时序数据库在监控指标中的应用

对生产中的机器学习 (machine learning)模型进行监控会产生持续不断的时间戳数据流：预测延迟、吞吐量 (throughput)、输入特征的漂移分数、标注样本的准确性、资源利用率等等。高效地存储、查询和分析这些时间数据，对于了解模型随时间推移的表现和运行状况非常重要。虽然标准关系型数据库或通用NoSQL存储可以保存这些数据，但它们通常并未针对时序工作负载的特点进行优化，尤其是在生产ML系统中面临的数据量级下。

传统数据库在处理监控流中常见的高写入量时可能面临困难。在特定时间范围内查询数据是监控中的常见操作，随着表数据量的增加，这种操作也可能变得效率低下。在这种情况下，时序数据库（TSDB）提供了一种专门且非常高效的方案。

什么是时序数据库？

时序数据库（TSDB）是一种专门用于处理按时间索引、排序和查询的数据点的数据库系统。它们从头开始构建，旨在高效摄取、存储、压缩和查询大量带有时间戳的数据。可以把它想象成CPU利用率、温度读数、股票价格，或者就我们的情况而言，是模型表现指标和漂移度量。

使TSDB适用于ML监控的主要特点包括：

1. 以时间为中心的数据模型： 数据基本上是围绕时间来组织的。每个数据点通常包含一个指标名称、一个精确的时间戳、一个值（即测量值）以及可选的标签（提供元数据或维度信息的键值对）。
2. 高写入吞吐量 (throughput)： TSDB针对每秒摄取数百万个数据点进行了优化，能够处理来自众多模型实例或监控任务的持续指标流。
3. 高效的基于时间查询： 它们提供优化的函数和索引策略，用于在特定时间窗口内查询数据，随时间聚合数据（例如，计算平均值、最大值、百分位数），以及根据标签进行过滤。
4. 数据压缩： 专门为时序数据设计的复杂压缩算法（如delta-of-delta编码或Gorilla TS P）可显著减少存储需求。
5. 数据生命周期管理： 自动管理数据保留（例如，删除超过30天的原始数据）和降采样（例如，将1秒分辨率的数据聚合为1分钟平均值以进行长期存储）的内置功能非常普遍。

将TSDB用于ML监控指标

我们来看看这些特点如何直接应用于ML模型的监控。假设你正在监控一个欺诈检测模型。你可能想要追踪以下指标：

• prediction_latency_ms：模型返回预测结果所需的时间。
• input_feature_drift_score：表示特定输入特征（例如“交易金额”）漂移程度的分数。
• prediction_confidence_avg：模型预测的平均置信度分数。
• true_positive_rate_hourly：根据反馈数据每小时计算的真阳性率。

在TSDB中，一个表示延迟的数据点可能如下所示：

• 指标名称： prediction_latency_ms
• 时间戳： 2023-10-27T10:15:32.123Z
• 值： 157.5
• 标签： {"model_version": "v2.1", "deployment_env": "production", "region": "us-east-1", "instance_id": "i-0abcd1234efgh5678"}

标签功能非常丰富。它们让你能够灵活地对指标进行细分和组合。例如，你可以轻松查询：

• 过去6小时内，us-east-1区域中model_version为“v2.1”的prediction_latency_ms平均值。
• 昨天所有生产实例中，特征transaction_amount的input_feature_drift_score最大值。
• 比较model_version“v2.0”和“v2.1”之间的prediction_confidence_avg。

高写入性能确保即使模型每秒处理数千个请求，监控系统也能跟上记录每个请求延迟的速度，而不会成为瓶颈。高效的查询功能使得仪表盘加载迅速，警报能够及时评估。降采样和保留策略可防止监控数据存储成本失控，同时仍能以合适的粒度保留有用的历史趋势。

