《Prometheus监控技术与实践》监控实战系列 12：业务监控——微服务与业务指标监控全解
本文聚焦微服务与业务指标监控领域，从微服务架构特性出发，拆解微服务监控的核心挑战与维度，落地Spring Boot微服务监控的实操流程，同时详解业务运营指标体系的构建方法与自定义Metrics实现，帮助读者完成从微服务监控认知到业务指标落地的全链路掌握。
【本篇核心收获】
- 理解微服务架构模式（Netflix分层架构、Kubernetes+Service Mesh）及微服务监控的核心挑战
- 掌握微服务监控的三个维度（指标监控、链路监控、日志监控）和关键指标体系（URL监控、主机监控、产品监控等）
- 学会基于Spring Boot + Actuator + Micrometer构建微服务监控架构
- 掌握Actuator组件的配置与Prometheus集成方法，理解Micrometer中四种核心度量类型（Counter、Gauge、Timer、Summary）的使用场景与代码实现
- 掌握业务运营指标体系的结构化设计方法（RUN指标体系、AARRR框架），并能在Spring Boot中自定义Prometheus Metrics
1. 微服务监控
微服务体系结构通过将应用拆解为轻量级、松耦合的独立服务，解决了单体应用的部署、扩展等问题，但也带来了监控视角和复杂度的全新挑战。
1.1 微服务架构模式
微服务概念源于2014年Martin Fowler的《Microservices》一文，核心是将单一应用拆分为多个独立进程的小服务，通过HTTP/RESTful API或RPC通信，围绕业务构建且可独立部署。
1.1.1 Netflix微服务从外而内分层视图架构
Netflix作为微服务标杆，其分层架构覆盖了从用户端到数据层的全链路，各层级职责清晰： 
- 第0层：端用户设备层：支持浏览器、手持设备、智能电视等超1000种终端设备。
- 第1层：接入层：基于AWS ELB承接用户流量。
- 第2层：网关层：通过Zuul网关实现反向路由、安全、限流熔断、日志监控等横切面功能，无业务逻辑，无状态部署。
- 第3层：聚合服务层（边界服务层）：对后台服务聚合/裁减/加工后适配前端设备，主要使用Groovy脚本开发。
- 第4层：后台基础服务层（中间层服务层）：提供Playback、Member、Review、Payment等核心业务服务。
- 第5层：数据访问层：支持Cassandra、Memcached、Zookeeper等数据存储/中间件的访问。
1.1.2 Kubernetes+Service Mesh=完整的微服务框架
Kubernetes是容器编排事实标准，容器作为微服务最小单元可最大化架构优势；Service Mesh（如Istio、Conduit）补足了K8s在服务通信上的短板，二者结合形成语言无关、覆盖Dev和Ops阶段的完整微服务框架（对比Dubbo、Spring Cloud等绑定特定语言/场景的框架更通用）。 
Kubernetes+Service Mesh降低了微服务实施成本，为大规模落地提供了基础保障。
模块小结：微服务架构的核心是“拆”，Netflix分层架构和K8s+Service Mesh框架分别代表了业务层和基础设施层的最佳实践，是理解微服务监控范围的前提。
1.2 以服务为中心的监控
微服务监控与传统监控的核心区别是视角从机器转向服务，其面临的核心挑战包括：
- 监控对象动态可变，无法预先配置；
- 监控范围繁杂，各类监控难以融合；
- 服务间调用关系复杂，故障排查困难；
- 架构快速演进，难以抽象稳定的通用监控模型。
生产环境中还需应对：
- 监控数据爆炸式增长，要求监控系统具备高处理/展示能力；
- 监控系统需高可靠（无单点故障、数据可备份恢复）；
- 支持云上部署和快速水平扩容（云原生要求）。
微服务监控可分为三个核心维度，对应开源解决方案如下：
| 监控维度 | 核心作用 | 开源解决方案 |
|---|---|---|
| 指标监控 | 采集服务运行指标（如QPS、延迟） | Prometheus、InfluxDB |
| 链路监控 | 追踪服务间调用链路，定位性能瓶颈 | Zipkin、Pinpoint |
| 日志监控 | 聚合分析服务日志，排查业务/系统问题 | ELK（Elasticsearch+Logstash+Kibana） |
模块小结：以服务为中心的监控需解决“动态、复杂、海量”三大问题，指标、链路、日志三个维度缺一不可，共同构成微服务监控的核心体系。
1.3 微服务监控的关键指标
微服务监控的核心痛点是“服务多、调用杂”，需通过关键指标快速定位问题。从数据、资源、代码三个维度，可拆解出8类原子化监控场景：
| 产品/维度 | 数据维度 | 资源维度 | 代码维度 |
|---|---|---|---|
| URL监控 | ★ | ★ | |
| 主机监控 | ★ | ||
| 产品监控 | ★ | ||
| 组件监控 | ★ | ||
| 自定义监控 | ★ | ★ | ★ |
| 资源监控 | ★ | ★ | |
| 应用性能监控(APM) | ★ | ★ | |
| 事件监控 | ★ |
通过收集上述原子化场景数据，可基于用户体验设计统一UI，可视化展示全量监控数据。
模块小结：8类原子化监控场景覆盖了微服务从数据到资源再到代码的全维度，是构建微服务监控指标体系的基础。
2. 构建Spring Boot微服务监控
