微服务背景下
1.故障快速定位
跨语言实现开发中在业务日志中添加调用链ID,可以通过调用链结合业务日志快速定位错误信息。
2.各个调用环节的性能分析
分析调用链的各个环节耗时,分析系统的性能瓶颈,找到系统的薄弱环节针对性优化
3.数据分析
分析用户的行为路径,经过了哪些服务器上的哪个服务加以应用。
4.调用拓扑图
Trace系统设计目标
低侵入、低损耗、大范围部署
基本实现
埋点日志内容,通过记录traceId、RPCId、调用的开始时间,调用类型,协议类型,调用方ip和端口,请求的服务名等信息;调用耗时,调用结果,异常信息,消息报文等;
典型应用
非开源:Google的Dapper,淘宝的鹰眼,新浪的Watchman,京东的Hydra
开源:zipkin, pinpoint , skywalking
应用及分析
1.鼻祖:Google Dapper
谷歌tracing论文,关键字:低损耗、应用透明的、大范围部署需求;大规模集群的跟踪监控系统;跨应用跨服务器;ops-dev;
应用级透明:把核心跟踪代码做的很轻巧,然后把它植入到那些无所不在的公共组件种,比如线程调用、控制流以及RPC库
实现:为服务器上每一次你发送和接收动作来收集跟踪标识符(message identifiers)和时间戳(timestamped events),通过把代码植入限制在一个很小的通用组件库,实现监测系统的应用对开发人员的透明。
Dapper的跟踪模型:
跟踪树和span
ABCDE 5个span 组成了userRequest的跟踪树。Dapper会记录span名称,以及每个span的ID和父ID,以重建在一次追踪过程中不同span之间的关系。如果一个span没有父ID被称为root span。所有span都挂在一个特定的跟踪上,也共用一个跟踪id。所有这些ID用全局唯一的64位整数标示。
一个单独的span的细节图:
注意时间戳的正确性处理:由于客户端和服务器上的时间戳来自不同的主机,我们必须考虑到时间偏差。在我们的分析工具,我们利用了这个事实:RPC客户端发送一个请求之后,服务器端才能接收到,对于响应也是一样的(服务器先响应,然后客户端才能接收到这个响应)。这样一来,服务器端的RPC就有一个时间戳的一个上限和下限。
注:为保护Dapper的用户意外的过分热衷于日志的记录,每一个跟踪span有一个可配置的总标注量的上限。
Dapper日志收集管道
span数据写入(1)本地日志文件中
然后Dapper的守护进程和收集组件把这些数据从生产环境的主机中拉出来(2)
最终写到(3)Dapper的Bigtable仓库中,一次跟踪被设计成Bigtable中的一行,每一列相当于一个span。
Dapper守护进程在负载测试时的CPU资源使用率
Dapper的数据收集在Google的生产环境中的只占用了0.01%的网络资源。
后台查询WEB UI
Dapper的“Depot API”或称作DAPI,对分布式跟踪数据一个直接访问
2.阿里EagleEye
EagleEye (鹰眼)是Google 的分布式调用跟踪系统 Dapper 在淘宝的实现(2013)。每次调用分配TraceId、RpcId(dapper中的spanID),放在ThreadLocal的调用上下文上面,调用结束的时候,把TraceId、RpcId打印到访问日志。访问日志里面,一般会记录调用时间、远端IP地址、结果状态码、调用耗时之类,也会记录与这次调用类型相关的一些信息,如URL、服务名、消息topic等。
优化:通过设置全局采样开关,用来在运行期控制调用链的采样率(控制打不打日志)。所谓调用链采样,就是根据TraceId来决定当前的这一次访问日志是否输出
鹰眼sdk写log ——>storm集群收集(全量 hdfs;实时hbase)——>鹰眼服务器——>UI
3.Pinpoint
韩国naver, Pinpoint is an APM tool for large-scale distributed systems written in Java / PHP. Inspired by Dapper. Show me demo
Architecture
new release 支持flink处理数据(apache flink:stream vs spark 流式处理来模拟批量处理 )
数据结构:(Span, Trace, 和 TraceId组成)同dapper
Core:字节码增强
使用字节码增强技术,不修改代码就工作。(代码零侵入,只需要加启动参数或通过配置文件加载即可)
JAVA字节码增强(before after 拦截器)在手工方法和自动方法两者之间属于自动方法。
应用3步走
1)docker 服务组建一键安装
2)启动服务,check web UI
3)应用添加配置,一次集成,运行手工. eg. applicationContext-dao-config.xml
<context:component-scan base-package="com.navercorp.pinpoint.web.dao.mysql" />
<!-- SqlsessionFactory setup for MyBatis Database Layer -->
<bean id="sqlSessionFactory" class="org.mybatis.spring.SqlSessionFactoryBean">
<property name="dataSource" ref="dataSource"/>
<!-- mybatis basic config -->
<property name="configLocation" value="classpath:/mybatis-config.xml"/>
<!-- typeAliases -->
