RRDTool 存储原理简介——基于时间序列的环型数据库

转自：http://www.jianshu.com/p/b925b1584ab2

RRDTool是一套监测工具，可用于存储和展示被监测对象随时间的变化情况。比如，我们在 Windows 电脑上常见的内存和 CPU 使用情况。

RRD 全称是 Round Robin Database ，即「环型数据库」。顾名思义，它是一种循环使用存储空间的数据库，适用于存储和时间序列相关的数据。

RRD 数据库在被创建的时候就已经定义好了大小，当空间存储满了以后，又从头开始覆盖旧的数据，所以和其他线性增长的数据库不同，RRD 的大小可控且不用维护。

你可以把 RRD 理解为一个有时间刻度的圆环，每个刻度上可以存储一个数值，同时有一个从圆心指向最新存储值的指针。

可以想象，随着时间推移，指针会绕着圆心一直移动下去，当它指向下一个刻度后，就可以在那个位置上存储一个新的数值。但是，指针只能绕一个方向前进，假设你存储了时刻3的监测值，那就不能再存储时刻2的监测值了。如下图所示：

圆环

创建 RRD 基本语法

rrdtool create filename 

[--start|-b start-time]

[--step|-s step]

[DS:ds-name:DST:dst-arguments]

[RRA:CF:xff:step:rows]

其中

rrdtool create filename

表示使用 rrdtool 命令 create 创建一个名为 filename 的数据库文件，通常 RRD 数据库文件的后缀为 .rrd ，但是你随便使用文件名也不会有影响。

--start|-b start-time

这个选项表示 RRD 数据库的起始 (start/begin) 时间点为 start-time，这是一个从 1970-01-01 00:00:00 开始计时，以秒为间隔的一个整数值。所以，start-time 是一个代表时间点的整数值，表示 RRD 数据库记录的监测值从这个时刻开始。

[--step|-s step]

这个选项表示监测的时间间隔，即多久时间去获取一次被监测对象的数值，默认值为5分钟(300秒)。比如，我们可以从10:00开始每60秒去获取一次电脑内存的使用值，这个时候 step 就是 60，获取到的数值如下图所示：

每隔60秒获取监测值

[DS:ds-name:DST:dst-arguments]

这个选项用来定义数据源(Data Source)属性，包括数据源名称 ds-name，比如我们可以给监测内存使用率的数据源命名为 memory-rate。

还要定义数据源类型(Data Source Type)，常用的有以下4种数据源类型，分别是：

1、GAUGE

实测值，RRD 将如实记录，比如温度变化曲线：

温度变化曲线

2、COUNTER

计数值，这是一个只增不减的正整数。比如，汽车行驶里程，从汽车第一次上路开始，里程就从0开始不断增长。

汽车里程表

假设每隔30分钟监测一次汽车里程，当 RRD 收到 COUNTER 类型的数据时，并不会像 GAUGE 类型那样直接存储，而是计算变化率：

汽车里程监测

计算原理： (12121km - 12100km) / (10:30 - 10:00) = 11000m / 1800s = 6.11m/s

所以，RRD 对于 COUNTER 类型的数据源存储的是变化率，对于上述里程表而言就是行驶速度。

（注：第一个存储值为 UNKNOWN，因为没有更早的数据，所以没有变化可言）

3、ABSOLUTE

ABSOLUTE 类型存储的也是变化率，假设我们正在微信和好友聊天，每五分钟我们会看一下有没有新消息，如果有的话就立即处理，这样未读提醒就会变为0，然后下一个五分钟后继续看未读新消息数，会得到这样一个监测表：

微信未读消息

计算原理：120条 / 300秒 = 0.4条/秒

这样我们就可以知道一段时间内聊天快慢的情况，数值越大表示5分钟内收到的未读消息越多，聊天也就越火热。

4、DERIVE

DERIVE 类型存储的也是变化率，和 COUNTER 类型不同的是，监测值可以增长也可以下降，例如水库的水位监测：

水库水位监测

可以看到水位一时升高，一时降低，通过计算变化率能够监测某一时段水位正在升高还是降低，以及相应的速度。

[RRA:CF:xff:step:rows]

RRA (Round Robin Archive) 是用来定义 RRD 数据库归档模型，RRDTool 绘图展示监测情况的时候就从 RRA 中获取数据。

为什么不直接获取存储的原始数据来绘图呢？

这得从监测场景的实际需求出发，通常我们对最近一小时或一天的监测数据最关心，对于一个月或者一年以上的监测数据有个大概的认知就可以。

假设我们每秒监测一次某台服务器 CPU 使用率，那么一年后将获得：

1 x 60秒 x 60分钟 x 24小时 x 365天 = 31536000

个监测值。

如果这么多数据点在一张图表上展示，即使一个数据点只占一个像素，你也可以想象得多长的图片才能完整展示监测数据。

但是，如果我们把每60秒监测的60个原始数据点计算出一个平均值 AVERAGE(d1,d2,d3,...,d60) 的话，这样数据量就比使用原始值降低了60倍！这种经过计算平均值后得到的数据称为归档值。

虽然丧失了一定的精度，但是并不影响我们观察一年来的变化趋势。

RRD 提供的归档方法有4种，除了上述的计算平均值 AVERAGE 方法外，还有：

计算最大值 MAX(d1,d2,d3,...dn) = 最大的那个监测值

计算最小值 MIN(d1,d2,d3,...dn) = 最小的那个监测值

计算最后值 LAST(d1,d2,d3,...dn) = 最后的那个监测值