VictoriaMetrics 面试题

graph TD
    subgraph 单节点模式
        VM["VictoriaMetrics<br/>(single binary)"] --> M1["/metrics<br/>(Prometheus Pull)"]
        VM --> M2["/api/v1/write<br/>(Remote Write)"]
        VM --> M3["/api/v1/query<br/>(PromQL)"]
    end
    subgraph 集群模式
        VMI1["vminsert<br/>(写入入口)"] --> VMS["vmstorage<br/>(3+ 节点)"]
        VMI2["vminsert<br/>(写入入口)"] --> VMS
        VMI3["vminsert<br/>(写入入口)"] --> VMS
        VMS --> VS1["vmselect<br/>(查询入口)"]
        VMS --> VS2["vmselect<br/>(查询入口)"]
        VMS --> VS3["vmselect<br/>(查询入口)"]
    end

同一数据集（1 亿时间序列点）:

Prometheus TSDB:
  磁盘占用: ~130MB
  内存占用: ~2-4GB (Head)

VictoriaMetrics:
  磁盘占用: ~20-40MB
  内存占用: ~500MB-1GB

# Prometheus TSDB 写入
rate(prometheus_tsdb_head_samples_appended_total[5m])
# 单机极限: ~100 万样本/s

# VictoriaMetrics 写入
# 单机极限: ~500 万样本/s
# 集群模式: 线性扩展

vminsert → vmstorage (内部 RPC :8401)
  数据写入和分片分发

vmselect → vmstorage (内部 RPC :8401)
  数据查询和聚合

vmstorage 间不直接通信（shared-nothing 架构）

写入:
  Client → vminsert (:8480) → vmstorage (:8401)

查询:
  Client → vmselect (:8481) → vmstorage (:8401)

多租户:
  /insert/:accountID/:projectID/prometheus/...
  /select/:accountID/:projectID/prometheus/...

graph TD
    Metric["Metric 数据"] --> Hash["计算 metric 的 Hash"]
    Hash --> Mod["Hash mod N<br/>(N = vmstorage 节点数)"]
    Mod --> VS1["vmstorage-1<br/>(分片 A)"]
    Mod --> VS2["vmstorage-2<br/>(分片 B)"]
    Mod --> VS3["vmstorage-3<br/>(分片 C)"]

# vminsert 配置（列出所有 vmstorage 节点）
vminsert:
  - -storageNode=vmstorage-1:8401,vmstorage-2:8401,vmstorage-3:8401
  # 新增节点时自动重平衡
  - -replicationFactor=2  # 副本数，可选

1. 相同 metric 始终路由到相同节点
   - 保证数据本地性
   - 查询时只需访问少数节点

2. 新增/删除节点
   - 一致性哈希最小化数据迁移
   - 仅迁移 hash 环中的部分数据

3. 查询路由
   - vmselect 向所有 vmstorage 广播查询
   - 各节点并行返回结果
   - vmselect 合并后返回客户端

1. vmselect 接收 PromQL 请求
   POST /api/v1/query?query=up{job="node"}

2. PromQL 解析和优化
   - 解析表达式树
   - 识别标签匹配器和时间范围
   - 查询优化（下推过滤条件）

3. 分发到所有 vmstorage
   - 广播查询请求
   - 并行执行

4. vmstorage 本地执行
   - 查找标签索引
   - 读取数据块
   - 本地 PromQL 计算
   - 返回结果

5. vmselect 合并
   - 汇总各节点结果
   - 去重（副本数据）
   - 最终计算（聚合函数等）
   - 返回客户端

# 瞬时查询 → 单时间点快照
/api/v1/query?query=up&time=1717000000

# 范围查询 → 时间范围序列
/api/v1/query_range?query=rate(http_requests_total[5m])&start=1717000000&end=1717003600&step=15

# 标签查询 → 标签元数据
/api/v1/labels?match[]=up
/api/v1/label/__name__/values

rate, irate, increase, delta
histogram_quantile, quantile_over_time
avg, sum, min, max, count, stddev
label_replace, label_join
absent, absent_over_time
sgn, sort, sort_desc
topk, bottomk, limitk

