167 lines
5.4 KiB
Markdown
167 lines
5.4 KiB
Markdown
---
|
||
tags: [microservice, tracing, opentelemetry, context-propagation]
|
||
create time: 2026-05-05
|
||
---
|
||
|
||
# 链路追踪
|
||
|
||
## 概述
|
||
|
||
Tracing 回答的问题是：**请求在哪一步慢了 / 失败了？**——通过完整的调用链定位瓶颈和故障。
|
||
|
||
一次请求在多个服务中的完整调用路径：
|
||
|
||
```mermaid
|
||
flowchart LR
|
||
RID["Request<br/>trace_id: abc-123"]
|
||
|
||
subgraph SPANS["调用链 (Trace)"]
|
||
direction TB
|
||
S1["Span #1<br/>API Gateway<br/>5ms"]
|
||
S2["Span #2<br/>Order Service<br/>70ms"]
|
||
S3["Span #3<br/>Payment RPC<br/>160ms"]
|
||
S4["Span #4<br/>Inventory RPC<br/>70ms"]
|
||
|
||
S1 --> S2 --> S3
|
||
S2 --> S4
|
||
end
|
||
|
||
RID --> S1
|
||
style S3 fill:#ff9999
|
||
|
||
note["Span #3 耗时最长 → Payment 是瓶颈"]
|
||
S3 -.-> note
|
||
```
|
||
|
||
## Trace/Span 核心概念
|
||
|
||
| 概念 | 说明 |
|
||
|------|------|
|
||
| **Trace** | 一次请求的完整调用链，全局唯一 `trace_id` |
|
||
| **Span** | 调用链中的一个执行单元，有独立的 `span_id` |
|
||
| **Parent-Child** | Span 树状结构，子 Span 继承父 Span 的 trace_id |
|
||
| **Tags / Attributes** | 键值对标注（HTTP method、status code） |
|
||
| **Logs** | Span 级别的时间戳事件（如 "DB query started"） |
|
||
| **Sampling** | 按比例采样，降低存储开销 |
|
||
|
||
### OpenTelemetry W3C Trace Context 标准
|
||
|
||
```json
|
||
// HTTP Header
|
||
{
|
||
"traceparent": "00-{trace_id}-{span_id}-01",
|
||
"tracestate": "vendor=value"
|
||
}
|
||
```
|
||
|
||
格式解析：`version(2字节) - trace_id(32字节) - span_id(16字节) - flags(2字节)`
|
||
|
||
```
|
||
示例: 00-4bf92f3577b34da6a3ce929d0e0e4736-00f067aa0ba902b7-01
|
||
│ └─── trace_id ───┘ └─ span_id ─┘ └flags─┘
|
||
```
|
||
|
||
## 上下文传播详解
|
||
|
||
`trace_id` 必须从上游传递到下游。不同通信场景有不同的传播方式：
|
||
|
||
### HTTP 传播
|
||
|
||
```go
|
||
func Middleware(next http.Handler) http.Handler {
|
||
return http.HandlerFunc(func(w http.ResponseWriter, r *http.Request) {
|
||
// 1. 提取入站 trace context
|
||
ctx := propagator.Extract(r.Context(), headerReader{r.Header})
|
||
|
||
// 2. 创建新的 Span
|
||
ctx, span := tracer.Start(ctx, "handleRequest")
|
||
defer span.End()
|
||
|
||
// 3. 将 trace context 注入出站请求
|
||
r = r.WithContext(ctx)
|
||
propagator.Inject(ctx, headerWriter{r.Header})
|
||
|
||
next.ServeHTTP(w, r)
|
||
})
|
||
}
|
||
```
|
||
|
||
### MQ 消息头传播
|
||
|
||
```go
|
||
// 生产者 - 手动注入 trace context
|
||
msg.Properties.Set("trace_id", extractTraceID(ctx))
