为什么需要Trace

在现代IT系统，尤其是云原生、微服务系统中，一次外部请求往往需要内部多个服务、多个中间件、多台机器的相互调用才能完成。在这一系列的调用中，任意阶段出现的问题都可能导致外部服务失败或延迟升高，最终影响用户体验。在这种情况下，若想要精确分析并定位具体服务、模块、机器，你需要知道服务调用的关系是怎样的，错误是怎么传播过来的，具体是哪块的延迟比较大...这些Trace全部都可以告诉你。

Trace是什么

分布式链路追踪（Distributed Tracing，简称Trace）又名全链路数据追踪，为业务系统提供了整个服务调用链路的调用关系、延迟、结果等信息。相比访问日志这种记录顺时请求结果的数据，Trace则把内部的各种请求连接起来，组成一个服务调用的关系图，让你能轻松知道服务是怎么发起的、怎么流转处理的。

冰山一角：一个典型的Trace表示

上述是一个非常简单的程序，用户访问网站的时候自动给他们展示用户所在地的天气情况，这就需要调用两个外部的服务。整个交互过程如上午的1、2所示。：首先获取远端的IP地址，调用IP服务获取IP对应的地域信息；获取到地域信息后，调用天气服务查询对应地点的天气，最后返回给用户。

这个典型的调用也可以理解为一个Transaction，也就是端到端的请求->返回的过程，对于用户来说，就是一个简单的页面/接口请求，内部经历的每个请求->返回的记录就是Trace。图3是一个典型的Trace调用展示，从这个图中，可以看到请求整体的耗时、调用的接口、每个接口的耗时等信息。通过这种图形化的方式，就可以很容易的找到是哪个请求耗费了太多的时间，或者那个请求出现了错误。而图4是通过Trace信息还原出的DAG图，能够反映出系统中服务的依赖路径，能够更加清晰的了解系统。

上述就是一个最简单的Trace表示，也是Trace最开始的状态，能够表示一个请求具体的调用路径以及调用的详细信息，具备一定的可视化能力来辅助查看。当然Trace的能力还不仅仅于此，下面我们会详细展开真正友好的Trace方案所需具备的各项能力。

1. Trace标准化-OpenTelemetry

而无论图3还是4都是依赖Trace的“父子关系”来构造出来，而这个关系主要有Trace的组成Span而来（Trace Span的概念最早来自于Google的Dapper）。

• Trace记录了整个请求的生命周期，本身由一组Span组成，Span代表其中的一条调用链
• Span具有“父子关系”，这个父子关系由SpanID和ParentSpanID组成
• 当调用传播到下一层时，原来的SpanID就变成了ParentSpanID，随后会生成一个新的SpanID
• Span的传播可能会跨进程、跨主机，因此需要有一个传递TraceID、SpanID的途径，这个途径叫做Trace Propagation，Trace Propagation需要保证上下游的服务都能够支持一样的协议才行，否则传播到下一层时，因为服务无法识别，Trace会断掉。
• 由于系统中可能具有多个服务，还有队列、数据库、ServiceMesh等中间件，因此Trace Propagation需要遵循某个国际化标准，这个标准需要尽可能的通用。
• 最早在出现的国际化标准是OpenTracing，随后还有Google发起的OpenCensus项目
• 而目前OpenTracing项目和OpenCensus项目已经合并成为OpenTelemetry，OpenTelemetry已经成为Trace领域的唯一国际化标准。

而OpenTelemetry标准带来的好处不仅仅是解决各个系统之间的Trace互通问题，还有统一的SDK、自动化埋点方案、数据采集、Traces/Metrics/Logs互通等等好处。感兴趣的同学可以异步：OpenTelemetry介绍。

2. 埋点：手动 or 自动

对于开发者来讲，使用Trace最大的工作量是接入数据，我们需要在请求发起的时候创建一个Span，并且这个Span需要继承上一个Span传过来的TraceID、ParentSpanID等信息。下述代码就是一个简单的手动构造Trace的例子：

/* api-service */app.use('/api/v1/whereami', async (req, res, next) => {
constparentSpan=createContinuationSpan(tracer, req, 'whereami-request')
constchildSpan=tracer.startSpan('city-from-ip', {childOf: parentSpan})
const_=awaitaxios.get(`http://ip-api.com/json/${req.ip}`)
childSpan.finish()
// Do more work and create more children spans.parentSpan.finish()
})
functioncreateContinuationSpan(tracer, req, spanName) {
constincomingSpanContext=tracer.extract(opentelemetry.FORMAT_HTTP_HEADERS, req.headers)
if (incomingSpanContext==null) {
returntracer.startSpan(spanName)
    }
returntracer.startSpan(spanName, {childOf: incomingSpanContext})
}