graph TD
    subgraph Dir["目录结构 (/data/vm/)"]
        Tenant["tenant/"] --> Date["date/"]
        Date --> Index["index (全局索引)"]
        Date --> Timestamps["timestamps (时间戳列)"]
        Date --> Values["values (值列)"]
        Date --> Metadata["metadata (元数据)"]
    end
    subgraph Part["每个 part (数据分区)"]
        PIdx["索引 (index)<br/>- 倒排标签索引<br/>- 时序 ID 映射"]
        PTs["时间戳列 (timestamps)<br/>- 压缩后的时间戳序列"]
        PVal["值列 (values)<br/>- 压缩后的浮点值序列"]
        PIdx --> PTs --> PVal
    end

1 亿时间序列点, 30 天保留:

Prometheus TSDB: ~130GB
VictoriaMetrics:  ~20-40GB

节省: 70-85%

URL 格式:
  /insert/<accountID>:<projectID>/prometheus/...
  /select/<accountID>:<projectID>/prometheus/...

例如:
  /insert/0:0/prometheus/api/v1/write   # 租户 0
  /insert/1:0/prometheus/api/v1/write   # 租户 1
  /select/0:0/prometheus/api/v1/query   # 查询租户 0

# vminsert 写入
# 不同租户写入不同 URL
curl -X POST http://vminsert:8480/insert/0:0/prometheus/api/v1/write \
  --data-binary @metrics.bin

curl -X POST http://vminsert:8480/insert/1:0/prometheus/api/v1/write \
  --data-binary @metrics.bin

# vmselect 查询
curl http://vmselect:8481/select/0:0/prometheus/api/v1/query?query=up
curl http://vmselect:8481/select/1:0/prometheus/api/v1/query?query=up

# 单节点
--retentionPeriod=30d        # 保留 30 天
--storageDataPath=/data/vm    # 数据路径
--maxDiskUsagePerGB=10        # 每 GB 最大写入（限流）

# 集群模式
vmstorage:
  - -retentionPeriod=30d
  - -storageDataPath=/storage/vm

当磁盘使用率超过阈值时，VictoriaMetrics 自动执行降级:

阶段 1: 达到 85%
  限流写入速率 (throttle)

阶段 2: 达到 90%
  强制删除过期数据

阶段 3: 达到 95%
  删除最旧的数据块（即使未过期）

阶段 4: 达到 98%
  只读模式，拒绝新写入

后台合并任务同时执行数据清理:

1. 删除超过 retentionPeriod 的数据
   - 按时间戳对比
   - 逐块删除

2. 合并时自动去重
   - 相同时间戳的重复样本
   - 合并过程中丢弃过期数据块

3. 存储大小限制（可选）
   - retention.size 模式
   - 超出限制时删除最旧数据

# vminsert 副本配置
vminsert:
  - -replicationFactor=2    # 每个样本写入 2 个 vmstorage
  - -storageNode=vmstorage-1:8401,vmstorage-2:8401,vmstorage-3:8401

# 副本数据流:
# Client → vminsert 
#    → vmstorage-1 (主副本)
#    → vmstorage-2 (从副本)
#
# 查询时:
# vmselect → vmstorage-1 (正常) → 返回数据
# vmselect → vmstorage-2 (正常) → 返回数据
# vmselect 去重后返回客户端

1. vmstorage 节点宕机
   - vminsert 只写入健康节点
   - vmselect 跳过宕机节点
   - 有副本时: 副本提供数据

2. vmstorage 恢复
   - 自动重新加入集群
   - 从副本同步缺失数据
   - 恢复正常写入和查询

3. vminsert 扩容
   - 新增节点自动加入
   - LB 分发写入请求
   - 数据一致性由一致性哈希保证

4. 全集群恢复
   - 从快照恢复数据
   - 重建索引
   - 逐步恢复服务

样本到达 → VictoriaMetrics
    │
    ├── 协议解析: ~1ms
    ├── 标签索引: ~2ms
    ├── 数据压缩: ~3ms
    ├── 内存写入: ~1ms
    └── 返回 ACK: ~1ms
    │
    总计: < 10ms

