P95 och P99 synliggör långsamma förfrågningar som ett genomsnittsvärde kan dölja. En P95 beskriver, förenklat, den tid som cirka 95 procent av de utvalda förfrågningarna inte överskrider. Vad detta innebär beror på mätpunkten, tidsperioden och den registrerade mängden förfrågningar. Histogram ger uppskattningar vars noggrannhet beror på deras upplösning. För en tillförlitlig driftsbild ingår även förfrågningsvolym och felfrekvens; en percentil i sig förklarar varken orsaken till en fördröjning eller enskilda personers upplevelse.
Vad latensmätningen mäter
Ett latensmått är bara begripligt om ni Mätpunkt är fastställt. En omvänd proxy kan mäta varaktigheten för en förfrågan när den passerar genom proxyn; en applikation mäter däremot en del av processen inom sin egen bearbetning. Vilka steg som ingår beror på var mätningen börjar och slutar.
En mätning i webbläsaren kan dessutom omfatta delar av sträckan mellan klient och server samt bearbetning på klientsidan. Även här avgör den konkreta mätkonfigurationen när mätningen börjar och slutar. En låg serverlatens i sig är därför inte ett bevis på att en sida går snabbt att använda i webbläsaren: nätverksöverföring och bearbetning på slutenheten kan ta ytterligare tid.
Lägg också Grundpopulation Ange: Gäller det alla förfrågningar till en tjänst eller en specifik slutpunkt? En total fördelning kan se annorlunda ut än fördelningen för en enskild slutpunkt. Ange dessutom om utvärderingen omfattar ett glidande fönster på fem minuter eller en längre tidsperiod, och om värdena visas i sekunder eller millisekunder.
Både framgångsrika och misslyckade förfrågningar ingår också i definitionen. Ett fel som återges snabbt kan förbättra latensfördelningen, även om förfrågan inte nådde sitt mål. Separata vyer för framgångar och fel hjälper till att identifiera dessa fall; dessutom förblir felfrekvensen ett fristående driftsmått.
OpenTelemetry-konventionen i utvecklingsgrenen beskriver ett histogram över förfrågningstiden i sekunder för HTTP-servrar. Detta innebär inte att en viss installerad version stöder detta eller exporterar det under samma namn. Kontrollera det faktiska metriknamnet och de tillgängliga attributen i din miljö innan du bygger en instrumentpanel baserad på detta.
Att tolka P95 och P99 korrekt
En percentil beskriver en gräns inom den valda fördelningen. Om P95 ligger på 400 millisekunder innebär det, förenklat, att cirka 95 procent av de beaktade förfrågningstiderna är högst lika långa. P99 förskjuter fokus ytterligare mot den långsamma änden: det beskriver motsvarande gräns för cirka 99 procent av observationerna.
| Nyckeltal | Uttalande | Uttalandets begränsningar |
|---|---|---|
| genomsnitt | Summan av varaktigheterna dividerat med antalet förfrågningar | Döljer fördelningen mellan enskilda snabba och långsamma förfrågningar |
| P50 | Gränsen för ungefär hälften av de observerade varaktigheterna | Beskriver inte hur långsam den övre änden är |
| P95 | Gräns för cirka 95 procent av de observerade varaktigheterna | Långsammare observationer ovanför gränsen syns inte i ett enskilt värde |
| P99 | Gräns för cirka 99 procent av de observerade varaktigheterna | Kan, vid ett litet antal observationer, i hög grad bero på enskilda värden |
Dessa procenttal avser mätvärden, inte direkt enskilda personer eller sessioner. En person kan generera flera förfrågningar, medan en annan kanske bara skickar en. Man kan därför inte utifrån en enskild P99-statistik dra slutsatsen att en procent av användarna har upplevt en långsam session.
