请求prometheus数据然后使用tensorflow计算正则模型

使用tensorflow 计算正则模型, 数据来源为Prometheus的数据近7天的数据, 然后计算了90%区间的上下限和当前值的概率密度

import requests
import pandas as pd
import tensorflow as tf
from datetime import datetime, timedelta

# 定义 Prometheus 查询的参数
url = "http://{your_path}/api/v1/query_range"
## 查询的QL
query = 'sum(alter_count{group="namespace"})'
start_time = int((datetime.now() - timedelta(days=7)).timestamp())
end_time = int(datetime.now().timestamp())

# 构建查询参数
params = {
    "query": query,
    "start": start_time,
    "end": end_time,
    "step": "1h"
}

# 发起 GET 请求
response = requests.get(url, params=params)

# 解析响应数据
data = response.json()['data']['result']

# 处理数据
results = []
for item in data:
    for value in item['values']:
        results.append({
            'timestamp': pd.to_datetime(value[0], unit='s'),
            'value': float(value[1])
        })
# 将数据转化为 DataFrame
df = pd.DataFrame(results)
df.set_index('timestamp', inplace=True)

# 构建 TensorFlow 模型
mean_value = tf.cast(df['value'].mean(), tf.float32)
std_dev = tf.cast(df['value'].std(), tf.float32)

# 取最后值, 也就是当前值
input_data = df.iloc[-1]['value']
input_data = tf.cast(input_data, tf.float32)  # 将输入数据转换为 float32 类型
result = tf.exp(-tf.square(input_data - mean_value) / (2 * tf.square(std_dev))) / (std_dev * tf.sqrt(2 * 3.14159))
print("当前数据 {} 的正态分布概率密度值为: {}".format(input_data.numpy(), result.numpy()))
# 计算命中 80% 区间的上下界
lower_bound = mean_value + tf.math.erfinv(-0.45) * std_dev
upper_bound = mean_value + tf.math.erfinv(0.45) * std_dev

print("命中 90% 区间的上界为: {}".format(upper_bound.numpy()))
print("命中 90% 区间的下界为: {}".format(lower_bound.numpy()))