深入探讨分布式追踪

妖狐艹你老母 2024-03-27 14:59 93阅读 0赞

## 深入探讨分布式追踪 ##

*本文译自：[A Deep Dive Into Distributed Tracing][]*

#### 深入了解分布式跟踪的组件、为什么使用分布式跟踪、实现注意事项以及当今市场上流行的工具。 ####

顾名思义，分布式跟踪是一种跟踪流经分布式应用程序的请求的方法。与日志和指标一起，分布式跟踪构成了[可观测性的三大支柱][Link 1]。虽然这三个信号对于确定整个系统的运行状况都很重要，但分布式跟踪近年来出现了显着的增长和采用。

这是因为跟踪是一种强大的诊断工具，可以绘制请求在服务之间的传播方式，并发现边界上的问题。随着微服务数量的增加，观察请求的整个生命周期的复杂性也不可避免地增加。日志和指标当然可以帮助调试由单个服务引起的问题，但分布式跟踪将绑定来自所有服务的上下文信息并揭示潜在问题。

随着软件环境的不断发展，可观测性检测对任何企业来说都是一个持续的挑战。幸运的是，分布式跟踪为公司在不断发展的微服务生态系统中提供了运营所需的可见性。在本文中，我们将深入探讨分布式跟踪的组件、使用分布式跟踪的原因、实现分布式跟踪的注意事项，以及当今市场上流行工具的概述。

### 分布式跟踪的组件 ###

分布式跟踪分为以下组件：

*  **跨度** – 在观察请求时捕获的最小工作单元（例如，API 调用、数据库查询）
 *  **跟踪** – 一个或多个跨度的集合
 *  标签 – 与跨度关联的元数据（例如，```userId``resourceName```)

为了进行说明，让我们演练一个具有前端、简单 Web 服务器和数据库的系统的综合分布式跟踪方案。跟踪在发起请求时开始（例如，单击按钮、提交表单等）。这将创建一个具有唯一 ID 和顶级跨度的新跟踪。当请求传播到新服务时，将创建一个子跨度。在我们的示例中，当请求命中 Web 服务器以及对数据库进行查询时，就会发生这种情况。在每个步骤中，还会记录各种元数据并将其绑定到跨度以及顶级跟踪。

完成相应请求的所有工作后，所有跨度都将与关联的标记聚合以组合跟踪。这提供了跟踪请求生命周期的系统视图。此聚合数据通常以火焰图的形式呈现，其中包含随时间推移的嵌套跨度。

![痕迹的火焰图][c103e7a0c0741a956928486e5cfee9ae.png]

*图1：迹线火焰图*

以这种方式可视化跟踪有助于揭示性能瓶颈（即跟踪中的最长跨度），并绘制出与微服务的每次交互。

### 为什么使用分布式跟踪 ###

对于主要以整体方式运行的遗留应用程序，日志和指标通常足以实现可观测性。详细日志记录提供该服务的时间点快照，留下所有代码执行的记录。指标收集有关系统的统计信息，并公开该服务的一般运行状况。对于单片应用，将两者结合起来提供了必要的可见性。

但是，在微服务世界中，问题不仅可能发生在单个应用程序内部（日志和指标可以揭示），而且还可能发生在这些服务的边界上。若要响应事件或调试性能下降，请务必了解请求如何通过一个服务流向另一个服务。

考虑到这一点，分布式跟踪的好处包括：

*  **可视化服务关系** – 通过从火焰图中检查跟踪中的跨度，开发人员可以映射出所有服务调用及其请求流。这有助于描绘系统的整体情况，提供上下文数据以识别设计更改的瓶颈或后果。
 *  **更快地查明问题** – 当待命工程师从事件中寻呼时，跟踪可以快速发现问题，从而缩短平均检测时间 （MTTD） 和修复时间 （MTTR）。这是开发人员体验的一大胜利，同时保持了 SLA 承诺。
 *  **隔离特定请求** – 由于跟踪记录了请求的整个生命周期，因此此信息可用于隔离要调查的特定操作，例如用户行为或业务逻辑。

