系统的 QPS（Queries Per Second）可视化

1. 使用 Prometheus + Grafana（主流方案）

步骤：

1. 采集数据（Prometheus）

   • 在应用中集成 Prometheus Client（如 prometheus-client for Python/Java/Go）。

   • 暴露 /metrics 端点，Prometheus 定期拉取数据。

   • 示例（Python Flask）：

     python

      

     复制

      

     下载

     from prometheus_client import Counter, start_http_server
     REQUEST_COUNT = Counter('http_requests_total', 'Total HTTP Requests')
     
     @app.route("/")
     def home():
         REQUEST_COUNT.inc()  # 每次请求 +1
         return "Hello World!"

2. 存储 & 查询（Prometheus）

   • Prometheus 存储时间序列数据，支持 PromQL 查询：

     promql

      

     复制

      

     下载

     rate(http_requests_total[1m])  # 计算 QPS（1 分钟内的平均请求率）

3. 可视化（Grafana）

   • 配置 Prometheus 数据源，创建 Dashboard：

     • QPS 曲线图：rate(http_requests_total[1m])

     • 峰值标记：设置告警阈值（如 QPS > 10,000 触发告警）。

     • 按接口/服务分组：sum(rate(http_requests_total{path="/api"}[1m])) by (path)

   

---

2. 使用 ELK Stack（Elasticsearch + Logstash + Kibana）

适用于日志分析场景：

1. 采集日志（如 Nginx/API 访问日志）：

   plaintext

    

   复制

    

   下载

   127.0.0.1 - GET /api/users 200 12ms

2. Logstash 解析日志：

   conf

    

   复制

    

   下载

   filter {
     grok { match => { "message" => "%{IP:client} %{WORD:method} %{URIPATH:path} %{NUMBER:status} %{NUMBER:latency}ms" }
   }

3. Kibana 可视化：

   • 创建 Time Series 图表，按 path 聚合 QPS。

   • 使用 Dashboard 展示实时 QPS 趋势。

---

3. 使用 Datadog / New Relic（SaaS 方案）

适用于云服务或企业级监控：

• 自动采集：集成 APM（Application Performance Monitoring）探针。

• 开箱即用的 QPS 仪表盘：

  • 按服务、接口、错误率分组。

  • 结合 Latency、Error Rate 分析性能瓶颈。

---

4. 自定义方案（Python + Matplotlib / Plotly）

适合临时分析或小规模系统：

python

 

复制

 

下载

import time
import matplotlib.pyplot as plt

qps_history = []
timestamps = []

while True:
    current_qps = get_qps_from_logs()  # 从日志或数据库计算 QPS
    qps_history.append(current_qps)
    timestamps.append(time.time())
    
    plt.plot(timestamps, qps_history)
    plt.xlabel("Time")
    plt.ylabel("QPS")
    plt.pause(1)  # 每秒刷新

• 可保存为动态 HTML（Plotly）或实时刷新（Matplotlib）。

---

5. 实时监控大屏（Apache Kafka + Flink + Superset）

适用于高并发实时系统：

1. Kafka：接收请求日志流。

2. Flink：实时计算 QPS（窗口统计）。

3. Superset：展示实时 QPS 热力图、地理分布等。

---

最佳实践建议

1. 分层监控：

   • 全局 QPS（负载均衡层，如 Nginx）。

   • 服务级 QPS（微服务 API）。

   • 数据库/缓存 QPS（如 Redis INFO STATS）。

2. 结合其他指标：

   • Latency（P90/P99）：高 QPS 是否导致延迟上升？

   • Error Rate：QPS 激增时错误是否增多？

3. 告警机制：

   • 当 QPS 超过阈值时，触发企业微信/钉钉/Slack 通知。

---

最终推荐方案

场景	推荐工具
中小型系统	Prometheus + Grafana
日志分析为主	ELK Stack
企业级云服务	Datadog / New Relic
实时大数据	Kafka + Flink + Superset

选择适合你团队技术栈的方案，确保 QPS 可视化能帮助快速定位问题！