# 写入速率 (单节点)
rate(vm_rows_inserted_total[5m])

# 写入延迟
vm_ingestion_request_duration_seconds

# 写入失败
rate(vm_ingestion_errors_total[5m])

# 丢弃的样本
rate(vm_rows_dropped_total[5m])

# vminsert 配置
vminsert:
  - -maxInsertRequestSize=32MB      # 增大请求大小
  - -maxConcurrentInserts=100       # 并发写入数
  - -rpcConcurrency=100             # 存储 RPC 并发

# vmselect 配置
vmselect:
  - -search.maxQueryDuration=1m     # 最大查询时间
  - -search.maxConcurrentRequests=50 # 最大并发查询数
  - -search.maxPointsPerTimeseries=30000 # 每序列最大点数
  - -search.maxUniqueTimeseries=300000 # 最大唯一序列数

# 查询缓存
  - -search.cacheTimestamp=1ms       # 缓存时间戳精度

# 查询延迟
vm_select_request_duration_seconds

# QPS
rate(vm_select_requests_total[5m])

# 慢查询
rate(vm_select_requests_total{status="slow"}[5m])

# 并发查询数
vm_concurrent_select_current

传统文件读取:
  读取 → 内存缓冲 → 用户空间
  内存开销 = 数据量

mmap 读取:
  映射 → 虚拟内存 → 按页按需加载
  内存开销 = 活跃访问的数据量

差异:
  100GB 数据索引
  传统: 需要 100GB 内存
  mmap: 仅占用活跃访问的 ~1-2GB

# VictoriaMetrics 自动使用 mmap
# 无需额外配置

# 操作系统层面确保 mmap 计数足够
sysctl -w vm.max_map_count=262144

# 监控 mmap 使用
vm_mmap_memory_total_bytes        # mmap 映射的大小
vm_memory_mmap_count              # mmap 映射数量

# 备份到本地目录
./vmbackup -storageDataPath=/data/vm \
  -snapshot.createURL=http://localhost:8428/snapshot/create \
  -dst=fs:///backup/vm-20260526

# 备份到 S3
./vmbackup -storageDataPath=/data/vm \
  -snapshot.createURL=http://localhost:8428/snapshot/create \
  -dst=s3://vm-backup-bucket/vm-20260526 \
  -credsFilePath=/etc/vm/credentials

# 增量备份
./vmbackup -storageDataPath=/data/vm \
  -snapshot.createURL=http://localhost:8428/snapshot/create \
  -dst=fs:///backup/vm/ \
  -prevBackupPath=fs:///backup/vm-20260525/

# 定期备份（Cron 示例）
0 2 * * * /usr/local/bin/vmbackup -storageDataPath=/data/vm \
  -snapshot.createURL=http://localhost:8428/snapshot/create \
  -dst=s3://vm-backup/vm-daily/$(date +\%Y\%m\%d)

# 从 S3 恢复
./vmrestore -src=s3://vm-backup-bucket/vm-20260526 \
  -storageDataPath=/data/vm

# 从本地恢复
./vmrestore -src=fs:///backup/vm-20260526 \
  -storageDataPath=/data/vm

# 恢复完成后启动
./victoria-metrics -storageDataPath=/data/vm

VictoriaMetrics 自动将 1 小时内旧数据压缩为 1 个聚合点:
  原始数据: 15s 分辨率 → 240 点/小时
  降采样后: 1 个聚合点/小时