Den exakta gränsen beror dessutom på beräkningsmetoden. Vid identiska mätvärden eller om den önskade positionen ligger mellan två observationer kan olika kvantildefinitioner välja eller interpolera på olika sätt. Vid uppskattade histogramvärden tillkommer indelningen i intervall; ett visat värde är därför inte alltid en faktiskt observerad enskild varaktighet.
När det gäller övervakning av webbhotell ingår förfrågningsvolymen och felfrekvensen i percentilen. Samma P99-värde ska tolkas annorlunda vid få förfrågningar än vid många; utan volym är det svårt att bedöma dess stabilitet. Felfrekvensen visar dessutom en aspekt som en ren tidsfördelning inte återger på ett tillförlitligt sätt.
Hur histogram uppskattar percentiler
Ett klassiskt Prometheus-histogram lagrar inte någon sorterad lista över alla förfrågningsvaraktigheter. Det räknar observationer i kumulativa grupper: En grupp med en viss övre gräns omfattar även observationer som redan ingår i lägre grupper. Utifrån dessa siffror går det att uppskatta inom vilket intervall i fördelningen en sökt percentil ligger.
Anta att den sökta positionen ligger mellan gränserna 200 och 500 millisekunder. Histogrammet visar hur många observationer som har räknats upp till dessa gränser, men inte deras exakta fördelning däremellan. För klassiska histogram uppskattar Prometheus positionen inom denna kategori genom linjär interpolation.
Denna uppskattning kan avvika från de faktiska enskilda värdena. Särskilt ett brett intervall kring ett gränsvärde som är viktigt för verksamheten lämnar stort utrymme för osäkerhet: observationerna kan vara fördelade inom intervallet på ett annat sätt än vad som antagits vid interpoleringen. Snävare gränser inom relevanta områden förbättrar upplösningen, men medför ytterligare datakostnader.
Inbyggda histogram använder en annan framställningsform än de klassiska tidsserierna med kategorier. Även deras kvantiler är skattningar; de Interpolation Det beror på vilket schema och vilken bucket som används. Klassiska och inbyggda histogram bör därför inte behandlas som om de hade samma lagringssätt och alltid samma interpolationsregler.
Quantile kan redan beräkna en sammanfattning i den instrumenterade processen. Dessa färdiga kvantilvärden kan dock inte i efterhand slås samman till en korrekt totalkvantil för flera processer. För en gemensam utvärdering över instanser är därför aggregerbara histogramdata ofta en lämpligare utgångspunkt; gränserna för kategorierna måste då stämma överens med den önskade sammanställningen.
När genomsnittet döljer extremvärden
Illustrativt räkneexempel, ingen mätning: Under ett tidsfönster tar 95 förfrågningar vardera 100 millisekunder och ytterligare fem vardera 2 000 millisekunder. Alla 100 observationer tillhör samma utvalda population. Exemplet syftar till att jämföra nyckeltal och utgör inte ett prestandabevis för ett webbhotellssystem.
För percentilerna använder vi här en konkret Urvalsregel: Man söker i varje fall det minsta observerade värdet där minst den angivna andelen förfrågningar ligger på eller under detta värde. I sorterad ordning finns först 95 värden på 100 millisekunder och därefter fem värden på 2 000 millisekunder.
| Nyckeltal | Beräkning eller val | Resultat |
|---|---|---|
| genomsnitt | (95 × 100 ms + 5 × 2 000 ms) / 100 | 195 ms |
| P95 | 95. sorterat värde | 100 ms |
| P99 | 99. sorterat värde | 2 000 ms |
Der genomsnitt ligger betydligt under varaktigheten för de fem långsamma förfrågningarna. Han fördelar den extra tiden matematiskt på alla observationer. Den som endast beaktar detta värde kan därför varken se varaktigheten för de långsamma förfrågningarna eller omedelbart hur många av dem som berörs.
