基于 Elasticsearch 的 Zipkin 统计

2019独角兽企业重金招聘Python工程师标准>>>

最近将 Zipkin 的底层存储切换到了 Elasticsearch，相比 Cassandra，Elasticsearch 拥有更加灵活的查询和聚合方式，所以可以完成一些之前做不到的自定义统计，在此记录一下。

存储结构

Zipkin 的存储是基于 Span 的，每一个 Span 为一个文档，字段有：

• traceId：所属的 Trace
• duration：执行消耗的时间（单位为微秒）
• timestamp、timestamp_millis：生成时间（单位分别为微秒和毫秒）
• name：Span 的名称
• annotations：主要用于记录系统通信的情况，有 Client Send、Server Receive、Server Send 和 Client Receive 四种通信记录
• binaryAnnotations：记录一些自定义数据，可以记录任何关心的数据，例如方法参数、SQL 语句、Server 端地址等
• parentId：父 Span

• collector_timestamp_millis：采集时间

  使用 Zipkin UI 时 name、binaryAnnotations 都仅作为展示字段，而在 Elasticsearch 中，通过良好的方式定义这些字段，可以完成一些横向的查询和聚合。

  理论上如果定义得当，最多可以通过 name、binaryAnnotations.key 和 binaryAnnotations.value 进行三层的聚合，这里举几个例子。

Span 定义与查询

HTTP/RPC API 的 Span 定义：

将 Endpoint 作为 name，然后将 Header、Param 等信息作为 binaryAnnotations，例如：

{ "traceId": "51c068d64b9f7a58", "duration": 1330683, "binaryAnnotations": [ { "endpoint": { "ipv4": "10.xxx.xxx.xxx", "port": 8088, "serviceName": "user-service" }, "value": "[user-agent=okhttp/3.2.0]", "key": "Headers" }, { "endpoint": { "ipv4": "10.xxx.xxx.xxx", "port": 8088, "serviceName": "user-service" }, "value": "[id=100001]", "key": "Params" }, { "endpoint": { "ipv4": "10.xxx.xxx.xxx", "port": 8088, "serviceName": "user-service" }, "value": "/v1/users/{id}.json", "key": "lc" } ], "timestamp_millis": 1483143424117, "name": "/v1/users/{id}.json", "collector_timestamp_millis": "2016-12-31T00:17:05.808+0000", "id": "2987302a57b7212f", "parentId": "51c068d64b9f7a58", "timestamp": 1483143424117000 }

这样可以通过如下的查询语句统计一下当前系统 HTTP API 的性能情况：

{ "size": 0, "query": { "bool": { "must": [ { "match_all": {} } ], "filter": { "nested": { "path": "binaryAnnotations", "query": { "match": { "binaryAnnotations.key": "Params" } } } } } }, "aggs": { "path": { "terms": { "field": "name", "order": { "avg_duration": "desc" }, "size": 20, "min_doc_count": 100 }, "aggs": { "avg_duration": { "avg": { "field": "duration" } }, "top_duration_trace": { "top_hits": { "sort": { "duration": { "order": "desc" } }, "_source": { "includes": [ "traceId", "duration" ] }, "size" : 3 } } } } } }

该语句首先查出了所有 API 入口的 Span，聚合出平均响应时间最长的 20 个 API，并给出每个 API 中响应时间最长的 3 个 Trace。

这种结构有一点不好的是没办法进一步通过参数进行聚合了，如果一个接口在请求参数不同时响应时间差别比较大，就没有办法找出具体是哪些参数影响的了。将每一个参数都加入 binaryAnnotations 中并不是一个很好的做法，因为会增加许多无意义的嵌套文档。如果能像 RESTful 一样将一些重要参数定义在 URI 路径上也许能解决这个问题。

MySQL/Redis 等数据库查询的 Span 定义：

建议将 name 设置为命令名，像是 mysql-select、redis-get 等。之后便可以分析在每一个 Trace 中，SQL 查询或是 Redis 查询发生的次数以及总耗时。