聚合函数: avg, min, max, count

降采样时机:
  数据写入后 ~1 小时
  由后台合并任务自动执行

# 降采样规则配置
downsampling:
  # 7 天内保留原始数据
  - period: 7d
    step: 1m
  # 7-30 天降采样到 5m
  - period: 30d
    step: 5m
    aggregation: avg
  # 30-90 天降采样到 30m
  - period: 90d
    step: 30m
    aggregation: [min, max, avg]
  # 90 天以上降采样到 4h
  - period: 365d
    step: 4h
    aggregation: [min, max, avg, count]

每天 100GB 数据，保留 365 天:

无降采样: 100GB × 365 = 36.5TB

降采样:
  原始 7d:   100GB × 7 = 700GB
  5m 23d:    700GB / 5 × 23 = 3.2TB (avg)
  30m 60d:   700GB / 30 × 60 = 1.4TB
  4h 275d:   700GB / 240 × 275 = 800GB
  总计: ~6TB，节省 ~84%

同一时间序列在多个 vmstorage 副本中的数据:

vmstorage-1:
  node_cpu_seconds_total{cpu="0", instance="node1"} @ T=10  value=100
  node_cpu_seconds_total{cpu="0", instance="node1"} @ T=20  value=110

vmstorage-2:
  node_cpu_seconds_total{cpu="0", instance="node1"} @ T=10  value=100
  node_cpu_seconds_total{cpu="0", instance="node1"} @ T=20  value=112

去重逻辑（查询时）:
  1. 比较相同时间戳的样本
  2. 选择值最大（或最小）的样本
  3. 丢弃重复样本

# vmselect 去重
vmselect:
  - -dedup.minScrapeInterval=1ms   # 去重时间窗口
  # 时间窗口内相同的时间戳视为重复
  - -replicationFactor=2            # 告知 vmselect 副本数

# 实际配置建议
  - -dedup.minScrapeInterval=30s   # 如果采集间隔 15s

dedup.minScrapeInterval=30s:

样本时间戳:
  T=10, T=12, T=20, T=25, T=30

去重后:
  10-30 窗口内 → 保留最终值 T=25
  30+ → 正常处理

# 单节点 VMS
./victoria-metrics \
  -memory.allowedBytes=8GB \
  -storage.cacheSize=2GB

# vmselect
vmselect:
  - -memory.allowedBytes=4GB
  - -search.cacheSize=1GB
  # 查询结果缓存 TTL
  - -search.cacheTimestamp=1ms

# 索引缓存命中率
rate(vm_cache_hits_total{type="index"}[5m])
/
rate(vm_cache_requests_total{type="index"}[5m])

# 缓存大小
vm_cache_size_bytes{type="index"}

# 缓存驱逐率
rate(vm_cache_evictions_total[5m])

# 缓存请求延迟
vm_cache_request_duration_seconds{type="index"}

自动合并触发:

1. 小分区数量 > 30 个
   → 合并为更大的分区

2. 分区超过 1 小时
   → 自动进行降采样和压缩

3. 磁盘 IO 空闲时
   → 后台低优先级合并

分区合并:

3 个小分区 (part):
  Part-A (10K 样本, 1 分钟)
  Part-B (8K 样本, 30 秒)
  Part-C (12K 样本, 45 秒)

合并后:
  Merged-Part (30K 样本, 2 分钟)
  - 更紧凑的索引
  - 更高的压缩比
  - 更快的查询

# 当前合并任务数
vm_merges_current

# 合并延迟
vm_merge_duration_seconds_total

# 分区数量
vm_parts_count

# 合并速度
rate(vm_rows_merged_total[5m])

# 合并并发控制
./victoria-metrics \
  -maxSmallMergeConcurrency=4   # 小分区合并并发数
  -maxLargeMergeConcurrency=1   # 大分区合并并发数
  -smallMergeSize=1TB           # 小分区大小阈值
  -finalMergeEnabled=false      # 禁用最终合并（集群模式推荐）

# 原 Prometheus 配置
scrape_configs:
  - job_name: 'node'
    static_configs:
      - targets: ['node-exporter:9100']

# 直接用于 vmagent
vmagent:
  -promscrape.config=/etc/vmagent/prometheus.yml
  -remoteWrite.url=http://victoriametrics:8428/api/v1/write

