RRD 全称是 Round Robin Database ，即「环型数据库」。顾名思义，它是一种循环使用存储空间的数据库，适用于存储和时间序列相关的数据。RRDTool是RRD的实现工具，可用于存储和展示被监测对象随时间的变化情况。
“Round Robin”是一种存储数据的方式，使用固定大小的空间来存储数据，并有一个指针指向最新的数据的位置。存储数据的数据库的空间看成一个圆，上面有很多刻度，每个刻度上可以存储一个数值，同时有一个从圆心指向最新存储值的指针。随着时间推移，指针会绕着圆心一直移动下去，当它指向下一个刻度后，就可以在那个位置上存储一个新的数值。在一段时间后，当所有的空间都存满了数据，就又从头开始存放。这样整个存储空间的大小就是一个固定的数值。
RRD术语
ds：Data Source (ds) providing input to the database.
定义数据源(Data Source)属性，包括数据源名称 ds-name，比如我们可以给监测内存使用率的数据源命名为memory-rate。dst：Data Source Type (dst).
数据源类型(Data Source Type)，常用的有以下4种数据源类型GAUGE、COUNTER、ABSOLUTE、DERIVE。pdp： Primary Data Point (pdp).
原始数据点，例如cpu的监控数据每分钟上报，每分钟上报的的数据为原始数据。cdp：Consolidated Data Point (cdp) is the long term storage format for data in the rrd database.
归档数据点，原始数据通过归档函数计算出的数据。rra：Round Robin Archive (rra). This is the place where the consolidated data points (cdp) get stored.
RRA (Round Robin Archive) 是用来定义RRD数据库归档模型cf：Consolidation Function (cf).
归档函数，表示{AVERAGE | MIN | MAX | LAST}中的一个归档函数。xff: xfiles factor.
xfiles 因子(factor)，表示超过多少比率的有效 PDP 才可以计算出 CDP，通常为0.5。
数据据源类型(Data Source Type)
- GAUGE
实测值，RRD将如实记录，比如温度变化曲线
| 时间 | 监控值 | 存储值 |
|---|---|---|
| 10:00 | 6℃ | 6℃ |
| 11:00 | 11℃ | 11℃ |
| 12:00 | 14℃ | 14℃ |
| 13:00 | 12℃ | 12℃ |
| 14:00 | 10℃ | 10℃ |
- COUNTER
计数值，这是一个只增不减的正整数。比如，汽车行驶里程，从汽车第一次上路开始，里程就从0开始不断增长。假设每隔30分钟监测一次汽车里程，当RRD收到COUNTER 类型的数据时，并不会像 GAUGE 类型那样直接存储，而是计算变化率：
| 时间 | 监控值 | 存储值 |
|---|---|---|
| 10:00 | 12100km | Unknown |
| 10:30 | 12121km | 6.11m/s |
| 11:00 | 12135km | 7.78m/s |
| 11:30 | 12160km | 13.89m/s |
计算原理： (12121km - 12100km) / (10:30 - 10:00) = 11000m / 1800s = 6.11m/s
RRD对于COUNTER 类型的数据源存储的是变化率，对于上述里程表而言就是行驶速度。
注：第一个存储值为 UNKNOWN，因为没有更早的数据，所以没有变化可言）
- ABSOLUTE
ABSOLUTE 类型存储的也是变化率，假设我们正在微信和好友聊天，每五分钟我们会看一下有没有新消息，如果有的话就立即处理，这样未读提醒就会变为0，然后下一个五分钟后继续看未读新消息数，会得到这样一个监测表：
| 时间 | 监控值 | 存储值 |
|---|---|---|
| 10:00 | 100条 | Unknown |
| 10:05 | 120条 | 0.4条/s |
| 10:10 | 300条 | 1条/s |
| 10:15 | 99条 | 0.33条/s |
计算原理：120条 / 300秒 = 0.4条/秒
- DERIVE
DERIVE类型存储的也是变化率，和 COUNTER 类型不同的是，监测值可以增长也可以下降，例如水库的水位监测：
| 时间 | 监控值 | 存储值 |
|---|---|---|
| 10:00 | 1000cm | Unknown |
| 10:10 | 1200cm | 0.33cm/s |
| 10:20 | 800cm | -0.67cm/s |
| 10:30 | 1000km | 0.33cm/s |
计算原理： (1200cm - 1000km) / (10:10 - 10:00) = 200cm / 600s = 0.33cm/s
归档模型
RRA:CF:xff:steps:rows
- 归档函数CF
假如每秒一个原始数据上报，如果我们把每小时监测的3600个原始数据点计算一个归档平均值的话。归档函数AVERAGE。
RRD提供的归档方法有4种，除了上述的计算平均值AVERAGE方法外，还有：
1 | 计算最大值 MAX(d1,d2,d3,...dn) = 最大的那个监测值 |
xfiles因子
xff默认值为0.5，即有大于50%的有效监测值就可以在这些有效值上计算出归档值，否则这段时间内的归档值记为 UNKNOWN。steps
表示多少个PDP计算出一个CDP。例如，在每秒获取一个监测值的实例中，steps = 60 表示每60个原始数据计算一个归档数据，即一分钟一个数据点。rows
表示多少个CDP组成一个RRA。例如，在每秒获取一个监测值的实例中，steps = 60，rows=60，即一小时数据组成一个RRA。
RRD文件结构
| 时间 | 监控值 | 存储值 |
|---|---|---|
| char cookie[4] | RRD\0 | RRD文件标志 |
| char version[5] | 0003\0 | RRD文件版本 |
| double float_cookie | 8.642135E130 | Magic number |
| unsigned long ds_cnt | 定义的DS个数 | |
| unsigned long rra_cnt | 定义的RRA个数 | |
| unsigned long pdp_step | pdp时间间隔 | |
| unival par[10] | 保留，未使用 | |
| char ds_nam[DS_NAM_SIZE] | DS的名称，DS_NAM_SIZE=20 | |
| char dst[DST_SIZE] | DS的类型 | |
| unival par[10] | DS的参数队列(heartbeat:min:max) | |
| DS参数cnt次 | ||
| char cf_nam[CF_NAM_SIZE] | CF的名称 | |
| unsigned long row_cnt | 存储记录的行数 | |
| unsigned long pdp_cnt | cf函数执行时，需要的pdp个数 | |
| unival par[MAX_RRA_PAR_EN] | RRA的参数队列 | |
| RRA参数cnt次 | ||
| time_t last_up | 最后一次更新的秒数部分 | |
| long last_up_usec | 最后一次跟新的微秒数部分 | |
| char last_ds[LAST_DS_LEN] | 最后一次更新后ds的值 | |
| unival scratch[10] | 最后一次更新后pdp的相关数值 | |
| DS参数cnt次 | ||
| Unival scratch[MAX_CDP_PAR_EN] | 最后一次更新后cdp的相关数值 | |
| DS参数cnt次*RRA参数cnt次 | ||
| unsigned long cur_row | 指向RRA当前的记录 | |
| RRA参数cnt次 |
RRDTool语法
Create语法：
1 | rrdtool create filename [–start|-b start time] [–step|-s step] \ |
Update语法：
1 | rrdtool update filename [timestamp:value timestamp:value timestamp:value] |