwerten; er garantiert noch keine gute Instrumentierung.
Im eigenen Bestand nachvollziehen
Lies beim gewünschten Exporter die Metadaten der Metrik und vergleiche sie mit einigen echten Samples nach einem kontrollierten Neustart. Ein Counter sollte nach einem Reset anders interpretiert werden als ein Gauge, der schlicht auf null fällt. Prüfe für eine Latenzmetrik, welche Ereignisse überhaupt beobachtet werden: Nur erfolgreiche Antworten zu messen unterschätzt die Wartezeit bei Störungen. Wähle Histogrammbuckets entlang fachlich interessanter Schwellen und beobachte, ob sie die tatsächlichen Antwortzeiten sinnvoll auflösen.
Im Dashboard sind Einheit und Abfragefenster sichtbar zu beschriften. Ein Panel für eine Anfragerate beantwortet eine andere Frage als eines für insgesamt gezählte Anfragen. Teste die Auswertung mit einem bekannten, harmlosen Ereignis und kontrolliere, ob Counter, Gauge und Histogramm erwartbar reagieren. Grenze dieser Prüfung: Ein sauberer Typ schützt weder vor fehlenden Exporten noch vor extrem vielen Labelkombinationen; das Datenmodell und die Abdeckung des Dienstes bleiben eigene Entscheidungen.
Bei Exportern von Drittanbietern lohnt ein Blick auf die dokumentierte Typdeklaration und die Einheit der beobachteten Werte. Ein falsch benanntes Histogramm kann ein scheinbar plausibles Panel erzeugen. Erst wenn Eingabe, Abfrage und Ausgabe denselben Sachverhalt beschreiben, darf die Grafik eine Betriebsentscheidung tragen. Diese Prüfung ist besonders nach Exporter-Updates sinnvoll.
Weiterlesen: Grafana-Dashboards und Homelab-Monitoring.
Ein Histogramm braucht für eine sinnvolle p95-Auswertung ausreichend passende Bucket-Grenzen; eine Quantilschätzung zwischen weit auseinanderliegenden Buckets kann irreführen. Prüfe anhand eines harmlosen Lasttests, ob Beobachtungen in den erwarteten Buckets landen und ob der Scrape den Exporter während der Störung noch erreicht. Eine fehlende Zeitreihe ist weder ein Nullwert noch ein erfolgreicher Messpunkt.
Offizielle Quellen und Prüfnotizen
- [1] OpenMetrics 1.0: Metrikfamilien und Typen – OpenMetrics 1.0: TYPE-Deklarationen umfassen neben Counter und Gauge auch Info, StateSet und GaugeHistogram.
- [2] Prometheus: Metric Types – Prometheus Metric types: Counter-Reset, Gauge-Veränderlichkeit und Unterschiede von Histogramm und Summary.

