分类： 系统运维
2011-11-24 18:26:02
RRD——round robin database
DS——data source
DST——data source type
RRA——round robin archive
CF——consolidation function（合并/归并函数）
PDP——primary data point（基本数据点）
CDP——consolidation data point（合并/归并数据点）
RPN expression——逆波兰表达式
DEF——Definition
CDEF——Calculation Define
confidence band —— 【统计数学】置信带
confidence bound —— 置信界限
wrap around —— 环绕，其实它的意思就是饼状数据库的数据覆盖满一圈，马上即将有数据丢失发生
季节 —— 具有周期规律的时间段，统称为季节
其他相关数学术语 —— 请参考统计学原理中的描述。
文件名：RRD数据库文件名应当以.rrd作为扩展名。尽管RRDtool可以接受任何文件名。
创建语法格式：
rrdtool create filename [--start|-b start time] [--step|-s step] [DS:ds-name:DST:dst arguments] [RRA:CF:cf arguments]
此filename首次创建时，由于没有数据，db的数据内容区将会被NaN填满
--start|-b start time 缺省值是now-10s，rrdtool不接受任何这个时间点前的数据更新
--step|-s step：缺省值是300s
2.1 DSdata sources (DS)的命名：1-19个字符长度，这里的字符指的是【a-zA-Z0-9_】
DST是ds的类型（DS type）类型有以下5种：
GAUGE：无规律的单纯的某点的值，如温度值，人的数量。存入db时就是该值。
COUNTER：单调递增的值，如一个路由器的ifInOctets数（端口的in的字节数）。存入db时是增加的值（即差值）。
COUNTER数据源假设计算机永远不会减小，除非计数器溢出。Rrd的update功能可能导致溢出。计算机是按照每秒的频率存储的。当计数器溢出时，RRDtool会检查该溢出是否会发生在32位或64位边界，并且相应的把合适的值加入结果中。
DERIVE：存放该数据源从过去到现在的的差异线。非单调，体现的是变化 率，这对于GAUGE类型非常有用。比方，它可以迎来度量进出一个房间的人数比率。DERIVE的工作模式=COUNTER+无溢出检查。因此，如果你的 计数器在32或64位不会复位，你可以使用min=0的DERIVE类型。
如果你不允许偶尔发生的、某个计数器的合法回绕复位而造成的错误，而要用‘unknowns’来对表示所有计数器的合法回绕（wrap）和复位 （reset），你就要使用min=0的DERIVE类型。否则，使用具有合理max值的COUNTER类型，会为所有的合法计数器回绕（wrap）返回 正确的值。
对于一个步长为5分钟的32位计数器，计数器回绕复位的错误概率大约为：每1Mbps的最大带宽发生概率为0.8%.注意这等价于100Mbps接口的 80％，因此对于高带宽接口和32位计数器，最好使用带有min=0的DERIVE。如果你使用的是64位计数器，只有任何最大值的设定可以避免计数器回 绕的错误发生的可能性。
ABSOLUTE：读取后马上复位的计数器。用于易于溢出的快速计数器。因此，不要常规地读取他们，你需要自每次读取后确认在下一次溢出前有一个最大的有效时间。该类型的另外一个用途比如是你需要累积上次更新以来的信息数目。
COMPUTE：用于存放对RRD中的其他数据源进行公式计算的结果。该数 据源在更新时不需要提供数值，它是根据rpn表达式定义的公式从数据源的PDPs中计算出来的PDP（Primary Data Point）。归并功能会被应用到COMPUTE数据源的PDPs上（那就是说rpn表达式仅仅应用于一般的PDPs）。在数据库软件中，此类数据集用 ‘虚拟’或‘计算’列表示。
前4种类型的DS的定义语法为：
DS:ds-name:GAUGE | COUNTER | DERIVE | ABSOLUTE:heartbeat:min:max
第5种类型的DS定义稍微有些区别，定义格式如下：
DS:ds-name:COMPUTE:rpn-expression
Heartbeat：心跳定义了在两次数据源更新之间，在将数据源的数值被确定为UNKNOWN前所允许的最大秒数。