Spring Boot整合了成熟的微服务组件，可快速搭建监控体系，核心依赖spring-boot-starter-actuator导出运行指标，结合Micrometer实现多维度指标采集，最终对接Prometheus完成监控。
2.1 Spring Boot监控架构
Spring Boot监控的核心原理是：通过spring-boot-starter-actuator暴露监控端点，内部通过MeterRegistryPostProcessor将所有MeterRegistry类型Bean整合到CompositeMeterRegistry，最终统一导出指标给Prometheus。 
模块小结：Spring Boot监控架构的核心是“Actuator暴露端点 + Micrometer统一指标 + Prometheus拉取数据”，实现指标采集-导出-存储的全链路。
2.2 配置加载Actuator监控组件
spring-boot-starter-actuator是Spring Boot监控的核心组件，支持HTTP/JMX方式管理/监控应用，包含健康检查、指标采集、审计日志等能力，配置步骤如下：
步骤1：引入依赖
在pom.xml中添加以下依赖（适配Spring Boot 2.1.4.RELEASE）：
<!-- Spring boot actuator to expose metrics endpoint -->
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-actuator</artifactId>
</dependency>
<!-- Micrometer core dependency -->
<dependency>
<groupId>io.micrometer</groupId>
<artifactId>micrometer-core</artifactId>
</dependency>
<dependency>
<groupId>io.micrometer</groupId>
<artifactId>micrometer-registry-prometheus</artifactId>
</dependency>步骤2：配置Actuator端点访问权限
Spring Boot 2.x需显式配置对外开放的端点（1.x的management.security.enabled已废弃），默认端点路径前缀为http://{host}/{port}/actuator/。
基础配置示例：
# 暴露所有端点，排除env、beans（无权限控制）
management.endpoints.web.exposure.include=*
management.endpoints.web.exposure.exclude=env,beans
# JMX暴露所有端点
management.endpoints.jmx.exposure.include=*仅暴露健康检查端点示例：
management.endpoints.web.exposure.include=healthSpring Boot 2.x核心端点说明：
| ID | 描述 |
|---|---|
auditevents | 公开当前应用程序的审计事件信息 |
beans | 显示应用程序中所有Spring bean的完整列表 |
configprops | 显示应用中配置的属性信息报告 |
env | 显示应用中所有可用的环境属性（环境变量、JVM属性、配置属性等） |
health | 显示应用健康信息 |
httptrace | 显示最后100个HTTP请求-响应交换的跟踪信息 |
info | 显示应用自定义信息（默认空） |
metrics | 显示应用运行指标（内存、线程、QPS等） |
mappings | 显示所有URL映射关系 |
scheduledtasks | 显示应用中的计划任务 |
shutdown | 支持应用正常关机（需谨慎开启） |
threaddump | 显示运行中的线程信息 |
配置完成后，访问http://localhost:8080/actuator/prometheus可获取Prometheus格式的指标数据，示例如下：
HTTP/1.1 200 OK
Content-Type: text/plain;version=0.0.4; charset=utf-8
Content-Length: 2375
# HELP jvm_memory_max_bytes The maximum amount of memory in bytes that can be used for memory management
# TYPE jvm_memory_max_bytes gauge
jvm_memory_max_bytes{area="heap",id="PS Survivor Space",} 3.0932992E7
jvm_memory_max_bytes{area="heap",id="PS Old Gen",} 7.16177408E8
...步骤3：在Prometheus中配置Spring Boot应用
修改prometheus.yml，添加针对Spring Boot应用的采集任务：
scrape_configs:
- job_name: 'spring'
metrics_path: '/actuator/prometheus' # Actuator暴露的Prometheus端点路径
static_configs:
- targets: ['HOST:PORT'] # 替换为Spring Boot应用的IP和端口避坑指南：
