罗罗编程学习记录
本页内容 展开查看

08.8.3 链路追踪(Jaeger/SkyWalking、Trace 贯通)

所属:全栈开发面试题库 / 08 云原生与 DevOps / 08.8 可观测性栈

覆盖范围

  • Trace 与 Span 模型
  • traceId/spanId 透传(W3C TraceContext)
  • Jaeger、SkyWalking、Zipkin 对比
  • 采样策略
  • Trace 与日志、指标关联

高频题速览

编号 题目 难度 频率
08.8.3-001 Trace 与 Span 是什么? 基础 ★★★★★
08.8.3-002 traceId 如何跨服务透传? 进阶 ★★★★★
08.8.3-003 Jaeger 与 SkyWalking 怎么选? 进阶 ★★★
08.8.3-004 什么是采样?为什么要采样? 进阶 ★★★★
08.8.3-005 W3C TraceContext 是什么? 进阶 ★★★★
08.8.3-006 Trace 如何与日志、指标关联? 进阶 ★★★★
08.8.3-007 全链路追踪要改代码吗? 基础 ★★★★
08.8.3-008 Jaeger 架构是怎样的? 进阶 ★★★
08.8.3-009 采样策略有哪些? 进阶 ★★★
08.8.3-010 Trace 数据存储成本? 基础 ★★★

08.8.3-001 Trace 与 Span 是什么?

一句话结论

Trace 是一次请求的完整调用链(一棵树),Span 是链路上的一次操作(如 HTTP 调用、DB 查询),每个 Span 有 traceId、spanId、parentSpanId。

概念解释

  • traceId:整条链的唯一 ID。
  • spanId:单次操作 ID。
  • parentSpanId:父 Span,串成树。
  • Span 内容:操作名、开始时间、时长、标签(http.status、db.statement)。

原理流程

  1. 请求进入网关,生成 traceId 与 root span。
  2. 网关调下游服务,下游生成 child span,parent 指向 root。
  3. 下游再调 DB,生成 DB span。
  4. 所有 span 上报到 Jaeger,拼成完整 trace。

代码 / 示例

Trace: abc123
  Span A (gateway, 100ms)
    Span B (api, 80ms)
      Span C (db query, 50ms)
    Span D (auth, 20ms)

常见误区

  • 误区:Trace 是一条直线;正解:Trace 是树,有分支(并行调用)。
  • 误区:Span 就是一次 RPC;正解:Span 是任意操作,包括 DB 查询、消息队列、缓存。

追问

  • Q:Span 的标签? A:http.method、http.status_code、db.statement、peer.service。
  • Q:Span 时长? A:从 start 到 end 的持续时间,用于找慢操作。

08.8.3-002 traceId 如何跨服务透传?

一句话结论

traceId 通过 HTTP header(W3C traceparent)或 gRPC metadata 透传,下游服务从 header 读 traceId 并生成 child span,串成完整链。

概念解释

  • W3C TraceContext:标准 header traceparent: 00-{traceId}-{spanId}-{flags}。
  • B3:Zipkin 早期格式(X-B3-TraceId)。
  • gRPC:metadata 里传 traceId。

原理流程

  1. 网关生成 traceId,在 HTTP header 加 traceparent。
  2. 下游服务读 header,拿到 traceId 与 parentSpanId。
  3. 生成 child span,parent = parentSpanId。
  4. 继续透传 header。

代码 / 示例

GET /api HTTP/1.1
traceparent: 00-0af7651916cd43dd8448eb211c80319c-b7ad6b7169203331-01

常见误区

  • 误区:traceId 自动透传;正解:应用代码(或 SDK)必须把 traceId 加到下游请求 header,否则断链。
  • 误区:B3 与 W3C 一样;正解:B3 是 Zipkin 早期多 header 格式,W3C 是标准单 header,两者可互相转换。

追问

  • Q:如何避免断链? A:用 OpenTelemetry SDK,自动 instrument HTTP/gRPC client,自动透传。
  • Q:消息队列怎么透传? A:把 traceId 写到消息 header/属性,消费端读。

08.8.3-003 Jaeger 与 SkyWalking 怎么选?

一句话结论

Jaeger 是 CNCF 分布式追踪系统,OpenTelemetry 生态,语言无关;SkyWalking 国产、字节码增强(Java/.NET 无侵入)、自带 APM 告警与拓扑图。

概念解释

  • Jaeger:Uber 开源,CNCF,OpenTelemetry SDK 上报,UI 简洁。
  • SkyWalking:Apache 项目,Java agent 字节码增强,零代码侵入,自带拓扑图、指标、告警。
  • Zipkin:Twitter 开源,更早,功能简单。

原理流程

  1. Jaeger:应用用 OTel SDK 上报 span 到 Jaeger Collector。
  2. SkyWalking:Java agent attach,字节码拦截,自动上报。

代码 / 示例

Jaeger:OTel SDK -> Jaeger Collector -> ES
SkyWalking:Java Agent -> OAP -> ES

常见误区

  • 误区:SkyWalking 只支持 Java;正解:SkyWalking 支持 Java/.PHP/Node/Go,Java 生态最强。
  • 误区:Jaeger 需要改代码;正解:Jaeger 接 OTel SDK,OTel 提供自动 instrumentation,改代码少。

追问

  • Q:如何选? A:Java 多团队、要无侵入选 SkyWalking;多语言、云原生、OTel 生态选 Jaeger。
  • Q:SkyWalking 的 OAP 是什么? A:SkyWalking 分析后端,接收 span、生成拓扑、指标、告警。

08.8.3-004 什么是采样?为什么要采样?