P95 uppgår här till 100 millisekunder, även om fem procent av förfrågningarna tar 20 gånger så lång tid. De långsamma observationerna ligger precis över den valda P95-gränsen; P99 gör dem synliga i detta exempel. Det betyder inte att P99 generellt sett fångar upp alla relevanta fördröjningar.
Andra kvantildefinitioner kan interpolera mellan sorterade värden och därmed ge andra resultat. En percentil som uppskattats utifrån histogramkategorier behöver inte heller stämma överens med urvalet av enskilda värden. Vid tolkningen bör man därför beakta beräkningsmetoden, antalet förfrågningar och det tidsfönster som beaktats i samband med det visade värdet.
Fråga P95 med PromQL
För följande sökning behöver du åtkomst till en Prometheus-datakälla och ett faktiskt existerande klassiskt histogram för förfrågningstider. Ange uttrycket i Prometheus-uttrycksbläddraren eller i ett Grafana-sökfält för Prometheus. Frågan läser befintliga tidsserier; den är varken ett terminalkommando eller en konfigurationsändring.
Metriknamnet är en platshållare. Ersätt det vid behov med namnet på din instrumentering och kontrollera om de valda tidsserierna har kompatibla bucketgränser. Exemplet aggregerar utan ytterligare filter över alla övriga etiketter och ger därmed endast det önskade totalvärdet om detta urval motsvarar din driftsfråga.
Beräknas först rate från de kumulativa bucket-räknarna, deras förändringstakt över det glidande femminutersfönstret. Därefter summeras sum by (le) frekvenserna för de övriga märkena. Denna ordning gör det möjligt att beakta återställningar av räknare för enskilda tidsserier vid beräkningen av frekvenserna.
Märket le bevaras: Den anger den övre gränsen för respektive intervall. Utifrån den sammanfattade fördelningen uppskattas histogram_quantile det Totalt P95. Med den sekundskala som används här anges även resultatet i sekunder; 0,4 motsvarar alltså 400 millisekunder.
För P99 ersätter du den första parametern 0.95 genom 0.99. Med lämpliga etikettfilter kan du till exempel välja en tjänst; ytterligare grupperingsetiketter möjliggör separata resultat. Kontrollera varje gång vilka förfrågningar som ingår och om upplösningen på bucket-nivå är tillräcklig för det område som är av intresse.
För inbyggda histogram gäller en annan söksyntax: Man använder inte den klassiska separata _bucket-serien med le. Om inbyggda histogram finns tillgängliga och hur de exporteras beror på vilka komponenter och versioner som används.
Jämföra instanser och förfrågningsgrupper
Ett sammanlagt P99-värde för cacheträffar och dynamiska anrop ger svar på frågan om den totala valda mängden förfrågningar. Det förklarar dock inte vilken grupp som har förändrats. Om andelen snabba cacheträffar förändras kan även det totala värdet förändras, utan att varje enskild grupp nödvändigtvis har blivit långsammare.
Lägg därför till separata vyer för ämnesrelevanta uppgifter i det sammanlagda värdet Förfrågningsgrupper, förutsatt att det finns lämpliga etiketter. En begränsad ruttbeteckning eller en cache-status kan vara till hjälp i detta sammanhang. Individuella URL:er eller användar-ID:n som etiketter kan däremot generera väldigt många tidsserier; välj dimensioner så att de besvarar en konkret fråga.
För att beräkna en totalpercentil över flera instanser sammanförs först, vid kompatibla klassiska histogram, bucket-räknarna respektive deras frekvenser per gräns. Det är först utifrån denna gemensamma fördelning som kvantilen beräknas. Att beräkna medelvärdet av enskilda instansers P99-värden ger i allmänhet inte ett korrekt totalt P99-värde, eftersom fördelningarna och antalet förfrågningar kan variera.