对于一个庞大的系统而言，业务中涉及的请求非常多，每个请求都手动埋点的工作量太大，一般这种方式也很难在公司进行推广，因此各类语言的自动埋点的方式开始蓬勃发展。自动埋点在Trace领域又叫做Trace Instrumentation，主要利用一些代理、装饰器、代码注入、AOP等技术，在请求处理之前产生Span，在请求处理完成后保存Span并自动发送到Trace服务端。

下述是一个常见的服务架构，Service A和Service B都是HTTP的服务实现，网络通信使用ServiceMesh进行流量管理，HTTP请求都会经过HTTP框架进行处理，然后提交到Dispatcher模块，该模块会根据不同的URL转发到对应的Hander进行处理。这一架构中，可以自动埋点的地方有3个：

1. ServiceMesh层，所有的HTTP请求在处理的时候都进行埋点
2. HTTP Framework，在HTTP请求接收、处理的过程中埋点
3. Dispatcher，在转发的时候进行埋点

一般而言，自动埋点也可以在多层同时进行，这样可以获取到每层对于性能的消耗是多少，对整体架构的性能开销有个更准确的理解。在生产上绝大部分情况都是使用自动埋点，对于有些自动埋点不能覆盖的场景，会用手动埋点的方式进行补全。例如某些语言不支持自动埋点、某个请求内部处理逻辑复杂需要手动创建子Span分成多个阶段...

3. 基于Trace的监控

我们知道Trace由Span组成，Span表示了当前某个调用的结果以及“父子”关系，而当某个Service的某个调用积累一定数量的时候，我们就可以分析出这个Service、调用的一些关键指标：访问次数(QPS)、延迟、错误率等。而这些通常也代表着我们的服务是否正常，因此通常情况下Trace不仅仅用来去查看某个请求是否有问题，更多的时候会用来监控服务是否正常。

4. PXX延迟-业务真实体验

基于Trace的监控不是从聚合指标而来，而是从每个调用来去计算出相应的访问次数、延迟、错误率，从原始数据计算的一个优点是可以较为准确的统计出PXX延迟，而PXX延迟也是反应用户对于我们业务真实体验的一个重要指标。因为通常情况下，平均延迟只能说明服务的情况，而不代表所有的客户访问都是如此的延迟，如果有一小部分的客户访问延迟很高，整体的平均延迟不会增加很多，但是这部分客户对于产品的体验会下降很多。

因此我们会更加关心P90、P95、P99之类的延迟指标，也就是按延迟正序排列，位于90%、95%、99%分位数的延迟大小。这部分延迟如果比平均延迟大非常多，那说明我们的服务在某些场景下对部分用户的体验非常不好，而这种情况下就需要去看这部分高延迟的指标具体耗时在哪个阶段，并进行针对性解决。

5. 高级Dependency分析

Dependency作为Trace的核心功能，是分析系统架构的利器，通过大数据工程（一般使用流计算、批量计算）分析所有上报的Span信息，将其中公共的关系提取、聚合，然后保存成一张DAG图。通常Dependency都只是从服务、调用维度进行计算，主要是因为这种计算的资源消耗比较少，毕竟服务、调用的组合比较少。

而实际场景中，我们希望知道在某个时间段、某一个进程、某一组容器的依赖关系，这就需要针对Span的Resource信息进行提取计算，组合关系会提升1-2个数量级，而计算复杂度和资源消耗也会随之提升。但带来的好处非常明显，我们能够知道更加细粒度的依赖关系，也更容易找出问题所在的机器、进程。

同时，在Dependency分析中，不仅仅只是计算DAG图的关系，而且还可以计算每个父子关系（也就是DAG图的边）的统计信息，包括调用次数、错误率、延迟等。因此在查看Dependency的时候，还可以看到某个节点调用其他服务的统计信息，更加有利于问题排查。

6. Trace自定义过滤

通常为了更好的分析Trace数据，我们都会在Span中附加一定的Tag信息，如果更精确的描述，Tag分位两类，分别Resource和Attribute。在OpenTelemetry协议中，这两种数据虽然都是同一数据类型，但含义却有着很大的不同：

• Resource代表Span的宿主信息描述，例如进程名、主机名、IP地址、设备类型、版本号、服务名、DB类型、K8s Pod名、环境信息、云相关信息，相对都是静止的信息。
• Attribute标识Span产生时和调用相关的属性信息，例如HTTP的方法、返回码、InFlow、OutFlow、URL、DB请求的SQL、数据队列请求的Topic信息等。

通常我们都需要按照不同的Resource、Attribute来过滤出我们关心的数据，用来定位问题主要发生在哪些类型的调用中。当然除了对这些Tag信息支持过滤外，还需要对Trace的其他属性，例如延迟、状态码、Span附加的Event信息等支持过滤。

7. Trace自定义分析

如果把Trace的自定义过滤功能比作是千里眼，则Trace的自定义分析功能就是显微镜。Trace自定义过滤从茫茫的数据中发现感兴趣的一部分Trace数据，而自定义分析对这部分Trace数据进行详细的排查，找出其中有问题的那一部分。这里的分析主要利用统计学相关的技术，按照不同的维度组合去分析，而这些维度包括上述的任一Resource和Attribute信息，从中去发现异常的维度。