Min和max值：越界则赋予UNKNOWN，不清楚或者不知道该设置多少，那么就set为U。注意min和max总是特指处理的DS值。对于一个流量计数器类型——COUNT型的DS来说，就是预期中从该设备获取的最大和最小数据率。
如果有可用的min／max的值信息，一定要设置min和max属性。这可以帮助RRDtool在更新时对提供的数据进行健壮检查。
Rpn表达式定义了由同一个RRD库的其他数据源的计算而来的、某个COMPUTE数据源的PDPs计算公式。这于graph命令的CDEF参数一 样。对于COMPUTE数据源，不支持以下RPN操作符：COUNT、PREV、TIME、和LTIME。在定义RPN表达式时，COMPUTE数据源只 能够引用在create命令中列出的数据源。这于CDEF的限制是一样的，CDEF只能够引用在同一个graph命令中前面定义的DEFs和CDEFs。
2.2 RRA语法及描述RRA:CF:cf arguments
rrd的目的是在rra中存储数据，注意这里的a是archives的意思，一个归档有大量的数据值或者每个已定义的数据源的统计，而且它是在一个RRA行中被定义的。说白了就是数据值存储的格式。
当数据进入RRD数据库时，首先填入到用-s选项所定义的步长插槽中的数据，这样就成为一个pdp（Primary Data Point）值。
该数据也会被用该归档的CF（合并/归并函数）进行处理。可以把各个PDPs通过某个聚合函数进行归并的归并函数有这样几种：AVERAGE、MIN、MAX、LAST等。这4种分别表示对多个PDP 进行取平均、取最大值、取最小值、取当前值四种类型。
这些归并函数的RRA命令行格式为:
RRA:AVERAGE | MIN | MAX | LAST:xff:steps:rows
这里说2个概念：pdp大家都知道了是表示基本数据点（注意这是采集时），但是写入rrd数据库的却是归并后的数据点（CDP）。
Xff的含义：官方说的很含糊，它是xfile factor的缩写，其实它的意思是——值位于0-1之间，是个比率，它定义的就是把PDP换算成CDP时的一种特殊情况（UNKNOWN）的处理。比如xff是0.5，就是说10个PDP中，如果其中有大于或等于5个UNKNOWN的情况出现，那么CDP合并后的结果就是UNKNOWN，否则就是有效PDP的平均值。如果不巧你就2个PDP，要合并成1个CDP，那么有1个PDP为UNKNOWN的话，合成后的CDP就是UNKOWN。
Steps：定义多少个PDP可以用来构建归并的数据点（CDP）。
Rows：定义在数据库的一个RRA归档中保留多少次的生成数据值。它记录该rra域中最大可以存多少笔数据。显然一定要大于0
2.3异常行为预测——霍尔特-温特斯（Holt-Winter）预测
霍尔特-温特斯（Holt-Winter）预测——异常行为检测
除了合并函数外，还有一套特殊的函数使得rrdtool能提供平滑数据（通过霍尔特-温特斯预测算法）、置信带和数据源时间序列里的标记异常行为：
简单的理解是：
HWPREDICT——季节迭加模型
MHWPREDICT——季节乘积模型
Alpha，Beta，Gamma——平滑系数，缺省状态是由系统自动给定，也可自己指定
这些RRA定义和合并函数的区别有这样几个地方：
首先，每个基本数据点（PDP）更新时，每个RRA都会一次全部更新
其次，这些RRAs是相互依赖的。
（1）对一般的实时置信界限，匹配一组SEASONAL, DEVSEASONAL, DEVPREDICT和HWPREDICT或MHWPREDICT二者之一。
（2）一般的基本数据点（PDP）平滑值需要一SEASONAL RRA和HWPREDICT、MHWPREDICT二者之一。
（3）异常行为检测需要FAILURES, DEVSEASONAL, SEASONAL和HWPREDICT、MHWPREDICT二者之一。
预知的、平滑的值被存在HWPREDICT或 MHWPREDICT RRA中。HWPREDICT、MHWPREDICT实际上是霍尔特-温特斯方法的2个变种，它们是可互换的，二者都会尝试将数据分解成3个部分：一个基 准线（a baseline，也可译为基准水平）、一个趋势（a trend）和一个季节系数（a seasonal coefficient）。HWPREDICT将它的季节系数和基线相加形成一个预测。但是MHWPREDICT是将它的季节系数和基线相乘形成一个预 测。
当基准线在季节期间发生显著的变化时，不同之处是很明显 的，HWPREDICT将保留常数作为基准性的变化来预测季节性因素，但是MHWPREDICT是根据基准线增大或缩小的比例来预测季节性因素。正确方法 的选择取决于你的数学模型。简单起见，这次讨论的剩下部分将特指HWPREDICT，但MHWPREDICT可能取代它的位置。
