所以在看延迟数据时，我们通常会用分位值，比如99分位，90分位，50分位，所谓的分位值， 就是把一段时间内的所有延迟数据从小到大排序，99分位就是看第99%位置的那个值的大小。 还是上面的例子，平均响应时间是1.18秒，但是99分位时间是10秒，相差巨大，更容易暴露问 题。这里所谓的99分位延迟10秒，可以理解为，99%的请求都在10秒内返回。 从监控系统角度，如何来存储和计算出99分位值呢？如果每分钟有1亿个请求，难道真的要在监 1亿个请求，难道真的要在监 控系统中存储这1亿个请求，然后排序，然后求取分位值？那这个代价就太大了。监控数据是采 样数据，对准确性要求没有那么的高，有没有什么办法可以降低这个代价呢？这就是 Prometheus Histogram 的设计初衷了。 Histogram 类型，是把延迟数据分到多个桶里，比如下面的例子，我们查询一个bucket指标看 看效果，虽然这个指标的桶划分不是很合理，也可以说明问题： 120396 假设我们统计50分位，那就是120396*0.5=60198.0，落到了 le="+Inf" 这个桶里了，所以我 们断定50分位的值一定是大于60秒的，当然，因为这个桶划分不是很合理，导致，90分位、99 分位，定然也是在 le="+Inf" 桶里，即值一定是大于60秒的，因为 le="+Inf" 这个桶没有上 界，导致我们无法区分这几个分位值。 1 2 3 4 5