# Grafana 数据源
datasources:
  - name: VictoriaMetrics
    type: prometheus
    url: http://victoriametrics:8428

graph TD
    VMS["vmselect"] -->|查询| VA["vmalert"]
    VA --> AM["Alertmanager"]
    VA --> RW["Remote Write"]
    VA --> NF["Notifier<br/>(Webhook)"]
    RW --> VMI["vminsert"]

# vmalert 启动参数
vmalert:
  - -rule=/etc/vmalert/rules/*.yaml
  - -datasource.url=http://vmselect:8481/select/0:0/prometheus
  - -remoteWrite.url=http://vminsert:8480/insert/0:0/prometheus
  - -notifier.url=http://alertmanager:9093
  - -evaluationInterval=30s

# 规则文件（兼容 Prometheus 格式）
groups:
  - name: node-alerts
    interval: 30s
    rules:
      - alert: NodeCPUUsageHigh
        expr: (100 - (avg by(instance) (rate(node_cpu_seconds_total{mode="idle"}[5m])) * 100)) > 80
        for: 5m
        labels:
          severity: warning

      - record: node:node_cpu_utilization:ratio
        expr: (1 - avg by(instance) (rate(node_cpu_seconds_total{mode="idle"}[5m])))

# 多副本部署，通过 replica 标签去重
vmalert:
  replicas: 2
  - -external.label=replica=$(HOSTNAME)
  - -remoteWrite.url=http://vminsert:8480/insert/0:0/prometheus

# vmagent 采集配置
vmagent:
  - -promscrape.config=/etc/vmagent/scrape.yml
  - -remoteWrite.url=http://vminsert:8480/insert/0:0/prometheus
  - -remoteWrite.url=http://thanos-receiver:19291/api/v1/receive
  - -remoteWrite.queues=4
  - -remoteWrite.maxBlockSize=1MB

# scrape.yml（完全兼容 Prometheus 格式）
scrape_configs:
  - job_name: 'node'
    scrape_interval: 15s
    static_configs:
      - targets: ['node-exporter:9100']
    relabel_configs:
      - source_labels: [__address__]
        regex: '(.*):.*'
        target_label: instance

1. 更低资源消耗
   - 内存: Prometheus ~2GB vs vmagent ~500MB
   - CPU: Prometheus ~2Core vs vmagent ~0.5Core

2. 本地数据持久化
   - 写入失败时数据缓冲到磁盘
   - 重新连接后自动续传

3. 多后端写入
   - 同时发送到多个 Remote Write
   - 可作为数据复制代理

单节点 VMS:
  http://victoriametrics:8428/vmui/

集群模式:
  http://vmselect:8481/select/0:0/vmui/

Grafana 集成:
  datasources → VictoriaMetrics → 使用 vmui
  http://victoriametrics:8428/select/0:0/vmui/

# vmui 卡目录页显示的查询:
Top 10 高基数指标:
  sort_desc(count by (__name__) ({__name__=~".+"}))

Top 10 高基数标签:
  sort_desc(count by (job) (count by (__name__, job) ({__name__=~".+"})))

Top 10 高基数标签值:
  sort_desc(count by (url) ({__name__="http_requests_total"}))

Prometheus Operator CRD → VictoriaMetrics 适配

ServiceMonitor/PodMonitor → vmagent (替代 Prometheus Server)
PrometheusRule → vmalert (替代 Prometheus Rule evaluation)
Alertmanager → 复用 Prometheus Operator 的 Alertmanager
Grafana → VictoriaMetrics 数据源

# 通过 Scrape Config 直接使用 ServiceMonitor
apiVersion: v1
kind: ConfigMap
metadata:
  name: vmagent-scrape-config
data:
  scrape.yml: |
    scrape_configs:
      - job_name: 'kubernetes-service-endpoints'
        kubernetes_sd_configs:
          - role: endpoints
        relabel_configs:
          - source_labels: [__meta_kubernetes_service_annotation_prometheus_io_scrape]
            action: keep
            regex: true    