预测偏差被存储在DEVPREDICT中（可以认为一个标准偏差是可以缩放产生一信心带），失败的RRA信息存储为二元指标，用一个1来标志索引观察为失败，就是说，在前面的窗口观察达到越过置信界限的数量或超过指定的阀值。使用这些rra来画出置信界限和故障显示的一个例子见
SEASONAL和DEVSEASONAL类型的RRA，存储季 节系数是分别是为了Holt-Winters 预测计算和季节性的偏差，在季节性周期中，每个观察时间点有一个入口，例如假设PDP（primary data points）是每5分钟采集一次，季节性周期是1天，那么SEASONAL和DEVSEASONAL二者都会有288行（数据）。
为了简化新手的创建，除了支持显式创建HWPREDICT, SEASONAL, DEVPREDICT, DEVSEASONAL,和FAILURES类型的RRAs，rrdtool create命令也支持隐式创建后4种。当HWPREDICT被单独指定时，最后那个参数rra-num是可以省略的。
Rows指定了预先RRA回 绕的长度，记得这些rras里PDP（primary data points）和入口间有一个一对一的对应关系。对HWPREDICT的合并函数（CF）而言，rows应该比seasonal period（季节性时期）大，如果DEVPREDICT RRA是隐式创建，rows的缺省值和HWPREDICT的rows参数是一样的，如果FAILURES RRA是隐式创建，rows将会被设置成seasonal period（季节性时期）参数，当然，如果这些预设值是不够的，而且不满足创建者的意愿，rrdtool会自动调整命令是可用的，以避免显式创建指定其 他功能的RRAs
seasonal period指定了季节期间的PDP数，如果SEASONAL和DEVSEASONAL是隐式创建，这个参数对于那些RRAs是由HWPREDICT自动设定为指定的值，如果他们是显式创建的，创建者应该检验合适所有这三个季节期间的参数的一致性。
Alpha是霍尔特-温特斯预测算法中的拦截（或基准）系数的适应参数，见rrdtool的算法描述，alpha必须介于0和1之间，值接近1，意味着比较近期的观测的baseline（基准线）部分的预测比重更大，值接近0，意味着过去的历史的基准线（baseline）部分的预测比重更大。
Beta是霍尔特-温特斯预测算法中斜坡（或线性趋势）系数的适应参数，Beta也必须介于0和1之间，在预测线性趋势方面。和Alpha发挥同样的作用。
Gamma是霍尔特-温特斯 预测算法（HWPREDICT）中的季节性系数的适应参数，或者指数平滑更新的季节偏差的适应参数，它必须介于0和1之间，如果SEASONAL和 DEVSEASONAL类型的RRAs是隐式创建的，它们将拥有相同值的gamma：指定的值为HWPREDICT的alpha参数，请注意，因为季节性 周期期间，每个时间点有一个季节性系数（或偏差），适应率比baseline（基准线）慢的多，当观察的值发生在季节性周期相应的系数的偏移内，每个季节 系数只会更新（或适应）。
如果SEASONAL和DEVSEASONAL类型的RRAs是显式的创建，二者的gamma不必都一样，注意gamma也能被rrdtool的tune命令改变。
smoothing-window指 定了一个季节里的每个点都应该被平均，默认情况下，smoothing-window的值是0.05，这意味着通过它与相邻点的（seasonal period*0.05）的值的平均，SEASONAL和DEVSEASONAL中的每个值会偶尔被取代。设置平滑窗口为零将disable running-average smoother（大概之意就是平滑被禁止）。
Rra-num规定RRAs之间的联系，如果HWPREDICT被单独指定，而其它的RRAs是隐式创建，便无须担心这个参数，如果RRAs是显式 创建的，那就需要仔细留意这个参数。对每个包含这个参数的RRA而言，在一RRA和另一RRA间存在着依赖关系。在RRA的创建顺序（就是说，他们显示在 create命令里的顺序）中，rra-num参数是以某一指定索引为基准（1-based index）的。每个RRA和依赖的RRA需要rra-num参数列在这里：
Threshold（阀值）是一个窗口内构成了故障的违反的最小数量（置信界限外的观测值），如果FAILURES RRA是隐式创建的，那么默认值是7。
Window length是窗口中的时间点的数量，指定一个整数，大于或等于threshold（阀值），小于或等于28。这个窗口的时间间隔取决于PDP（primary data points）的间隔，如果FAILURES RRA是隐式创建的，那么默认值是9。