- 确保Spring Boot应用的
actuator/prometheus端点可被Prometheus服务器访问（无防火墙/网络策略拦截）； targets配置需使用实际的IP:Port，而非localhost（除非Prometheus与应用部署在同一机器）；- 若修改了Actuator端点前缀，需同步调整
metrics_path。
模块小结：Actuator配置的核心是“引入依赖 + 开放端点 + 配置Prometheus采集”，需注意2.x版本与1.x的配置差异，避免权限配置失效。
2.3 使用io.micrometer构建监控指标
Spring Boot 2.x重构了Metrics体系，核心引入io.micrometer，支持Tag/Label多维度监控，其与Spring Boot、Prometheus的集成关系如下： 
Micrometer核心概念：
- 计量器（Meter）：需采集的性能指标（如Counter、Gauge）；
- 计量器注册表（MeterRegistry）：创建/维护计量器，不同监控系统有专属实现（如
PrometheusMeterRegistry）； - CompositeMeterRegistry：组合多个注册表，支持同时向多监控系统推送指标；
- Tag：多维度监控的基础（K-V键值对），需成对出现。
Micrometer 1.1.4版本支持四种核心度量类型，以下是各自的使用场景与代码实现：
2.3.1 Counter（计数器）
核心特性：只增不减的单值计数器，计数值为double类型，默认增量1.0。 使用场景：记录请求数、任务完成数、错误数等。 代码实现：
public class Counters {
private SimpleMeterRegistry registry = new SimpleMeterRegistry();
private double value = 0.0;
public void counter() {
// 方式1：直接通过注册表创建
Counter counter1 = registry.counter("simple1");
counter1.increment(2.0); // 增量2.0
// 方式2：通过Builder创建（支持描述、Tag）
Counter counter2 = Counter.builder("simple2")
.description("A simple counter")
.tag("tag1", "a")
.register(registry);
counter2.increment(); // 默认增量1.0
}
public void functionCounter() {
// 基于方法返回值创建FunctionCounter
List<Tag> tags = new ArrayList<>();
registry.more().counter("function1", tags, this, Counters::getValue);
// Builder方式创建FunctionCounter
FunctionCounter functionCounter = FunctionCounter.builder("function2", this, Counters::getValue)
.description("A function counter")
.tags(tags)
.register(registry);
functionCounter.count();
}
private double getValue() {
return value++;
}
}2.3.2 Gauge（计量仪）
核心特性：可增可减的单值指标，取样时返回当前值，无法手动修改。 使用场景：记录内存使用率、队列长度、实时并发数等。 代码实现：
public class Gauges {
private SimpleMeterRegistry registry = new SimpleMeterRegistry();
public void gauge() {
// 记录AtomicInteger值
AtomicInteger value = registry.gauge("gauge1", new AtomicInteger(0));
value.set(1);
// 记录集合大小
List<String> list = registry.gaugeCollectionSize("list.size", Collections.emptyList(), new ArrayList<>());
list.add("a");
// 记录Map大小
Map<String, String> map = registry.gaugeMapSize("map.size", Collections.emptyList(), new HashMap<>());
map.put("a", "b");
// Builder方式创建（支持动态取值）
Gauge.builder("value", this, Gauges::getValue)
.description("a simple gauge")
.tag("tag1", "a")
.register(registry);
}
private double getValue() {
// 返回随机值模拟动态变化
return ThreadLocalRandom.current().nextDouble();