{ "size": 0, "query": { "bool": { "must": [ { "match_all": {} } ], "filter": { "term": { "traceId": "3fa0711deeb82b11" } } } }, "aggs": { "span_name": { "terms": { "field": "name", "order": { "sum_duration": "desc" } }, "aggs": { "sum_duration": { "sum": { "field": "duration" } } } } } }

上面的查询语句通过聚合一个 Trace 的所有 Span，根据类型计算总耗时并排序，它的返回结果是：

{ "span_name": { "doc_count_error_upper_bound": 0, "sum_other_doc_count": 0, "buckets": [ { "key": "mysql-insert", "doc_count": 200, "sum_duration": { "value": 848077 } }, { "key": "mysql-select", "doc_count": 202, "sum_duration": { "value": 605769 } }, { "key": "rpc-get_id", "doc_count": 400, "sum_duration": { "value": 104678 } }, { "key": "redis-incr", "doc_count": 200, "sum_duration": { "value": 217 } }, { "key": "redis-get", "doc_count": 201, "sum_duration": { "value": 216 } } ] } }

这个返回结果表明，这一次调用共执行了：

• 200 次 MySQL 插入，总耗时 848 ms
• 202 次 MySQL 查询，总耗时 605 ms
• 400 次 RPC 发号器调用，总耗时 104 ms
• 217 次 Redis 自增操作，总耗时 0.2 ms

• 216 次 Redis 查询操作，总耗时 0.2 ms

  再进一步，可以将 binaryAnnotation 设置为执行的预编译 SQL 模板，例如：

{ "name": "mysql-select", "binaryAnnotations": [ { "endpoint": { "ipv4": "10.xxx.xxx.xxx", "port": 8088, "serviceName": "user-service" }, "value": "select * from user where user_id = ?", "key": "query" } ] }

这样就可以找到系统中到底执行了哪些慢查询：

{ "size": 0, "query": { "bool": { "must": [ { "match_all": {} } ], "filter": { "term": { "name": "mysql-select" } } } }, "aggs": { "path": { "nested": { "path": "binaryAnnotations" }, "aggs": { "filter_sql": { "filter" : { "term": { "binaryAnnotations.key": "executed.query" } }, "aggs": { "sql": { "terms": { "field": "binaryAnnotations.value" }, "aggs": { "reverse_duration": { "reverse_nested": {}, "aggs": { "duration_outlier": { "percentiles" : { "field": "duration", "percents": [75, 95, 99] } } "avg_duration": { "avg": { "field": "duration" } }, "sum_duration": { "sum": { "field": "duration" } } } } } } } } } } } }

在上面这个查询中可以聚合出每种 SQL 执行的次数、总耗时、平均耗时、Mean 75/95/99 耗时等信息

总结

基于 Elasticsearch 的 Zipkin 自定义查询，核心是定义好 name、binaryAnnotations.key 和 binaryAnnotations.value 三个字段，使其作为 Terms 聚合将不同功能的 Span 拆分，之后再通过 Avg、Sum、Percentiles 等统计型聚合对 duration 算出需要的数据。

但是这其中也是有一些坑的，首先是 Zipkin 的 Span 文档量会非常的多，所以无任何过滤条件的聚合请求响应时间非常长。基本上达到一定数量级后，Zipkin UI 加载 Service Name 和 Span Name 的接口就必然会超时了。这时候反而用 Kibana 会比 Zipkin UI 效率更高，因为自定义查询语句无论是功能上还是性能上都是可控的。

另外一个坑就是 binaryAnnotations 是一个嵌套文档，但聚合时最终落在统计指标的 duration 却是外层的字段，这在某些聚合语句下会有问题。目前来看最常见的一个场景是想指定一个聚合结果作为排序条件时，被提示 Ordering on a single-bucket aggregation can only be done on its doc_count.，目前还没找到很好地解决办法。

其实 Zipkin 在 Cassandra 上存储的方式很好，性能足够支撑大数据量且查询速度也很快。但是切换为 Elasticsearch 之后，查询和聚合的方式丰富了许多，binaryAnnotations 这种字段在文档型存储中就显得比较尴尬的。此时就有了自定义存储结构的价值，可以根据业务定制各种需要存储的额外字段，改造难度也不大。

转载于:https://my.oschina.net/xiaominmin/blog/3047163