2.4 HEARTBEAT && STEP这儿有个Don Baarda关于rrdtool内部工作机制的解释，它可以帮助你理解为什么所有的UNKNOWN数据出现在你的数据库的原因。
Heartbeat定义了samples或updates之间的最大可接受间隔，如果samples之间的间隔比heartbeat小，那么平均率（平均率的计算见下段）将 被计算并应用到这个interval（间隔区间）。如果samples之间的间隔比heartbeat大，那么整个interval（间隔区间）被认为是 UNKNOWN请注意，还有其他的东西，可以作出采样间隔为“UNKNOWN”，比如比率超限，或者一个sample被明确标记为UNKNOWN。
一个PDP的step间隔期间的KNOWN的比率被用来计算这个PDP的平均率， 如果总UNKNOWN的时间占了一半以上的“step”，这意味着整个PDP被标示为UNKNOWN，这意味着在一个单一的PDP的“step”中，一个 混合了KNOWN和UNKNOWN的次数，可能会或不会添加了足够的KNOWN的次数使得它成为一个KNOWN的PDP。
相对于PDPs间的step间隔，Heartbeat可以是短的 （不通常的做法）或可以是长的（典型的做法），一个短的heartbeat意味着每个PDP需要多个采样样例（samples），如果你没有得到这些（采 样样例），那么标记该PDP为unknown。一个长的heartbeat可以跨多个step，这意味着它是可以接受从一个单一的采样样例计算多个PDP 的值。一个极端的例子，step为5分钟，heartbeat是1天，在这种情况下，一个单一的采样样例，每天将导致所有的PDPs整个一天的时间期间内 都被设成相同的平均率。—— Don Baarda
2.5一些例子显然：超过（大于）600秒如果未接受到任何新的数据，那么该temperature将被置为UNKNOWN。最小值-273，最大值5000
EXAMPLE2这是一个路由器流量，可以发现我们定义了异常行为检测，我们建好后info看一下：
filename = "monitor.rrd"
rrd_version = "0003"
step = 300
last_update = 1219743092
ds[ifOutOctets].type = "COUNTER"
ds[ifOutOctets].minimal_heartbeat = 1800
ds[ifOutOctets].min = 0.0000000000e+00
ds[ifOutOctets].max = 4.2949672950e+09
ds[ifOutOctets].last_ds = "U"
ds[ifOutOctets].value = 0.0000000000e+00
ds[ifOutOctets].unknown_sec = 92
rra[0].cf = "AVERAGE"
rra[0].rows = 2016
rra[0].cur_row = 352
rra[0].pdp_per_row = 1
rra[0].xff = 5.0000000000e-01
rra[0].cdp_prep[0].value = NaN
rra[0].cdp_prep[0].unknown_datapoints = 0
rra[1].cf = "HWPREDICT"
rra[1].rows = 1440
rra[1].cur_row = 1411
rra[1].pdp_per_row = 1
rra[1].alpha = 1.0000000000e-01
rra[1].beta = 3.5000000000e-03
rra[1].cdp_prep[0].intercept = NaN
rra[1].cdp_prep[0].slope = NaN
rra[1].cdp_prep[0].NaN_count = 1
rra[2].cf = "SEASONAL"
rra[2].rows = 288
rra[2].cur_row = 72
rra[2].pdp_per_row = 1
rra[2].gamma = 1.0000000000e-01
rra[2].cdp_prep[0].seasonal = NaN
rra[3].cf = "DEVSEASONAL"
rra[3].rows = 288
rra[3].cur_row = 34
rra[3].pdp_per_row = 1
rra[3].gamma = 1.0000000000e-01
rra[3].cdp_prep[0].deviation = NaN
rra[4].cf = "DEVPREDICT"
rra[4].rows = 1440
rra[4].cur_row = 1351
rra[4].pdp_per_row = 1