}
}2.3.3 Timer（计时器）
核心特性：记录事件持续时间，自动统计事件数量和总耗时，无需单独创建Counter。 使用场景：记录接口响应时间、任务执行耗时等。 代码实现：
public class Timers {
private SimpleMeterRegistry registry = new SimpleMeterRegistry();
public void record() {
// 直接记录Runnable执行时间
Timer timer = registry.timer("simple");
timer.record(() -> {
try {
Thread.sleep(3000); // 模拟耗时操作
} catch (InterruptedException e) {
e.printStackTrace();
}
});
}
public void sample() {
// 手动启动/停止计时（适用于异步场景）
Timer.Sample sample = Timer.start();
new Thread(() -> {
try {
Thread.sleep(2000); // 模拟异步耗时操作
} catch (InterruptedException e) {
e.printStackTrace();
}
sample.stop(registry.timer("sample")); // 停止计时并记录
}).start();
}
}2.3.4 Summary（分布摘要）
核心特性：跟踪事件分布（如响应时间分布），支持直方图和百分比计算，对应类DistributionSummary。 使用场景：分析指标的分布特征（如50%/75%/90%响应时间）。 代码实现：
public class DistributionSummaries {
private SimpleMeterRegistry registry = new SimpleMeterRegistry();
public void summary() {
DistributionSummary summary = DistributionSummary.builder("simple")
.description("simple distribution summary")
.minimumExpectedValue(1L) // 最小预期值
.maximumExpectedValue(10L) // 最大预期值
.publishPercentiles(0.5, 0.75, 0.9) // 发布50%、75%、90%分位值
.register(registry);
// 记录样本值
summary.record(1);
summary.record(1.3);
summary.record(2.4);
summary.record(3.5);
summary.record(4.1);
// 输出数据快照（包含最大值、总和、平均值、总次数）
System.out.println(summary.takeSnapshot());
}
public static void main(String[] args) {
new DistributionSummaries().summary();
}
}避坑指南：
- Gauge创建后无法手动修改值，需通过绑定对象（如AtomicInteger、集合）或方法实现动态取值；
- Timer的
sample()方法需确保stop()被执行，否则会导致计时数据丢失； - Summary的分位值计算若数据量小，结果可能不具备参考性，需保证样本量充足。
模块小结：Micrometer的四种度量类型覆盖了“计数、动态值、耗时、分布”四大类指标场景，结合Tag可实现多维度监控，是Spring Boot指标采集的核心工具。
3. 业务监控与运营指标
监控的最终目标是服务业务，构建结构化的业务运营指标体系，可实现业务问题预警、根因定位，是数据驱动运营的核心基础。
3.1 业务运营指标
结构化指标体系的核心价值：
- 指标异常时，可通过层级拆解定位问题；
- 达成KPI时，可通过体系分解落地路径。
主流指标体系框架：
（1）RUN指标体系（通用型）
覆盖互联网/运营商核心业务维度，是结构化指标体系的基础： 
- R（Revenue）：收入类指标（如流水、ARPU、付费率）；
- U（User）：用户类指标（如DAU、MAU、留存率）；
- N（Number）：业务量类指标（如播放量、安装量、PV/UV）。
（2）AARRR框架（移动APP专用）
聚焦用户生命周期转化，覆盖拉新到传播全流程： 
- A（Acquisition）：获取用户（如新增用户数、渠道转化率）；
- A（Activation）：用户激活（如首日留存、功能使用率）；
- R（Retention）：用户留存（如7日留存、月留存）；
- R（Revenue）：收益转化（如付费金额、客单价）；
- R（Refer）：口碑传播（如分享率、邀请新增数）。
模块小结：RUN体系是通用框架，AARRR是垂直场景补充，二者结合可覆盖大部分业务的指标需求，核心是“结构化”和“业务导向”。
3.2 业务量类指标
业务量类指标是RUN体系的核心，承载业务价值，反映用户忠诚度/活跃度，分为两类：
（1）核心业务量指标
- 定义：业务的核心价值指标，通常是KPI关键项；
- 示例：音乐试听量、视频播放量、应用安装量、网站PV/UV、运营商通话时长/流量。
（2）普通业务量指标
