Google发布Zipkin与Stackdriver Trace的集成功能

简介:

Google云平台(Google Cloud Platform)发布了一个开源的Zipkin服务器,允许兼容Zipkin的客户端发送跟踪信息到Google自己的Stackdriver Trace分布式跟踪服务中,从而实现分析的功能。Zipkin/Stackdriver Trace集成的目标用户是某些开发人员,他们的应用和服务是使用Stackdriver Trace官方所不支持的语言或框架编写的,或者是某些应用的持有者,这些应用已经通过Zipkin实现了instrument功能,他们还希望访问Stackdriver Trace的高级分析工具。

Google的Stackdriver能够对云平台上的应用提供监控、日志以及诊断服务。尽管任何云平台捕获到的数据都可以发送到Stackdriver API上,但是Stackdriver的功能是与Google云平台(Google Cloud Platform,GCP)(GCP的客户可以免费使用它)中的很多服务高度集成的。Google Stackdriver中包含了多个工具,其中就包括Stackdriver Trace,这是一个分布式的跟踪服务,它是由最初的Google Dapper分布式跟踪系统演化而来。

将分布式(微服务)系统进行instrument操作之后,Stackdriver Trace就允许开发人员跟踪系统的请求流,分析应用的延迟并隔离性能瓶颈。Stackdriver Trace最初关注的是Google App Engine项目,但是现在支持运行在虚拟机或容器上的应用,这是通过为Node.js、Java和Go(很快就会支持Ruby和.Net)提供instrumentation库实现的,它还可以通过API来实现该功能。

另外一个流行的分布式跟踪系统是Zipkin,它最初是由Twitter创建的,灵感起源于Dapper的论文。这项成果在2012年开源,随后发展成为社区驱动的Open Zipkin项目。它反过来又推动了Open Tracing API的形成,这是一个由CNCF支持的项目。Zipkin提供了一系列的instrumentation库,这些库能够捕获应用的trace,另外还有一个后端系统用来存储trace并支持通过Web界面展现trace信息。目前,已经有针对Java、.Net、Node.js、Python、Ruby和Go的Zipkin客户端,还有与各种流行Web框架的内置集成。根据GCP博客的说法,Zipkin得到了广泛的应用,Twitter、Yelp和Salesforce是该项目的主要贡献者。

Google云平台的博客文章指出,这个新的Stackdriver Trace Zipkin连接器是已有Zipkin后端的替代方案,它会继续使用相同的兼容Zipkin的跟踪器,这样的话,就没有必要再去配置、管理或维护Zipkin后端了。另外,新的收集器能够与使用Zipkin跟踪器实现instrument功能的服务协同运行。

  目前的Stackdriver-Zipkin v0.2.0发布版本有几个已知的限制:

Zipkin跟踪器必须要支持正确的Zipkin时间和持续时长语义; Zipkin跟踪器和Stackdriver Trace instrumentation库不能向同一条trace记录上附加span,因为它们会对服务间传播的跟踪上下文采用不同的格式。这意味着某个库捕获的trace中不能包含其他类型的库instrument服务后所形成的span,也就是说,如何服务代码混合使用了Stackdriver Trace和Zipkin的instrument功能,那么跨越这些服务所形成的跟踪信息必须要在标准的Stackdriver报告系统之外进行集成; 最初的释放版本只支持对Zipkin服务器进行写操作,Google云平台的博客上指出,如果缺乏读取功能成为了一种阻碍的话,那么开发人员可以在GitHub上提交issue或pullrequest。
Google Stackdriver Trace Zipkin收集器的代码可以通过GoogleCloudPlatform GitHub仓库进行下载。配置以及从分布式跟踪器收集trace数据的指令可以在“组合使用Stackdriver Trace与Zipkin”指南中找到。

本文转自d1net(转载)