|
||
msg.Properties.Set("span_id", extractSpanID(ctx))
|
||
|
||
// 消费者 - 恢复 trace context
|
||
traceID := msg.Properties.Get("trace_id")
|
||
span, _ := tracer.Start(traceContext, "consumeMessage",
|
||
trace.WithAttributes(attribute.String("mq.message.id", traceID)))
|
||
```
|
||
|
||
## 采样策略
|
||
|
||
```mermaid
|
||
flowchart TD
|
||
AllReq["全部请求"] --> Sampler{"采样决策"}
|
||
|
||
Sampler -->|"100%"| Core["核心链路全量采集"]
|
||
Sampler -->|"5~10%"| Normal["普通路径随机采样"]
|
||
Sampler -->|"100%"| Error["错误链路优先保留"]
|
||
Sampler -->|"0%"| Health["健康检查/内部心跳"]
|
||
|
||
Core --> Storage["Trace 存储"]
|
||
Normal --> Storage
|
||
Error --> Storage
|
||
Health --> Drop["丢弃"]
|
||
```
|
||
|
||
| 环境 | 采样率 | 说明 |
|
||
|------|--------|------|
|
||
| 开发 / 测试 | 100% | 方便调试，无存储压力 |
|
||
| 生产 - 核心链路 | 100% | 下单、支付等关键路径 |
|
||
| 生产 - 普通路径 | 5~10% | 平衡成本和覆盖率 |
|
||
| 生产 - 错误链路 | 100% | 出错时优先保留 |
|
||
|
||
> [!tip] 基于错误的智能采样
|
||
>
|
||
> 高级做法：**正常路径低采样，一旦检测到 HTTP 5xx 或 DB 超时，立即提升当前请求的采样率**。这样既省了存储，又能在出问题时有足够的数据回溯。
|
||
|
||
## 主流方案对比
|
||
|
||
| 方案 | 存储后端 | 侵入程度 | 中文支持 | 推荐理由 |
|
||
|------|---------|---------|---------|---------|
|
||
| **OpenTelemetry** | 任意 Jaeger/Prometheus/Loki | SDK + Auto-instrumentation | 良好 | CNCF 行业标准，未来趋势 |
|
||
| **Jaeger** | Cassandra / Elasticsearch | Agent / SDK | 社区支持 | Uber 开源，UI 优秀 |
|
||
| **SkyWalking** | MySQL / ES | 零侵入 Agent | ⭐ 完善 | 国产首选，开箱即用 |
|
||
|
||
## 渐进式落地路线
|
||
|
||
> [!tip] 不要试图一步到位——先从 Tracing 开始，ROI 最高。
|
||
>
|
||
> 1. **第一步**：接入 Tracing（OpenTelemetry），覆盖核心链路（下单、支付），rate=100%
|
||
> 2. **第二步**：加 Metrics（Prometheus + Grafana），建立基础监控面板
|
||
> 3. **第三步**：集中 Logging（Loki / ELK），日志携带 trace_id 与 Tracing 关联
|
||
> 4. **第四步**：全量上 OpenTelemetry Collector，统一管理三件套
|
||
|
||
## 性能影响评估
|
||
|
||
| 指标 | 预期影响 |
|
||
|------|---------|
|
||
| CPU 增加 | < 3%（异步批量上报） |
|
||
| 内存增加 | ~10MB（Span buffer） |
|
||
| 网络带宽 | 每条 Trace 约 2~5KB（取决于 Span 数量） |
|
||
| 延迟增加 | < 0.1ms（SDK 内处理不阻塞业务） |
|
||
|
||
> [!note] 关键实践
|
||
> - 使用 **BatchProcessor** 异步上报，不阻塞业务线程
|
||
> - Span 不要嵌套过深，一个 HTTP 调用或 DB 查询对应一个 Span
|
||
> - 给 Span 设置丰富的 Attributes，方便查询和过滤
|
||
> - 错误 Span 标记 `isError=true`，便于快速定位问题链路
|
||
|
||
## 关联笔记
|
||
|
||
- [[04-可观测性/01-Metrics监控]] — Tracing 与 Metrics 互补
|
||
- [[04-可观测性/02-日志系统]] — trace_id 串联日志和追踪
|
||
- [[04-可观测性/04-告警管理]] — 基于 Trace 数据的异常检测告警
|