| Dataformat | Aggregering och noggrannhet | Datakostnad |
|---|---|---|
| Histogram | Kompatibla buckets kan aggregeras; kvantiler beräknade, noggrannheten beror på upplösning och visningssätt | Tidsserier respektive histogramdata per vald upplösning och etikettkombination |
| Sammanfattning | Kvantiler som beräknas under processen kan inte aggregeras till en sammanlagd kvantil; noggrannheten beror på konfigurationen | Kvantilberäkning i processen och tidsserier för konfigurerade kvantiler |
| Enskilda händelser | Gemensam utvärdering är möjlig om relevanta enskilda värden finns tillgängliga; resultatet beror på vilken kvantilmetod som valts | Potentiellt en datapost per förfrågan; lagring och utvärdering kan vara tidskrävande |
En Sammanfattning kan vara användbart för att få en överblick över en enskild process. De kvantiler som redan har beräknats där kan dock inte i efterhand sammanställas till en korrekt kvantil för alla instanser. Enskilda händelser möjliggör en annan detaljnivå, men förutsätter att de nödvändiga observationerna faktiskt har registrerats och finns tillgängliga.
Ställa in latensmål och larm
Ett latensmål blir först verifierbart genom en tydligt definierad population. „95 procent av de utvalda förfrågningarna tar högst 300 millisekunder“ kräver därför uppgifter om mätpunkten, de ingående ändpunkterna och utvärderingsperioden. Ett femminutersfönster ger svar på en annan driftsfråga än ett dagsfönster.
För Tröskelvärde Du dividerar antalet observationer upp till och med 300 millisekunder med det totala antalet observationer. I ett klassiskt histogram ger en bucket med just denna gräns rätt räknarvärde; för ett tidsfönster använder du motsvarande räknarförändringar respektive frekvenser. Andelen visar direkt om det valda tröskelvärdet har uppnåtts i fönstret.
Om det inte finns någon bucketgräns på 300 millisekunder går det inte att fastställa den exakta andelen enbart utifrån bucketräknarna. Det uppskattade P95-värdet kan ändå ge en vägledning, men dess noggrannhet beror på fördelningen och bucketgränserna. För en viktig måltröskel är det därför värt att kontrollera histogramkonfigurationen i förväg.
Ange dessutom uttryckligen hur fel ska beaktas i målet. Ett felmeddelande som besvaras snabbt bör inte automatiskt räknas som en bra användarupplevelse; beroende på hur målet definieras kan fel till exempel övervakas separat eller betraktas som negativa händelser. Det avgörande är att täljaren och nämnaren stämmer överens med den valda definitionen.
En Larmets varaktighet förhindrar att varje liten fluktuation omedelbart utlöser en avisering. Ange ett minsta antal observationer så att ett fåtal enstaka förfrågningar inte på ett oproportionerligt sätt avgör om ett larm ska utlösas. Båda värdena bör anpassas efter trafikvolymen och tjänstens brådskande karaktär; saknade data kräver särskild hantering.
I instrumentpanelen är det bra att visa målandel, förfrågningsvolym och felfrekvens sida vid sida. På så sätt går det att avgöra om en avvikelse från målet gäller många förfrågningar eller om den beror på ett kort tidsfönster. En varning bör dessutom visa vilket urval och vilken tidsperiod som utlöste meddelandet.
Systematiskt undersöka stigande percentiler
Om P99 stiger, kontrollera först förfrågningsvolymen och Kombination av slutpunkter. Fler långsamma dynamiska förfrågningar kan påverka det totala värdet, även om varaktigheten för varje enskild förfrågningsgrupp knappt har förändrats. Omvänt kan en minskning av snabba förfrågningar öka andelen långsammare förfrågningar.
Jämför därefter separata vyer efter rutt och statusgrupp, förutsatt att instrumenteringen tillhandahåller dessa etiketter. En iögonfallande rutt kan begränsa sökningen; separata felgrupper visar dessutom om snabba eller långsamma felresponser påverkar fördelningen. Använd om möjligt begränsade ruttkategorier istället för enskilda URL:er eller användar-ID:n.