# Grafana 数据源
datasources:
  - name: VictoriaMetrics
    type: prometheus
    url: http://vmselect:8481/select/0:0/prometheus
    access: proxy
    isDefault: true
    jsonData:
      timeInterval: "30s"

# 查看所有指标的时间序列数
sort_desc(count by (__name__) ({__name__=~".+"}))

# 查看特定指标的高基数标签
sort_desc(count by (url, method) (http_requests_total))

# 查看标签值的分布
sort_desc(count by (url) ({__name__="http_requests_total"}))

# 总时间序列数
count({__name__=~".+"})

# vmagent relabel 丢弃高基数标签
scrape_configs:
  - job_name: 'myapp'
    metric_relabel_configs:
      # 丢弃 URL 标签（高基数）
      - source_labels: [__name__]
        regex: 'http_request_.*'
      - action: labeldrop
        regex: 'url|request_id|user_id|session_id'

    # 或者替换为低基数标签
    relabel_configs:
      - source_labels: [__meta_kubernetes_pod_name]
        target_label: pod
      - action: labeldrop
        regex: 'pod'
      # 使用 deployment 替代 pod（降低基数）

# 从 Prometheus TSDB 迁移到 VictoriaMetrics
./vmctl prometheus \
  -prom-snapshot=/path/to/prometheus/snapshot \
  -vm-addr=http://victoriametrics:8428

# 增量迁移
./vmctl prometheus \
  -prom-snapshot=/path/to/prometheus/snapshot \
  -vm-addr=http://victoriametrics:8428 \
  -vm-concurrency=4 \
  -vm-batch-size=10000

# 从 Prometheus Remote Write 迁移
./vmctl prometheus-remotewrite \
  -src-addr=http://prometheus:9090 \
  -dst-addr=http://victoriametrics:8428/api/v1/write

# 迁移后校验
./vmctl verify \
  -src-addr=http://prometheus:9090 \
  -dst-addr=http://victoriametrics:8428 \
  -start=1717000000 \
  -end=1717003600

# TLS 配置
./victoria-metrics \
  -tls=true \
  -tlsCertFile=/etc/vm/tls/cert.pem \
  -tlsKeyFile=/etc/vm/tls/key.pem \
  -tlsCAFile=/etc/vm/tls/ca.pem

# Basic Auth
./victoria-metrics \
  -httpAuth.username=admin \
  -httpAuth.password=<password>

# 或通过配置文件
./victoria-metrics \
  -httpAuth.config=/etc/vm/auth.yml

# Nginx 前置认证
server {
    listen 443 ssl;
    server_name victoriametrics.example.com;

    location / {
        auth_basic "VictoriaMetrics";
        auth_basic_user_file /etc/nginx/.htpasswd;
        proxy_pass http://localhost:8428;
    }
}

# K8s NetworkPolicy
apiVersion: networking.k8s.io/v1
kind: NetworkPolicy
metadata:
  name: vm-cluster
spec:
  podSelector:
    matchLabels:
      app: vmstorage
  ingress:
    - from:
        - podSelector:
            matchLabels:
              app: vminsert
        - podSelector:
            matchLabels:
              app: vmselect
      ports:
        - port: 8401

./victoria-metrics \
  -loggerLevel=INFO           # 日志级别: INFO/WARN/ERROR
  -loggerFormat=json          # JSON 格式日志
  -loggerOutput=stdout        # 输出到 stdout

{"level":"error","msg":"cannot open storage","path":"/data/vm"}
{"level":"warn","msg":"high cardinality detected","metric":"http_requests_total","series":100000}
{"level":"info","msg":"merge completed","parts":5,"size":"2GB","duration":"30.5s"}
{"level":"error","msg":"cannot insert to vmstorage","storageNode":"vmstorage-1:8401"}