- 定义：用户行为类指标，数据稀疏但反映用户深度需求；
- 示例：搜索量、评论量、分享量、UGC量、点击量、收藏量；
- 价值：此类指标用户占比低，但忠诚度/不满度极高（如网易云音乐的评论功能提升用户粘性）。
业务量指标最终需产品化/平台化呈现（如DW平台、数据仪表盘），供决策/运营人员查看。
模块小结：核心业务量指标是业务的“生命线”，普通业务量指标是“增值线”，二者结合可全面反映业务的用户行为特征。
3.3 构建运营指标体系
构建高质量指标体系需遵循三大原则：
（1）立足于业务
- 被动适配：响应业务方需求，实现报表/指标；
- 主动设计：数据部门基于业务理解，主动提供指标体系建议（如整合多业务共性、补充漏斗分析等）；
- 核心：指标需真实反映业务场景，避免“为指标而指标”。
（2）结构化体系
- 核心价值：异常定位、KPI拆解；
- 落地方式：仅对核心指标（如流水、DAU、核心业务量）进行结构化拆解；
- 示例：游戏安装量下降→拆解为“新安装/更新安装”→“渠道A/渠道B”→“页面X/页面Y”→定位根因。
（3）良好的可视化能力
- 核心价值：快速发现问题/规律，降低理解成本；
- 选型原则：
- 趋势类（如收入增长）：用折线图/柱状图；
- 占比类（如渠道分布）：用饼图/环形图；
- 对比类（如不同版本指标）：用表格/分组柱状图；
- 漏斗类（如用户转化）：用漏斗图。
模块小结：业务指标体系的核心是“业务导向、结构化拆解、可视化呈现”，三者缺一不可，才能真正发挥数据驱动运营的价值。
4. 在Spring Boot自定义Metrics
基于Prometheus Java Client，可扩展Spring Boot的监控埋点，实现自定义业务指标的采集与导出，覆盖Prometheus四大指标类型（Counter、Gauge、Histogram、Summary）。
4.1 扩展Spring Boot支持监控埋点
步骤1：添加Prometheus Java Client依赖
在build.gradle中添加：
dependencies {
compile "io.prometheus:simpleclient:0.0.24"
compile "io.prometheus:simpleclient_spring_boot:0.0.24"
compile "io.prometheus:simpleclient_hotspot:0.0.24"
}步骤2：启用Prometheus Metrics Endpoint
添加@EnablePrometheusEndpoint注解，同时初始化DefaultExporter（导出JVM指标）：
@SpringBootApplication
@EnablePrometheusEndpoint
public class SpringApplication implements CommandLineRunner {
public static void main(String[] args) {
SpringApplication.run(GatewayApplication.class, args);
}
@Override
public void run(String... strings) throws Exception {
DefaultExports.initialize(); // 导出JVM相关指标
}
}配置修改（可选）：默认端点为/prometheus，可通过配置调整：
endpoints:
prometheus:
id: metrics
sensitive: true
enabled: true启动应用后访问http://localhost:8080/metrics，可看到JVM指标示例：
# HELP jvm_gc_collection_seconds Time spent in a given JVM garbage collector in seconds.
# TYPE jvm_gc_collection_seconds summary
jvm_gc_collection_seconds_count{gc="PS Scavenge",} 11.0
jvm_gc_collection_seconds_sum{gc="PS Scavenge",} 0.18
# HELP jvm_classes_loaded The number of classes that are currently loaded in the JVM
# TYPE jvm_classes_loaded gauge
jvm_classes_loaded 8376.0
...步骤3：添加拦截器，为监控埋点做准备
通过拦截器捕获所有HTTP请求，为自定义指标采集做准备：
@SpringBootApplication
@EnablePrometheusEndpoint
public class SpringApplication extends WebMvcConfigurerAdapter implements CommandLineRunner {
// 注册拦截器，覆盖所有请求
@Override
public void addInterceptors(InterceptorRegistry registry) {
registry.addInterceptor(new PrometheusMetricsInterceptor()).addPathPatterns("/**");
}
// 省略main/run方法...
