搜狐技术产品

导 读

分布式追踪系列文章来了！

本周推送为该系列的上篇，主要介绍了分布式追踪系统的原理、“可观察性” 的三大支柱、OpenTracing标准，同时对当前主流的开源分布式追踪系统进行简单对比。

图片来源: Dapper, a Large-Scale Distributed

 Systems Tracing Infrastructure

随着应用容器化和微服务的兴起，借由 Docker 和 Kubernetes 等工具，服务的快速开发和部署成为可能，构建微服务应用变得越来越简单。但是随着大型单体应用拆分为微服务，服务之间的依赖和调用变得极为复杂，这些服务可能是不同团队开发的，可能基于不同的语言，微服务之间可能是利用 RPC、 RESTful API，也可能是通过消息队列实现调用或通讯。如何理清服务依赖调用关系、如何在这样的环境下快速 debug、追踪服务处理耗时、查找服务性能瓶颈、合理对服务的容量评估都变成一个棘手的事情。

可观察性

(Observability)

及其三大支柱

为了应对这些问题，可观察性( Observability) 这个概念被引入软件领域。传统的监控和报警主要关注系统的异常情况和失败因素，可观察性更关注的是从系统自身出发，去展现系统的运行状况，更像是一种对系统的自我审视。一个可观察的系统中更关注应用本身的状态，而不是所处的机器或者网络这样的间接证据。我们希望直接得到应用当前的吞吐和延迟信息，为了达到这个目的，我们就需要合理主动暴露更多应用运行信息。在当前的应用开发环境下，面对复杂系统我们的关注将逐渐由点到点线面体的结合，这能让我们更好的理解系统，不仅知道What，更能回答Why。

可观察性目前主要包含以下三大支柱：

  • 日志( Logging): Logging 主要记录一些离散的事件，应用往往通过将定义好格式的日志信息输出到文件，然后用日志收集程序收集起来用于分析和聚合。目前已经有 ELK 这样的成熟方案, 相比之下日志记录的信息最为全面和丰富，占用的存储资源正常情况下也最多，虽然可以用时间将所有日志点事件串联起来，但是却很难展示完整的调用关系路径；

  • 度量( Metrics) Metric 往往是一些聚合的信息，相比 Logging 丧失了一些具体信息，但是占用的空间要比完整日志小的多，可以用于监控和报警，在这方面 Prometheus 已经基本上成为了事实上的标准；

  • 分布式追踪( Tracing) Tracing 介于 Logging 和 Metric 之间， 以请求的维度，串联服务间的调用关系并记录调用耗时，即保留了必要的信息，又将分散的日志事件通过 Span 串联， 帮助我们更好的理解系统的行为、辅助调试和排查性能问题，也是本文接下来介绍的重点。

Logging， Metrics 和 Tracing 既各自有其专注的部分，也有相互重叠的部分。

图片来源：Metrics, tracing, and logging

近年来 Metric 和 Tracing 有融合的趋势，现在很多流行的 APM (应用性能管理)系统，如 Datadog 就融合了 Tracing 和 Metric 信息。

就在写这篇文章的同时，在 KubeCon 2019``CNCF 宣布 OpenTracing 和 Google 发起的的 OpenCensus 项目合并。目前新项目仍在建设中，不过已经承诺了对现有 OpenTracing 协议提供兼容。

下面是 CNCF 总结的当前流行的实现可观察性系统的常见软件或服务， Monitoring 栏中以 Prometheus 为代表，本身可以实现 Metric 的收集监控，不过结合图中其他工具可以实现更加强大和完善的监控方案：

图片来源: CNCF Cloud Native Landscape

分布式追踪系统

**(Tracing)** 定位及其标准

Tracing的功能定位

  • 故障定位——可以看到请求的完整路径，相比离散的日志，更方便定位问题(由于真实线上环境会设置采样率，可以利用debug开关实现对特定请求的全采样)；

  • 依赖梳理——基于调用关系生成服务依赖图；

  • 性能分析和优化——可以方便的记录统计系统链路上不同处理单元的耗时占用和占比；

  • 容量规划与评估；

  • 配合 Logging 和 Metric 强化监控和报警。

最早由于Google的论文《Dapper, a Large-Scale Distributed Systems Tracing Infrastructure》，让 Tracing 流行起来。而Twitter基于这篇论文开发了 Zipkin 并开源了这个项目。再之后业界百花齐放，诞生了一大批开源和商业 Tracing 系统。

OpenTracing 标准

由于近年来各种链路监控产品层出不穷，当前市面上主流的工具既有像 Datadog 这样的一揽子商业监控方案，也有 AWS X-Ray 和 Google Stackdriver Trace 这样的云厂商产品，还有像 Zipkin、 Jaeger 这样的开源产品。

云原生基金会( CNCF) 推出了 OpenTracing 标准，推进 Tracing 协议和工具的标准化，统一 Trace 数据结构和格式。 OpenTracing 通过提供平台无关、厂商无关的 API，使得开发人员能够方便的添加（或更换）追踪系统的实现。比如从 Zipkin 替换成 Jaeger/ Skywalking 等后端。

在 OpenTracing 中，主要定义以下基本概念：

  • Trace(调用链): OpenTracing中的Trace（调用链）通过归属于此调用链的Span来隐性的定义。一条Trace（调用链）可以被认为是一个由多个Span组成的有向无环图（DAG图）， Span与Span的关系被命名为References；

  • Span(跨度)：可以被翻译为跨度，可以被理解为一次方法调用，一个程序块的调用，或者一次RPC/数据库访问，只要是一个具有完整时间周期的程序访问，都可以被认为是一个span。

单个 Trace 中， Span 间的因果关系：

 1      [Span A]  ←←←(the root span)
 2            |
 3     +------+------+
 4     |             |
 5 [Span B]      [Span C] ←←←(Span C 是 Span A 的孩子节点, ChildOf)
 6     |             |
 7 [Span D]      +---+-------+
 8               |           |
 9           [Span E]    [Span F] >>> [Span G] >>> [Span H]
10                                       ↑
11                                       ↑
12                                       ↑
13                         (Span G 在 Span F 后被调用, FollowsFrom)

每个 Span 包含的操作名称、开始和结束时间、附加额外信息的 Span Tag、可用于记录 Span 内特殊事件 Span Log、用于传递 Span 上下文的 SpanContext 和定义 Span 之间关系的 References。

关于 SpanContext

SpanContext 是 OpenTracing 中非常重要的概念，在创建 Span、向传输协议 Inject（注入）和从传输协议中 Extract（提取）调用链信息时， SpanContext 发挥着重要作用。

图片来源: Jaeger Architecture

SpanContext 数据结构如下：

1SpanContext:
2- trace_id: "abc123"
3- span_id: "xyz789"
4- Baggage Items:
5  - special_id: "vsid1738"

  • trace_id 和 span_id 区分 Trace 中的 Span；

  • Baggage Items 和 Span Tag 结构相同，唯一的区别是： Span Tag 只在当前 Span 中存在，并不在整个 trace 中传递，而 Baggage Items 会随调用链传递。

在跨界(跨服务或者协议）传输过程中实现调用关系的传递和关联，需要能够将 SpanContext 向下游介质注入，并在下游传输介质中提取 `SpanContex