# 健康检查
GET /health                    # 200 OK
GET /ping                      # 存活检测

# 性能诊断
GET /metrics                   # Prometheus 指标
GET /debug/pprof/              # Go pprof 分析
GET /debug/pprof/profile       # CPU Profile
GET /debug/pprof/heap          # 内存 Profile

# 内部状态
GET /api/v1/status/tsdb        # TSDB 状态
GET /api/v1/status/cache       # 缓存状态
GET /api/v1/status/config      # 运行时配置
GET /api/v1/status/buildinfo   # 版本信息

# 集群状态
GET /admin/tenants             # 租户列表 (集群)
GET /api/v1/status/storage_nodes # 存储节点 (集群)

1. 内存优化
   -memory.allowedBytes = 物理内存的 60%
   -storage.cacheSize = 内存的 25%

2. 磁盘优化
   使用 NVMe SSD
   独立数据盘 (非系统盘)
   监控 IO 延迟

3. PromQL 优化
   使用精确标签匹配（= 而非 =~）
   缩小查询时间范围
   使用记录规则预计算

4. 基数控制
   监控 `vm_tsdb_series_count`
   设置 relabel 丢弃高基数标签
   定期审查指标标签

# 8 核 32GB 内存服务器推荐配置
./victoria-metrics \
  -memory.allowedBytes=20GB \
  -storage.cacheSize=5GB \
  -maxConcurrentInserts=50 \
  -search.maxConcurrentRequests=30 \
  -search.maxQueryDuration=30s \
  -retentionPeriod=30d \
  -storageDataPath=/data/vm

VictoriaMetrics Dashboard 核心指标:

1. 写入性能
   - 插入速率 (rows/s)
   - 写入延迟 (P50/P99)
   - 写入错误

2. 存储
   - 时间序列总数
   - 磁盘使用率
   - 压缩比

3. 查询性能
   - QPS
   - 查询延迟 (P50/P99)
   - 并发查询数

4. 系统资源
   - CPU 使用率
   - 内存使用
   - 磁盘 IO
   - 网络 IO

datasources:
  - name: VictoriaMetrics
    type: prometheus
    url: http://vmselect:8481/select/0:0/prometheus
    access: proxy
    jsonData:
      timeInterval: "30s"
      prometheusType: "VictoriaMetrics"
      prometheusVersion: "1.80.0"

v1.95.0
│  │  └─ 补丁版本（bug 修复、小改进）
│  └──── 次要版本（新功能、向后兼容）
└─────── 主版本（重大变更）

单节点 VMS 和集群版本保持一致:
  v1.95.0 表示单节点和集群组件的相同版本

# 单节点升级
1. 备份数据快照
   curl -X POST http://localhost:8428/snapshot/create
2. 确认快照成功
3. 停止 VMS 进程
4. 替换二进制文件
5. 启动新版本
6. 验证数据完整性

# 集群升级（滚动）
步骤 1: 升级 vmstorage（先升级存储）
  vmstorage-1: 停止 → 替换 → 启动 → 验证
  vmstorage-2: 停止 → 替换 → 启动 → 验证
  vmstorage-3: 停止 → 替换 → 启动 → 验证

步骤 2: 升级 vminsert（写入层）
  vminsert-1: 停止 → 替换 → 启动 → 验证
  vminsert-2: 停止 → 替换 → 启动 → 验证

步骤 3: 升级 vmselect（查询层）
  vmselect-1: 停止 → 替换 → 启动 → 验证
  vmselect-2: 停止 → 替换 → 启动 → 验证

1. 版本兼容性
   - 避免跨大版本升级（如 v1.80 → v1.95）
   - 如需要跨大版本，逐步升级

2. 数据格式兼容性
   - vmstorage 数据格式跨版本兼容
   - 无需数据迁移

3. 配置兼容性
   - 检查弃用的命令行参数
   - 查看 Release Notes

4. 集群升级顺序
   - 先存储，再写入，最后查询
   - vmstorage 升级可能导致临时查询延迟

5. 回滚
   - 保留旧版本二进制
   - 保留数据备份快照
   - 集群模式下只需回滚对应组件