}
// 自定义拦截器，捕获请求前后事件
public class PrometheusMetricsInterceptor extends HandlerInterceptorAdapter {
@Override
public boolean preHandle(HttpServletRequest request, HttpServletResponse response, Object handler) throws Exception {
// 请求处理前逻辑（如记录开始时间）
return super.preHandle(request, response, handler);
}
@Override
public void afterCompletion(HttpServletRequest request, HttpServletResponse response, Object handler, Exception ex) throws Exception {
// 请求完成后逻辑（如记录耗时、响应码）
super.afterCompletion(request, response, handler, ex);
}
}避坑指南：
- 拦截器需确保
preHandle返回true，否则请求会被拦截； afterCompletion无论请求是否异常都会执行，适合记录最终指标；- 避免在拦截器中执行耗时操作，防止影响接口响应性能。
模块小结：扩展Spring Boot监控埋点的核心是“引入依赖 + 启用端点 + 拦截请求”，为自定义业务指标采集搭建基础框架。
4.2 自定义Metrics监控指标
Prometheus核心支持4种指标类型，以下是Spring Boot中自定义实现的实操案例：
4.2.1 Counter：只增不减的计数器
使用场景：记录接口访问次数、业务操作次数等。 代码实现：
package com.tom.controller;
import io.prometheus.client.CollectorRegistry;
import io.prometheus.client.Counter;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;
@RestController
public class CounterController {
private final Counter requestCount;
// 注入CollectorRegistry（Spring Boot默认注册表）
public CounterController(CollectorRegistry collectorRegistry) {
requestCount = Counter.build()
.name("request_count") // 指标名
.help("Number of hello requests") // 指标说明
.register(collectorRegistry); // 绑定到注册表
}
@GetMapping(value = "/hello")
public String hello() {
requestCount.inc(); // 每次访问计数器+1
return "Hi!";
}
}验证方式：访问/actuator/prometheus，可看到指标：
# HELP request_count Number of times requested hello.
# TYPE request_count counter
request_count 15.04.2.2 Gauge：可增可减的仪表盘
使用场景：记录实时在线人数、队列长度、库存数量等动态变化值。 代码实现：
package com.tom.controller;
import io.prometheus.client.CollectorRegistry;
import io.prometheus.client.Gauge;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.PostMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
@RestController
public class GaugeController {
private final Gauge onlineUserCount;
public GaugeController(CollectorRegistry collectorRegistry) {
onlineUserCount = Gauge.build()
.name("online_user_count")
.help("Real-time online user count")
.register(collectorRegistry);
}
// 增加在线人数
@PostMapping("/user/online")
public String userOnline() {
onlineUserCount.inc();
return "User online, current count: " + onlineUserCount.get();
}
// 减少在线人数
@PostMapping("/user/offline")
public String userOffline() {
onlineUserCount.dec();
return "User offline, current count: " + onlineUserCount.get();
}
// 查询当前在线人数
@GetMapping("/user/count")
public String getUserCount() {
return "Current online users: " + onlineUserCount.get();
}
}验证方式：调用/user/online//user/offline后，访问/actuator/prometheus可看到指标值动态变化：
# HELP online_user_count Real-time online user count
# TYPE online_user_count gauge
online_user_count 8.04.2.3 Histogram：直方图
核心特性：将指标值划分到不同桶（bucket），统计每个桶的数量，支持计算分位值。 使用场景：记录接口响应时间分布、业务操作耗时分布等。 代码实现：
package com.tom.controller;
import io.prometheus.client.CollectorRegistry;
import io.prometheus.client.Histogram;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;
import java.util.Random;
@RestController
public class HistogramController {
private final Histogram requestLatency;