rra[5].cf = "FAILURES"
rra[5].rows = 288
rra[5].cur_row = 114
rra[5].pdp_per_row = 1
rra[5].delta_pos = 2.0000000000e+00
rra[5].delta_neg = 2.0000000000e+00
rra[5].failure_threshold = 7
rra[5].window_length = 9
rra[5].cdp_prep[0].history = "000000000"
注意HWPREDICT的rra-num参数是没加的，于是其他的RRAs将用缺省的参数隐式创建。
它的创建等同于：
rrdtool create monitor.rrd --step 300 \ DS:ifOutOctets:COUNTER:1800:0:4294967295 \ RRA:AVERAGE:0.5:1:2016 \ RRA:HWPREDICT:1440:0.1:0.0035:288:3 \ RRA:SEASONAL:288:0.1:2 \ RRA:DEVPREDICT:1440:5 \ RRA:DEVSEASONAL:288:0.1:2 \ RRA:FAILURES:288:7:9:5在这个例子中，预测算法基线适应迅速;事实上，最近期的一个小时的观察（每5分钟的间隔时间）占75 ％的基准（baseline）预测。线性趋势（linear trend）预测适应更为缓慢。最后一天做的观测结果（每天288个观测结果）仅仅占了线性趋势（linear trend）的65%，请注意：这些计算依赖于一个指数平滑公式描述（在LISA 2000 paper中）
季节性的周期是一天（300秒中288个数据点）以及季节性的适应参数将被设置为0.1 。wrap around【见第一节术语中的说明】前，该rrd文件将存储5天（ 1'440数据点）的预测和偏差的预测，该文件将存储一天（季节性周期） 0-1指标在FAILURES RRA中。
官方红色部分是错误的，例子中我已经修正
表达的内容很简单，就是将前2个DS源做下简单的运算，cdef的公式是"Duration,Total,0,EQ,1,Total,IF,/"
Info 看一下就知道了：
filename = "proxy.rrd"
rrd_version = "0003"
step = 300
last_update = 1219745286
ds[Total].type = "DERIVE"
ds[Total].minimal_heartbeat = 1800
ds[Total].min = 0.0000000000e+00
ds[Total].max = NaN
ds[Total].last_ds = "U"
ds[Total].value = 0.0000000000e+00
ds[Total].unknown_sec = 186
ds[Duration].type = "DERIVE"
ds[Duration].minimal_heartbeat = 1800
ds[Duration].min = 0.0000000000e+00
ds[Duration].max = NaN
ds[Duration].last_ds = "U"
ds[Duration].value = 0.0000000000e+00
ds[Duration].unknown_sec = 186
ds[AvgReqDur].type = "COMPUTE"
ds[AvgReqDur].cdef = "Duration,Total,0,EQ,1,Total,IF,/"
ds[AvgReqDur].last_ds = "U"
ds[AvgReqDur].value = 0.0000000000e+00
ds[AvgReqDur].unknown_sec = 186
rra[0].cf = "AVERAGE"
rra[0].rows = 2016
rra[0].cur_row = 747
rra[0].pdp_per_row = 1
rra[0].xff = 5.0000000000e-01
rra[0].cdp_prep[0].value = NaN
rra[0].cdp_prep[0].unknown_datapoints = 0
rra[0].cdp_prep[1].value = NaN
rra[0].cdp_prep[1].unknown_datapoints = 0
rra[0].cdp_prep[2].value = NaN
rra[0].cdp_prep[2].unknown_datapoints = 0
结尾语：如果对时间序列预测算法还不太了解的同学可以参阅《统计学原理》