尽管有这些好处，但与日志记录和指标相比，分布式跟踪的采用数量相形见绌，因为分布式跟踪带来了相当多的挑战。首先，分布式跟踪仅对它接触的组件有用。某些跟踪工具或框架不支持自动注入或某些语言（尤其是前端组件）。这将导致丢失数据并增加拼凑细节的工作。此外，根据应用程序的不同，跟踪可以生成大量数据。处理规模和浮出重要信号可能是一个挑战。

### 实施注意事项 ###

为了最大限度地发挥分布式跟踪的好处，必须考虑几个因素：

*  **自动检测** – 大多数现代跟踪工具都支持自动注入跟踪功能，而无需对基础代码库进行重大修改。在某些情况下，某些语言或框架可能不完全受支持，但选择使用自动化工具，而不是浪费宝贵的开发人员时间。
 *  **可扩展的数据捕获** – 为了处理大量跟踪数据，一些工具选择缩减采样，这可能会导致数据丢失或无法代表。选择能够处理音量并智能地显示重要信号的工具。
 *  **集成** – 跟踪是可观测性堆栈的一部分。如果跟踪可以轻松地绑定到现有日志或指标以进行全面概述，则跟踪将更有用。目标应该是利用跟踪的力量以及其他信号来获得可操作的见解和主动解决方案，而不是仅收集数据进行追溯分析。

### 热门工具 ###

支持互联网规模分布式跟踪的原始基础设施可以归功于谷歌在2010年宣布的内部[工具Dapper][Dapper]。从那时起，市场上开源和企业级 SaaS 工具都在激增。

#### 开源工具 ####

分布式跟踪的开源生态系统相当成熟，许多项目都得到了大型科技公司的支持。下面列出的每个工具都支持大多数编程语言和灵活的部署选项：

*  [Zipkin][] – 由Twitter开源的最古老和流行的工具之一
 *  [Jaeger][] – 由 Uber 捐赠的云原生计算基金会 （CNCF） 项目，以 Dapper 和 Zipkin 的想法为基础
 *  [OpenTelemetry][] – 由 CNCF 开发的行业领先的可观测性框架，旨在标准化如何检测和导出遥测数据，包括跟踪

#### 商业工具 ####

如果需要企业级支持，来自超大规模和可观测性平台的商业工具也随时可用。选择商业工具的好处是更容易与现有工具和基础设施集成。例如，AWS和Google等超大规模企业提供了自己的追踪解决方案，如[AWS X-Ray][]和[Cloud Trace][]。

### 结论 ###

如果使用日志和指标正确实现分布式跟踪，则可以在显示请求在基于微服务的复杂系统中移动方式方面提供巨大的价值。跟踪可发现请求从一个服务跳转到另一个服务时的性能瓶颈和错误，从而绘制出应用程序的全局视图。随着服务数量的增加以及随之而来的复杂性，对于任何希望升级其可观测性平台的组织来说，一个好的分布式跟踪系统将成为必需品。

虽然实施跟踪需要一些规划，但随着越来越多的强大的开源和商业工具可用，组织现在可以轻松采用跟踪，而无需进行重大的工程检修。投资良好的分布式跟踪基础结构，以减少 MTTD/MTTR 并改善组织中的开发人员体验。

[A Deep Dive Into Distributed Tracing]: https://dzone.com/articles/a-deep-dive-into-distributed-tracing
[Link 1]: https://www.oreilly.com/library/view/distributed-systems-observability/9781492033431/ch04.html
[c103e7a0c0741a956928486e5cfee9ae.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/27/880541668b4a498da1976eaaf3c54237.png
[Dapper]: https://research.google/pubs/pub36356/
[Zipkin]: https://zipkin.io/
[Jaeger]: https://www.jaegertracing.io/
[OpenTelemetry]: https://opentelemetry.io/
[AWS X-Ray]: https://aws.amazon.com/xray/
[Cloud Trace]: https://cloud.google.com/trace/