Grafana Labs 发布 Mimir 3.0，推出全新架构以提升性能

Grafana Labs 发布了 Grafana Mimir 3.0，可以说是这款开源、可横向扩展的时序数据库的重要升级。本次版本采用全新的架构，将读写操作彻底分离，大幅提升了在大规模指标场景下的性能、可靠性和成本效率。

Grafana Mimir 自 2022 年推出以来，已成为普罗米修斯（Prometheus）和 OpenTelemetry 生态中领先的指标后端之一，目前在 GitHub 上拥有超过 4700 颗星，并由约 30 名维护者积极贡献。该项目的核心目标是打造一款高度可扩展、高效的开源时序数据库，能够支撑 10 亿条以上的活跃序列。

3.0 版本的核心亮点是全新的解耦架构，解决了早期版本中的关键瓶颈。在过去的 Mimir 版本中，ingester 组件同时负责写入和读取，这意味着在查询负载很重时，会挤占写入性能。新版架构引入 Apache Kafka 作为读写路径之间的异步缓冲层，使摄取和查询能够独立扩展，并消除了此前影响系统稳定性的互相依赖关系。

Mimir 3.0 架构

这次的架构升级引入了 “ingest storage（ingest 存储）”，这是 Grafana Labs 设计的关键组件，用来避免查询量的突然上升拖慢数据写入，反之亦然。内部测试显示，系统可靠性有了显著提升，尤其是在组件开始出现故障的早期阶段，读取路径因 ingester 随机故障而导致宕机的风险大幅下降。

架构调整的同时，Mimir 3.0 还将 Mimir Query Engine（MQE）设为默认查询引擎。MQE 首次在 Mimir 2.17 中推出，其处理方式不同于传统的普罗米修斯 PromQL 引擎。普罗米修斯的查询引擎会批量加载样本数据，导致内存使用不可预测；而 MQE 采用流式执行方式，在查询过程的每个步骤只加载当前需要的样本。Grafana Labs 表示，这种方式能够将峰值内存消耗降低多达 92%，让查询速度更快，也让系统在高负载下保持更稳定，同时依然保持 100% 的 PromQL 兼容性。

性能提升不仅体现在查询执行上。Grafana Labs 的测试结果显示，在他们的大规模集群中，资源使用量减少了最多 15%，同时性能和可靠性反而更好。这些收益来自解耦架构与流式查询引擎的组合效果。

Mimir 3.0 的设计反映了团队在大规模运行 Mimir 时的经验，其中包括像 CERN 这类大规模用户的反馈。他们将重点放在三个核心方向上：

• 通过分离职责提升可靠性

• 通过流式查询提升性能

• 通过更高效的资源使用降低成本

由于架构变更幅度很大，Grafana Labs 建议组织谨慎规划升级流程。升级需要在现有集群旁部署一个新的 Mimir 集群，然后调整写入客户端，让数据同时写入多个端点，最后再将读取客户端切换到新集群。在此期间，组织需要同时调整两个集群的 Helm 或 Jsonnet 配置。

目前，Mimir 3.0 的新能力已经在 Grafana Cloud Metrics（基于 Mimir 的托管指标服务）上线。对于自建部署的用户，项目文档提供了升级指南和发布说明，帮助团队顺利迁移到新架构。

这次发布体现了过去三年的打磨成果，也继续推动项目在指标存储与查询方面的发展方向。Mimir 3.0 的解耦架构与升级后的查询引擎，为组织在扩展可观测性系统时提供了更高的效率，同时降低了复杂度和资源成本。

对于寻找 Mimir 替代方案的组织而言，也有不少成熟的时序数据库可选。普罗米修斯是一款非常流行的开源工具，具备强大的 PromQL 查询语言，并与 Kubernetes 深度集成，不过其设计主要面向单节点场景。InfluxDB 则擅长应对高写入和高查询负载，拥有 InfluxQL 和 Flux 查询语言，适合 IoT 与实时分析场景。TimescaleDB 是 PostgreSQL 的扩展，适合熟悉 SQL 的团队，可复用现有工具，同时获得时序优化能力。云原生场景下，亚马逊 Timestream 和谷歌云 Monitoring 提供托管服务，可减少运维成本。Thanos 则通过加入长期存储和全局查询能力，扩展了普罗米修斯，并解决了部分 Mimir 同样关注的可扩展性问题。不同方案在可扩展性、查询性能、运维复杂度以及生态兼容性方面各有取舍。

原文链接：

https://www.infoq.com/news/2025/11/grafana-mimir-3/