Apache APISIX Prometheus 指标丢失问题分析与解决方案

问题现象

在Apache APISIX 3.8.1版本中，用户报告了一个关于Prometheus监控指标丢失的问题。具体表现为：

• 使用Prometheus agent从APISIX Pods抓取指标时，约3天后指标数据完全消失
• 重启APISIX Pods后指标恢复正常
• 该问题出现在从APISIX 3.2升级到3.8版本后

根本原因分析

从错误日志中可以发现关键信息：

[lua] prometheus_resty_counter.lua:39: increasing counter in shdict: lru eviction: key=http_latency_bucket{...}
[lua] prometheus_resty_counter.lua:39: increasing counter in shdict: lru eviction: key=bandwidth{...}

这些错误表明：

1. APISIX使用共享内存字典(shared dict)存储Prometheus指标数据
2. 由于路由和节点数量较多，生成的指标键值对数量庞大
3. 默认配置的共享内存空间(10MB)不足，导致LRU(最近最少使用)淘汰机制触发
4. 当共享内存空间耗尽后，新的指标数据无法写入，造成指标丢失

解决方案

方案一：增加共享内存空间

最直接的解决方案是增加prometheus-metrics共享字典的大小。在APISIX配置中：

nginx_config:
  http:
    lua_shared_dict:
      prometheus-metrics: 100m  # 从默认10MB增加到100MB

对于使用Helm部署的情况，可能需要手动修改ConfigMap来添加此配置。

方案二：优化指标收集策略

1. 减少长期存储的指标数量：评估哪些指标是真正需要的，减少不必要的指标收集
2. 调整指标过期时间：如果APISIX版本支持，可以配置指标的过期时间
3. 聚合指标：考虑使用更高级别的指标聚合，减少细粒度指标的数量

容量规划建议

共享内存大小的设置需要根据实际流量和路由数量进行评估：

• 小型部署：10-50MB可能足够
• 中型部署：建议50-200MB
• 大型部署：可能需要200MB以上

可以通过监控apisix_shared_dict_free_space_bytes指标来评估共享内存的使用情况，当该值接近0时表明需要扩容。

最佳实践

1. 监控共享内存使用：将apisix_shared_dict_free_space_bytes纳入监控，设置告警阈值
2. 版本升级注意事项：从低版本升级时，应重新评估资源配置是否满足新版本需求
3. 定期维护：对于长期运行的实例，考虑定期重启以释放潜在的内存碎片
4. 测试环境验证：在生产环境变更前，先在测试环境验证配置变更的效果

总结

Apache APISIX的Prometheus指标丢失问题通常是由于共享内存空间不足导致的。通过合理配置共享内存大小和优化指标收集策略，可以有效解决这一问题。对于生产环境，建议进行充分的容量规划和监控，确保系统的稳定运行。