8. Trace自动化分析

上述的自定义分析主要是靠人工+统计学，这种方式在数据维度不多的情况下还可以胜任，但如果要分析的数据维度超过3个时，纯粹的手工分析已经很难去把每个组合都尝试一遍。例如某个支付类型的调用成功率出现了下降，这个调用有地域、设备版本号、运营商、会员类型、支付类型5个维度信息，手动来做的话需要按照5个不同的维度去一一尝试，找到其中某个有明显分界的维度，再保存这个维度的信息，继续向其他4个维度进行尝试，最坏的情况下需要5*4*3*2*1次的手动分析才能找到问题的组合。而这个还是在问题只是由一个组合影响，如果有多个组合综合产生的结果，手动分析会收到多个结果的影响而更加复杂。

因此这时候我们就需要用算力和算法去做自动化的分析，利用算力从海量的组合中去一一分析，结合算法进行有效的剪枝，最终快速的得到造成调用错误率提升、延迟升高的维度组合。

9. 可观察性数据关联

Trace可做的事情很多，但并不是万能的，Trace更多的是应用的关系数据以及从这些数据提取出的应用健康度（延迟、错误率、QPS等）数据。对于问题的根因分析还缺少一些关键的信息，包括与之关联的基础设施健康信息（例如Pod/主机核心指标、异常事件、内核报错等）以及应用的详细错误日志。这些通常情况下叫做Metrics、Logs数据。

为了能够让Trace更好的关联上述的其他数据，Trace中的Span必须包含对应的主机名、容器名、服务名等信息，也就是OpenTelemetry中的Resource信息。而且Trace方案需要提供快速跳转并查询对应数据的能力。

10. 自动根因定位

当我们能够将Trace关联到Logs和Metrics时，就能够“顺藤摸瓜”找到问题的根本原因，无论是某台机器硬件故障（机器内核日志定位）、资源饱和（指标数据定位）、应用错误（应用报错日志）...

这些问题的排查相比纯粹的Trace分析会更加复杂，需要与更多的系统交互，需要去查看更多的数据，因此所花费的时间也更久。而故障发生时，1分钟的损失也是难以接受的，因此我们需要更快的去发现这些问题，这时AIOps中的自动根因定位就派上了用场：利用Trace内部的“父子”关联关系以及Resource与Logs、Metrics的关联关系自动“顺藤摸瓜”去排查问题的根因所在，大大节省问题排查的时间，能够让问题的根因定位从小时/分钟级降低到秒级。

总结

随着云原生、微服务技术的普及，Trace在运维领域的重要性也越发的凸显，构造一个简单的Trace系统并不难，但如何构建一个能充分发挥Trace优势的系统难度很大。上述介绍的这些Trace的特性，在生产中都极其适用，有这些特性的加持，问题排查将变得更加简单，尤其是后面6-10的特性价值更高，实现难度也更大：

• Trace自定义过滤和自定义分析能够帮助我们更好的去定位Trace相关的问题，这个能力要求Trace系统具备足够的强的存储、索引和算力。
• 可观察性数据关联能够实现问题的根因定位，前提是需要所有的数据都能遵循一个统一的标准，而OpenTelemetry正是首选方案。
• 自动化的根因定位能够缩短问题的排查时间，减少故障带来的损失，核心是AIOps算法需要具备超强的算力和更好的检测效果。

目前SLS已经发布了第一个版本的Trace服务，支持OpenTelemetry格式的Trace接入，并提供了上述1-7功能，后续功能的支持也在紧锣密鼓的研发中，欢迎大家试用。

传送门：https://sls.console.aliyun.com/lognext/trace

视频介绍：https://www.loom.com/share/8f13f0af46164b52a5e78e5b455ec622

参考

1. https://opentelemetry.io/
2. https://developer.aliyun.com/article/766070
3. https://aiopsworkshop.github.io/
4. https://landscape.cncf.io/
5. https://github.com/apache/skywalking
6. https://www.instana.com/blog/observability-vs-monitoring/
7. https://www.katacoda.com/lokoms/scenarios/log-workshop-4
8. https://wiprodigital.com/2020/04/30/how-aiops-impacts-business-performance/
9. https://docs.lightstep.com/docs/view-traces
10. https://docs.lightstep.com/docs/investigate-a-latency-regression
11. https://www.jaegertracing.io/
12. https://medium.com/jaegertracing/using-jaeger-to-trace-an-apache-camel-application-2b8118efbb4d
13. https://github.com/apache/camel/blob/master/components/camel-opentracing/src/main/docs/opentracing.adoc
14. https://www.sumologic.com/blog/logs-metrics-overview/
15. https://www.novatec-gmbh.de/en/blog/5-reasons-why-opentelemetry-will-boost-observability-and-monitoring/