一句话结论

采样是只上报一部分 trace,因为全量 trace 数据量大、存储成本高;常见策略:头采样(决定是否采样)与尾采样(按错误/慢请求补采)。

概念解释

  • 头采样:请求开始时决定是否采样(如 1%)。
  • 尾采样:所有请求先采样到内存,结束后按规则(错误、慢)决定保留。
  • 采样率:1%、10%,按流量调整。

原理流程

  1. 头采样:网关决定 1% 采样,写 sampled flag。
  2. 所有下游按 flag 决定是否上报。
  3. 尾采样: collector 先缓存,按规则选。

代码 / 示例

头采样:1% 全量 trace
尾采样:所有错误 trace + 1% 正常 trace

常见误区

  • 误区:采样率越高越好;正解:全量 trace 存储成本高,采样率按预算定。
  • 误区:采样会丢错误;正解:尾采样保证错误 trace 必采,头采样可能漏错误,用尾采样补。

追问

  • Q:OpenTelemetry 采样? A:OTel 支持头采样(TraceIdRatioBased)与尾采样(在 collector 端)。
  • Q:采样如何保证代表性? A:错误、慢请求全采,正常请求按比例采。

08.8.3-005 W3C TraceContext 是什么?

一句话结论

W3C TraceContext 是追踪上下文标准,定义 traceparent 与 tracestate 两个 HTTP header,统一跨厂商跨语言的 traceId 透传格式。

概念解释

  • traceparent:00-{traceId}-{spanId}-{flags}。
  • tracestate:厂商自定义键值(如 b3、ot)。
  • flags:sampled(01 表示采样)。

原理流程

  1. 上游生成 traceId/spanId,写 traceparent header。
  2. 下游读 traceparent,提取 traceId 与 parentSpanId。
  3. 生成 child span。

代码 / 示例

traceparent: 00-4bf92f3577b34da6a3ce929d0e0e4736-00f067aa0ba902b7-01
tracestate: ro=48;vm=2

常见误区

  • 误区:W3C TraceContext 替代 B3;正解:W3C 是新标准,B3 仍广泛使用,OTel 支持两者互转。
  • 误区:traceparent 只传 traceId;正解:traceparent 传 traceId + spanId + flags,下游要知道 parentSpanId。

追问

  • Q:为什么要标准? A:跨厂商(Jaeger/Zipkin/SkyWalking)与跨语言互通,避免私有格式断链。
  • Q:flags 有哪些? A:01 sampled,其他保留。

08.8.3-006 Trace 如何与日志、指标关联?

一句话结论

Trace 里的 traceId 与日志里的 traceId 一致,指标(如服务延迟)按 trace 聚合;在 UI 里从 trace 跳到日志,从日志跳到 trace。

概念解释

  • traceId:贯穿 trace 与日志。
  • 指标:服务级延迟、错误率,按 service 聚合。
  • 关联:trace 看单次慢请求,日志看上下文,指标看趋势。

原理流程

  1. Trace 里有 traceId 与 latency。
  2. 日志里按 traceId 查。
  3. 指标里看该服务 P99 趋势。

代码 / 示例

Grafana:
  指标图:api P99 延迟升高
  -> 点某个慢点
  -> Trace 图:看到 db query 慢
  -> 点 traceId
  -> 日志:看到 db timeout 报错

常见误区

  • 误区:Trace 替代日志;正解:Trace 看链路时长,日志看具体错误,指标看趋势,三者互补。
  • 误区:Trace 里能看错误信息;正解:Trace 里只能看 span 标签,详细错误在日志里。

追问

  • Q:如何关联? A:日志里打 traceId(OTel 自动注入),UI 里 traceId 互相跳。
  • Q:三个支柱分工? A:指标(趋势告警)、日志(详细错误)、Trace(链路定位)。

08.8.3-007 全链路追踪要改代码吗?