相关文章
|
1月前
|
传感器 监控 搜索推荐
智能服装:集成健康监测功能的纺织品——未来穿戴科技的新篇章
【10月更文挑战第7天】智能服装作为穿戴科技的重要分支,正以其独特的技术优势和广泛的应用前景,成为未来科技发展的亮点之一。它不仅改变了我们对服装的传统认知,更将健康监测、运动训练、医疗康复等功能融为一体,为我们的生活带来了更多的便利和可能。随着技术的不断进步和市场的日益成熟,我们有理由相信,智能服装将成为未来穿戴科技的新篇章,引领我们走向更加健康、智能、可持续的生活方式。
|
1月前
|
存储 数据可视化 Java
基于MicrometerTracing门面和Zipkin实现集成springcloud2023的服务追踪
Sleuth将会停止维护,Sleuth最新版本也只支持springboot2。作为替代可以使用MicrometerTracing在微服务中作为服务追踪的工具。
106 1
|
1月前
|
前端开发 JavaScript UED
探索Python Django中的WebSocket集成:为前后端分离应用添加实时通信功能
通过在Django项目中集成Channels和WebSocket,我们能够为前后端分离的应用添加实时通信功能,实现诸如在线聊天、实时数据更新等交互式场景。这不仅增强了应用的功能性,也提升了用户体验。随着实时Web应用的日益普及,掌握Django Channels和WebSocket的集成将为开发者开启新的可能性,推动Web应用的发展迈向更高层次的实时性和交互性。
78 1
|
3月前
|
资源调度 Java 调度
Spring Cloud Alibaba 集成分布式定时任务调度功能
定时任务在企业应用中至关重要,常用于异步数据处理、自动化运维等场景。在单体应用中,利用Java的`java.util.Timer`或Spring的`@Scheduled`即可轻松实现。然而,进入微服务架构后,任务可能因多节点并发执行而重复。Spring Cloud Alibaba为此发布了Scheduling模块,提供轻量级、高可用的分布式定时任务解决方案,支持防重复执行、分片运行等功能,并可通过`spring-cloud-starter-alibaba-schedulerx`快速集成。用户可选择基于阿里云SchedulerX托管服务或采用本地开源方案(如ShedLock)
128 1
|
25天前
|
JSON Java API
springboot集成ElasticSearch使用completion实现补全功能
springboot集成ElasticSearch使用completion实现补全功能
26 1
|
29天前
|
JSON Java 开发工具
Java服务端集成Google FCM推送的注意事项和实际经验
本文分享了作者在公司APP海外发布过程中,选择Google FCM进行消息推送的集成经验。文章详细解析了Java集成FCM推送的多种实现方式,包括HTTP请求和SDK集成,并指出了通知栏消息和透传消息的区别与应用场景。同时,作者还探讨了Firebase项目的创建、配置和服务端集成的注意事项,帮助读者解决文档混乱和选择困难的问题。
53 1
|
1月前
|
人工智能 JavaScript 网络安全
ToB项目身份认证AD集成(三完):利用ldap.js实现与windows AD对接实现用户搜索、认证、密码修改等功能 - 以及针对中文转义问题的补丁方法
本文详细介绍了如何使用 `ldapjs` 库在 Node.js 中实现与 Windows AD 的交互,包括用户搜索、身份验证、密码修改和重置等功能。通过创建 `LdapService` 类,提供了与 AD 服务器通信的完整解决方案,同时解决了中文字段在 LDAP 操作中被转义的问题。
|
1月前
|
存储 前端开发 Java
Spring Boot 集成 MinIO 与 KKFile 实现文件预览功能
本文详细介绍如何在Spring Boot项目中集成MinIO对象存储系统与KKFileView文件预览工具,实现文件上传及在线预览功能。首先搭建MinIO服务器,并在Spring Boot中配置MinIO SDK进行文件管理;接着通过KKFileView提供文件预览服务,最终实现文档管理系统的高效文件处理能力。
290 11
|
1月前
|
JSON Java 开发工具
Java服务端集成Google FCM推送的注意事项和实际经验
公司的app要上海外,涉及到推送功能,经过综合考虑,选择Google FCM进行消息推送。 查看一些集成博客和官方文档,看的似懂非懂,迷迷惑惑。本篇文章除了将我实际集成的经验分享出来,也会对看到的博客及其中产生的疑惑、注意事项一一评论。 从官方文档和众多博客中,你会发现Java集成FCM推送有多种实现方式,会让生产生文档很乱,不知作何选择的困惑。
89 0
|
2月前
|
机器学习/深度学习 人工智能 搜索推荐
如何让你的Uno Platform应用秒变AI大神?从零开始,轻松集成机器学习功能,让应用智能起来,用户惊呼太神奇!
【9月更文挑战第8天】随着技术的发展,人工智能与机器学习已融入日常生活,特别是在移动应用开发中。Uno Platform 是一个强大的框架,支持使用 C# 和 XAML 开发跨平台应用(涵盖 Windows、macOS、iOS、Android 和 Web)。本文探讨如何在 Uno Platform 中集成机器学习功能,通过示例代码展示从模型选择、训练到应用集成的全过程,并介绍如何利用 Onnx Runtime 等库实现在 Uno 平台上的模型运行,最终提升应用智能化水平和用户体验。
57 1
下一篇
无影云桌面