Granska därefter parallellt belastning, köer, databastid och felfrekvens under samma tidsperiod. En växande kö i kombination med en stigande P99-värde är en utgångspunkt för undersökningen, men ännu inget bevis på att den orsakar fördröjningen. Kontrollera också om mätvärdena avser samma tjänst och jämförbara grupper av förfrågningar.
Hjälper vid enskilda långsamma processer Spår samt specifikt utvalda loggar, förutsatt att de finns tillgängliga och är kopplade till förfrågans sammanhang. En spårning kan till exempel visa vilken del av förfrågningsvägen som tar mycket tid. Om just denna del verkligen är orsaken måste sedan kontrolleras genom ytterligare observationer.
I artikeln om förklaras hur mätvärden, loggar och spårningar kompletterar varandra när det gäller öppna driftsfrågor Observabilitet inom webbhotell. För köer gäller även det Övervakning av e-postköer ett liknande användningsfall: Där handlar det om leverans av meddelanden, inte direkt om latensen hos en HTTP-förfrågan.
Notera vid varje jämförelse vilka tidsfönster och mätpunkter som ingår. Om både databasens svarstid och serverns latens är höga samtidigt kan det motivera en ytterligare undersökning, men en tidsmässig korrelation i sig bevisar inte något orsakssamband. Även förändringar i trafiken eller i mätutrustningen kan påverka den bild som observeras.
Datakvalitet och operativa beslut
Vid låg trafik reagerar P99 kraftigt på enskilda observationer. Tio förfrågningar i ett fönster ger inte en lika stabil klassificering som ett stort antal förfrågningar; visa därför antalet observationer bredvid percentilen. För larm kan ett minimiantal vara till hjälp för att beakta signifikansen utan att helt ta bort tjänster med låg användning från övervakningen.
En tomt fönster betyder att inga förfrågningar har observerats och att latensen inte är noll millisekunder. Visar du saknade eller odefinierade värden på rätt sätt i instrumentpanelen och avgör separat om avsaknaden av trafik i sig utgör ett problem. På så sätt tolkas inte bristen på data av misstag som ett särskilt snabbt svar.
Man kan inte heller slå ihop tidsperioder hur som helst: En femminuters-P99 avser ett annat tidsfönster än en dags-P99. Genomsnittet av enskilda minut-P99-värden ger i allmänhet inte ett dag-P99-värde. För dagutvärderingen behöver du de underliggande aggregerbara fördelningsuppgifterna för den önskade tidsperioden.
Die Bucket-upplösning avgör i vilken utsträckning ett histogram kan återge den aktuella gränsen. Mer noggrant valda gränser kan förbättra skattningen inom det relevanta området, men kräver vid klassiska histogram ytterligare tidsserier och därmed mer minne. Väg denna insats mot nyttan för det konkreta driftsbeslutet.
Vid den löpande utvärderingen kompletterar nyckeltalen varandra: Medelvärdet beskriver den genomsnittliga varaktigheten, P95 och P99 synliggör långsamma områden, och tröskelvärdet avser ett konkret definierat latensmål. Förfrågningsvolymen och felfrekvensen ger den kontext som behövs för att sätta dessa värden i sitt sammanhang. Inget enskilt nyckeltal ersätter granskningen av mätpunkt, tidsperiod och datakvalitet.
Källor och aktuell kunskapsnivå
Forskningsläget:
Underlag för undersökningen från den 16 november 2026; OpenTelemetry-konventionerna från utvecklingsgrenen utgör ingen garanti för installerade versioner.
https://sre.google/workbook/monitoring/
https://prometheus.io/docs/practices/histograms/
https://github.com/open-telemetry/semantic-conventions/blob/main/docs/http/http-metrics.md
https://prometheus.io/docs/specs/native_histograms/
https://grafana.com/docs/grafana/latest/datasources/prometheus/query-editor/