<property name="typeAliasesPackage" value="com.navercorp.pinpoint.web.alarm.vo" />
<!-- setting the location of mapper -->
<property name="mapperLocations" value="classpath*:mapper/*Mapper.xml"/>
<!-- set "true" in order to catch the errors of declaration of statement more quickly -->
<property name="failFast" value="true"/>
<property name="plugins">
<list>
<!-- use the patch version because of mybatis 3.2's incompatibility-->
<bean class="com.navercorp.pinpoint.web.dao.ibatis.BindingLogPlugin32"/>
</list>
</property>
</bean>
多插件集成
应有尽有:spring全家,mq mw、cache、rpc(dubbo、grpc)、db(hbase、mysql及drivers)……很丰富
4.Skywalking
中国华为吴晟基于OpenTracking实现的开源项目-2017年加入Apache孵化器,show demo
OpenTracking:OpenTracing为了解决不同的分布式追踪系统 API 不兼容的问题,诞生了 OpenTracing 规范。
Component:
H2:Database Engine
ShardingSphere:Sharding-JDBC、Sharding-Proxy和Sharding-Sidecar
支持多语言多来源多格式数据输入:java、php、nodejs、go
Architecture
三层:
agent:探针,用来收集和发送数据到收集器
collector:链路数据收集器,数据可以落地ElasticSearch等Storage。
Storage&web:web可视化平台,用来展示落地的数据
Agent埋点实现
字节码增强:agent java 在类使用之前,增强或修改类的行为
Byte Buddy:Apache 2.0许可证的开源库,致力于解决字节码操作和API的复杂性
public class Agent {
public static void premain(String argument, Instrumentation inst) {
inst.addTransformer(new ClassFileTransformer() {
@Override
public byte[] transform(
ClassLoader loader,
String className,
Class<?> classBeingRedefined, // 如果类之前没有加载的话,值为null
ProtectionDomain protectionDomain,
byte[] classFileBuffer) {
// 返回改变后的类文件。
}
});
}
}
Agent模块:
加载配置信息
加载插件
加载所需服务
使用ByteBuddy增强class
接入应用
部署启动agent ,程序中简单配置agentconfig即可。同metrics.namespace
Pinpoint VS Skywalking
Pinpoint Skywalking
优势
大企业/长时间验证,稳定性和完成度高
探针收集的数据粒度比较细
HBase的数据密度较大,支持PB级别下的数据查询
代码设计考虑的扩展性较弱,二次开发难度较大
拥有完整的APM和调用链跟踪功能
优势
数据容器为ES,查询支持的维度较多并且扩展潜力大
项目易读性和扩展性都比较强
主要的研发人员为华人并且均比较活跃,能够进行更加直接的沟通
拥有完整的APM和调用链跟踪功能
劣势
代码针对性强,扩展较难
探针的额外消耗较多(探针采集粒度细,大概10%~20%)
项目趋于成熟,而扩展难度较大,目前社区活跃度偏低,基本只进行探针的增加或者升级
缺少自定义指标的设计
劣势
项目发展非常快,稳定性有待验证
ES数据密度较小,在PB级别可能会有性能压力
5.zipkin
java by twitter,collector 收集器、storage 存储、api 查询api-ui 界面,jdk8 required
接入应用
1.引入zipkin maven dependency
2.java coding ,before after增强自动拦截,把config配置好即可。
public Brave brave(SpanCollector spanCollector){
Builder builder = new Builder("service2");//指定serviceName
builder.spanCollector(spanCollector);
builder.traceSampler(Sampler.create(1));//采集率
return builder.build();
}
6.TODO ONEAPM 优秀产品实现分析(insight全家桶)、腾讯bk-ci、 Prometheus
总结
由上面对主流全链路追踪技术的分析,组件基本都包括一个埋点sdk agent、日志收集collector、到storage (mysql、es、或bigdata)、最后集成webUI供用户查看。而sdk大多采用基于面向切面增强的方式,减少程序侵入性及接入成本。