指标从来源经过时序数据库流向仪表盘和告警系统等不同消费者。

常见的TSDB选项

有几种常见的TSDB可用，每种都有其优势和生态系统：

• Prometheus： 一个开源的监控系统和TSDB，被广泛使用，尤其是在Kubernetes环境中。它主要采用拉取模型，Prometheus从被监控服务暴露的端点收集指标。它拥有功能强大的查询语言（PromQL），并与Alertmanager本地集成以进行告警，与Grafana集成以进行可视化。
• InfluxDB： 另一个流行的开源TSDB，通常采用推送模型，应用程序直接向其发送指标。它具备高性能、多种查询语言（InfluxQL和较新的Flux），以及灵活的标签系统。商业云和企业版本也已推出。
• TimescaleDB： PostgreSQL的开源扩展，直接为关系型数据库添加了时序功能。这使得你可以使用标准SQL查询时序数据，并轻松地将其与PostgreSQL数据库中的其他关系型数据进行联接。如果你已经大量使用PostgreSQL，它提供了一个不错的权衡。
• OpenTSDB： 构建于Apache HBase或Google Cloud Bigtable之上，OpenTSDB专为超大规模设计，但与Prometheus或InfluxDB相比，其操作复杂性可能更高。

选择通常取决于你现有的基础设施（例如，Kubernetes更倾向于Prometheus）、偏好的数据摄取模型（推 vs. 拉）、查询语言偏好以及扩展性需求。

存储漂移分数的示例

假设你的漂移检测过程计算了最近生产数据窗口中“交易金额”特征分布与训练数据分布之间的Kolmogorov-Smirnov (KS) 统计量。你希望每小时存储这个分数。

使用 InfluxDB Line Protocol (推送)： 你的漂移检测脚本可以向 InfluxDB 发送一个HTTP POST请求，其正文如下：

drift_metrics,model_name=fraud_detector_v3,feature=transaction_amount,metric=ks_statistic value=0.18 1678886400000000000

这表明：

• 度量值名称：drift_metrics
• 标签：model_name=fraud_detector_v3、feature=transaction_amount、metric=ks_statistic
• 字段（值）：value=0.18
• 时间戳：1678886400000000000（2023年3月15日12:00:00 UTC的Unix纳秒时间戳）

使用 Prometheus 暴露格式 (拉取)： 你的漂移检测服务会暴露一个端点（/metrics），Prometheus会定期从中抓取指标。其内容可能包括：

# HELP feature_drift_score 特定输入特征的漂移分数。
# TYPE feature_drift_score gauge
feature_drift_score{model_name="fraud_detector_v3",feature="transaction_amount",metric="ks_statistic"} 0.18

查询数据（使用类SQL语法的示例）： 要获取过去一天内此特征的每小时KS统计量，你可以运行类似以下查询：

SELECT MEAN("value")
FROM "drift_metrics"
WHERE
  time > now() - 1d AND
  "model_name" = 'fraud_detector_v3' AND
  "feature" = 'transaction_amount' AND
  "metric" = 'ks_statistic'
GROUP BY time(1h)

此查询检索过去一天内指定标签的平均值（尽管在这种情况下，我们可能每小时存储一个值，因此MEAN可能只返回该值），并按1小时间隔分组。

考量因素

虽然功能强大，但TSDB也带来了一些考量因素：

• 基数： 指标名称和标签值的独特组合数量称为基数。非常高的基数（数百万或数十亿个独特序列）会使某些TSDB面临压力，从而影响性能和内存使用。谨慎设计标签非常必要。例如，避免直接使用唯一的用户ID或请求ID作为标签。
• 推 vs. 拉： Prometheus的拉取模型简化了服务发现，但要求服务暴露指标端点，并且对于短生命周期的任务可能更难使用。InfluxDB的推送模型提供了灵活性，但要求应用程序知道数据库端点并处理潜在的连接问题。
• 运维开销： 自行托管TSDB需要进行设置、配置、扩展和维护。托管云服务可以减轻这一负担，但会产生费用。
• 查询语言： 可能需要学习特定的TSDB查询语言（如PromQL或Flux），尽管TimescaleDB等选项可以使用标准SQL。

总之，时序数据库为存储和分析ML监控系统生成的指标提供了专门构建、高效且可扩展的支撑。通过运用其优化的数据模型、摄取能力和查询引擎，你可以构建响应迅速的仪表盘、实用的告警，并随着时间推移更好地理解模型表现，从而确保拥有在生产环境中高效管理模型所需的工具。