private final Random random = new Random();
public HistogramController(CollectorRegistry collectorRegistry) {
requestLatency = Histogram.build()
.name("request_latency_seconds")
.help("Request latency in seconds")
.buckets(0.05, 0.1, 0.2, 0.5, 1.0) // 定义桶：50ms、100ms、200ms、500ms、1000ms
.register(collectorRegistry);
}
@GetMapping("/api/latency")
public String latencyApi() {
// 记录耗时（模拟随机响应时间：0-1000ms）
Histogram.Timer timer = requestLatency.startTimer();
try {
long sleepTime = random.nextInt(1000);
Thread.sleep(sleepTime);
return "API completed in " + sleepTime + "ms";
} catch (InterruptedException e) {
Thread.currentThread().interrupt();
return "API interrupted";
} finally {
timer.observeDuration(); // 停止计时并记录
}
}
}验证方式：多次调用/api/latency后，访问/actuator/prometheus可看到桶分布数据：
# HELP request_latency_seconds Request latency in seconds
# TYPE request_latency_seconds histogram
request_latency_seconds_bucket{le="0.05",} 12.0
request_latency_seconds_bucket{le="0.1",} 25.0
request_latency_seconds_bucket{le="0.2",} 48.0
request_latency_seconds_bucket{le="0.5",} 76.0
request_latency_seconds_bucket{le="1.0",} 100.0
request_latency_seconds_bucket{le="+Inf",} 100.0
request_latency_seconds_count 100.0
request_latency_seconds_sum 38.564.2.4 Summary：摘要
核心特性：直接统计分位值（如P50、P95），无需手动定义桶，适合关注精准分位值的场景。 使用场景：记录核心接口的95%响应时间、订单金额分布等。 代码实现：
package com.tom.controller;
import io.prometheus.client.CollectorRegistry;
import io.prometheus.client.Summary;
import org.springframework.web.bind.annotation.PostMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
@RestController
public class SummaryController {
private final Summary orderAmountSummary;
public SummaryController(CollectorRegistry collectorRegistry) {
orderAmountSummary = Summary.build()
.name("order_amount_summary")
.help("Order amount summary with percentiles")
.quantile(0.5, 0.05) // P50，误差5%
.quantile(0.95, 0.01) // P95，误差1%
.register(collectorRegistry);
}
@PostMapping("/order/create")
public String createOrder(@RequestParam("amount") double amount) {
orderAmountSummary.observe(amount); // 记录订单金额
return "Order created, amount: " + amount;
}
}验证方式：多次创建不同金额的订单后，访问/actuator/prometheus可看到分位值数据：
# HELP order_amount_summary Order amount summary with percentiles
# TYPE order_amount_summary summary
order_amount_summary{quantile="0.5",} 100.0
order_amount_summary{quantile="0.95",} 500.0
order_amount_summary_count 200.0
order_amount_summary_sum 18560.0避坑指南：
- Counter仅支持
inc()，若需递减需使用Gauge； - Histogram的桶需根据业务场景合理定义（过细会增加存储，过粗会降低精度）；
- Summary的分位值计算会消耗更多内存，高并发场景需谨慎使用；
- 所有自定义指标名需符合Prometheus规范（字母、数字、下划线，首字符为字母）。
模块小结：自定义Metrics需根据业务场景选择合适的指标类型，Counter/Gauge适用于简单计数/动态值，Histogram/Summary适用于分布/分位值统计，核心是“绑定注册表 + 埋点采集 + 验证输出”。
本篇核心知识点速记
- 微服务监控核心是“以服务为中心”，覆盖指标、链路、日志三个维度，需应对动态、复杂、海量三大挑战；
- Spring Boot监控架构：Actuator暴露端点 + Micrometer采集指标 + Prometheus拉取数据，Micrometer支持Counter/Gauge/Timer/Summary四种度量类型；
- 业务指标体系需结构化，RUN体系（收入/用户/业务量）是通用框架，AARRR框架适用于APP用户生命周期；
- 自定义Prometheus Metrics的核心步骤：引入Java Client依赖 → 启用Prometheus端点 → 拦截请求/业务埋点 → 选择对应指标类型实现采集；
- Prometheus四大指标类型：Counter（只增不减）、Gauge（可增可减）、Histogram（桶分布）、Summary（分位值），需根据业务场景选择。