一句话结论

不需要大量改代码:OpenTelemetry 提供自动 instrumentation(HTTP/gRPC/DB client 库自动拦截),应用只需引入 SDK,少量埋点加业务标签。

概念解释

  • 自动 instrumentation:拦截 HTTP client、DB client、消息队列,自动生成 span。
  • 手动埋点:加业务标签(orderId、userId)。
  • Java:agent attach 零代码。

原理流程

  1. 引入 OTel SDK。
  2. SDK 自动 instrument HTTP 库,生成 span。
  3. 应用代码可选加 span.SetAttribute("orderId", "123")。
  4. 上报 collector。

代码 / 示例

import "go.opentelemetry.io"

// 自动:HTTP client 自动生成 span
// 手动:
ctx, span := tracer.Start(ctx, "CreateOrder")
defer span.End()
span.SetAttributes(attribute.String("orderId", "123"))

常见误区

  • 误区:全链路追踪要改大量代码;正解:OTel 自动 instrument,改代码很少。
  • 误区:Java agent 影响性能;正解:agent 字节码增强有少量开销,但远小于手动埋点成本。

追问

  • Q:如何选 instrumentation? A:OTel 提供各语言库(gin、gorm、net/http、grpc),引入即可。
  • Q:业务埋点怎么做? A:在关键业务操作(下单、支付)加 span 与标签。

08.8.3-008 Jaeger 架构是怎样的?

一句话结论

Jaeger 分 Agent(节点 sidecar,接收 SDK)、Collector(处理、存储)、Query(UI 查询)、Storage(ES/Cassandra);现代架构用 OTel Collector 替代 Agent。

概念解释

  • Agent:节点 sidecar,接收 SDK UDP span。
  • Collector:接收、处理、存存储。
  • Query:UI 查询 API。
  • Storage:Elasticsearch/Cassandra/OpenSearch。

原理流程

  1. SDK 发 span 到 Agent(UDP)。
  2. Agent 转发到 Collector。
  3. Collector 处理(采样、加标签)存 ES。
  4. Query 从 ES 查,UI 展示。

代码 / 示例

App -> Jaeger Agent (UDP) -> Collector -> ES
                              ^
UI -> Query -> ES

常见误区

  • 误区:Jaeger Agent 必须部署;正解:现代架构 SDK 直接发 OTLP 到 Collector,Agent 可选。
  • 误区:Jaeger 用 MySQL;正解:Jaeger 主要用 ES/Cassandra/OpenSearch,MySQL 不推荐生产。

追问

  • Q:Jaeger 与 OTel Collector 关系? A:Jaeger 原生 collector 支持 OTLP,现代用 OTel Collector 做采样、处理,再发 Jaeger。
  • Q:Jaeger 存储成本? A:ES 存储贵,可用 Cassandra 或 Grafana Tempo。

08.8.3-009 采样策略有哪些?

一句话结论

常见采样:固定比例(1%)、头采样(按 traceId hash)、尾采样(错误/慢请求全采)、自适应采样(按流量动态调整)。

概念解释

  • 固定比例:所有 trace 按 1% 采样。
  • 头采样:网关决定,下游跟随。
  • 尾采样:collector 缓存,按错误/慢采。
  • 自适应:流量大时降采样率,流量小时升采样率。

原理流程

  1. 头采样:网关 hash traceId,1% 采样。
  2. 尾采样:collector 缓存所有 span,请求结束后按规则保留。
  3. 自适应:按 QPS 动态调采样率。

代码 / 示例

尾采样规则:
  - 错误 trace 全采
  - 延迟 > 1s 的 trace 全采
  - 其他按 1% 采样

常见误区

  • 误区:头采样能保证错误 trace 采到;正解:头采样在请求开始时决定,错误 trace 可能没采;尾采样保证错误全采。
  • 误区:采样率固定;正解:生产用自适应,按流量与成本调。

追问

  • Q:OpenTelemetry Collector 尾采样? A:OTel Collector 支持 tail_sampling processor,按错误、状态码、延迟规则采样。
  • Q:采样如何配置? A:SDK 端配头采样,Collector 配尾采样,两层配合。

08.8.3-010 Trace 数据存储成本?

一句话结论

Trace 数据量大(每次请求多个 span),存储成本高;优化:采样(1-10%)、短保留(7-30 天)、列存(Tempo)、压缩。

概念解释

  • 数据量:每请求 N 个 span,每 span ~1KB。
  • 保留:7-30 天,不长期存。
  • 存储:ES 重,Tempo(Grafana)列存便宜。

原理流程

  1. 采样后只保留部分 trace。
  2. 短期存 SSD(7 天)。
  3. 超期删除。

代码 / 示例

流量:1000 QPS
采样:1%
每请求 5 span * 1KB = 5KB
每天:1000 * 0.01 * 5 * 86400 = 43GB

常见误区

  • 误区:Trace 要长期存;正解:Trace 用于排障,短期保留即可,不长期合规存。
  • 误区:ES 存 Trace 便宜;正解:ES 重,Tempo 列存更便宜。

追问

  • Q:Grafana Tempo 是什么? A:Grafana 的分布式追踪后端,用列存,成本低,与 Loki/Prometheus 集成。
  • Q:Trace 与日志成本对比? A:Trace 比日志贵 10 倍,采样率要更低。

待整理清单

  • [ ] OpenTelemetry Collector 采样与处理
  • [ ] Grafana Tempo 架构
  • [ ] 自定义 span 与业务埋点
  • [ ] Trace 与 Service Mesh(Istio 自动追踪)