11、可观测性工具选择与分布式追踪全解析

可观测性工具选择与分布式追踪全解析

1. 工具选择原则

在可观测性工具的选择上，追踪（Tracing）和日志（Logging）、指标（Metrics）各有优势。只要有可能，追踪通常比日志更可取，因为它能包含相同的信息，并且具有更丰富的上下文。当追踪和指标的功能重叠时，应优先使用指标，因为首要任务是了解系统何时不可用，后续再添加额外的遥测数据以帮助解决问题。添加追踪时，可从存在定时指标检测的地方开始，因为使用相同标签的超集进行追踪可能也很有价值。

2. 分布式追踪的组成

一个完整的分布式追踪是由多个单独的跨度（Spans）组成的集合，这些跨度包含了在满足最终用户请求时每个接触点的性能信息。这些跨度可以组装成一个“冰柱”图，展示每个服务所花费的相对时间。

跨度包含一个名称和一组键值标签对，这与指标检测类似。许多指标命名的原则同样适用于分布式追踪。例如，如果一个追踪跨度名为 http.server.requests ，那么标签可能会标识区域（从公共云的角度）、API 端点、HTTP 方法、响应状态码等。保持指标和追踪命名的一致性是实现遥测数据关联的关键。

与指标不同的是，Zipkin 跨度数据模型包含服务名称的特殊字段（用于 Zipkin 依赖关系视图，显示服务图），这相当于用应用程序名称标记指标，但大多数指标后端不会为这个概念预留标签名称。跨度名称也是 Zipkin 数据模型中的一个定义字段，两者都被索引以便查找，因此应避免跨度和服务名称的无界值集基数。

在存储方面，指标按唯一 ID（名称和键/值标签的组合）逻辑存储在行中，额外的测量值作为样本存储在现有行中，其成本是 ID 总数和每个 ID