amp 调用链_APM和调用链跟踪

随着企业经营规模的扩大，以及对内快速诊断效率和对外SLA(服务品质协议，service-level agreement)的追求，对于业务系统的掌控度的要求越来越高，主要体现在：

对于第三方依赖的监控，实时/准实时了解第三方的健康状况/服务品质，降低第三方依赖对于自身系统的扰动(服务降级、故障转移)

对于容器的监控，实时/准实时的了解应用部署环境(CPU、内存、进程、线程、网络、带宽)情况，以便快速扩容/缩容、流量控制、业务迁移

业务方对于自己的调用情况，方便作容量规划，同时对于突发的请求也能进行异常告警和应急准备

自己业务的健康、性能监控，实时/准实时的了解自身的业务运行情况，排查业务瓶颈，快速诊断和定位异常，增加对自己业务的掌控力

同时，对于企业来说，能够更精确的了解资源的使用情况，对于成本核算和控制也有非常大的裨益。

在这种情况下，一般都会引入APM(Application Performance Management & Monitoring)系统，通过各种探针采集数据，收集关键指标，同时搭配数据呈现和监控告警，能够解决上述的大部分问题。

然而随着RPC框架、微服务、云计算、大数据的发展，同时业务的规模和深度相比过往也都增加了很多，一次业务可能横跨多个模块/服务/容器，依赖的中间件也越来越多，其中任何一个节点出现异常，都可能导致业务出现波动或者异常，这就导致服务质量监控和异常诊断/定位变得异常复杂，于是催生了新的业务监控模式：调用链跟踪

能够分布式的抓取多个节点的业务记录，并且通过统一的业务id(traceId，messageId，requestId等)将一次业务在各个节点的记录串联起来，方便排查业务的瓶颈或者异常点

产品对比

APM和调用链跟踪均不是新诞生事务，很多公司已经有了大量的实践，不过开源的并且能够开箱即用的产品并不多，这里主要选取了Pinpoint，Skywalking，CAT来进行对比(当然也有其他的例如Zipkin，Jaeger等产品，不过总体来说不如前面选取的3个完成度高)，了解一下APM和调用链跟踪在开源方面的发展状态。

Pinpoint

Pinpoint是一个比较早并且成熟度也非常高的APM+调用链监控的项目，在全世界范围内均有用户使用，支持Java和PHP的探针，数据容器为HBase，其界面参考：

Skywalking

Skywalking是一个新晋的项目，最近一两年发展非常迅猛，本身支持OpenTracing规范，优秀的设计提供了良好的扩展性，支持Java、PHP、.Net、NodeJs探针，数据容器为ElasticSearch，其界面参考：

CAT

CAT是由美团开源的一个APM项目，也历经了多年的迭代升级，拥有大量的企业级用户，对于监控和报警整合比较紧密，支持Java、C/C++、.Net、Python、Go、NodeJs，不过CAT目前主要通过侵入性的方式接入，数据容器包括HDFS(存储原始数据)和mysql(二次统计)，其界面参考：

横向对比

上面只是做了一个简介，那这三个项目各自有什么特色或者优势/劣势呢(三者的主要产品均针对Java，这里也主要针对Java的特性)？

Pinpoint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(探针为插件式，开发比较简单)

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

容器为HBase，查询功能较弱(主要为时间维度)

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

Skywalking优势数据容器为ES，查询支持的维度较多并且扩展潜力大

项目设计采用微内核+插件，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

缺少自定义指标的设计

CAT优势大企业/长时间验证，稳定性和完成度高

采用手动数据埋点而不是探针，数据采集的灵活性更强

支持自定义指标

代码设计考虑的扩展性较弱，并且数据结构复杂，二次开发难度较大

拥有完善的监控告警机制

劣势代码针对性强，扩展较难

需要手动接入埋点，代码侵入性强

APM功能完善，但是不支持调用链跟踪

基本组件

如果分别去看Pinpoint/Skywalking/CAT的整体设计，我们会发现三者更像是一个规范的三种实现，虽然各自有不同的机制和特性，但是从模块划分和功能基本是一致的：

当然也有一些微小的区别：

Pinpoint基本没有aggregator，同时query和alarm集成在了web中，只有agent，collector和web

Skywalking则是把collector、aggregator、alarm集成为OAP(Observability Analysis Platform)，并且可以通过集群部署，不同的实例可以分别承担collector或者aggregator+alarm的角色

CAT则和Skywalking类似，把collector、aggregator、alarm集成为cat-consumer，而由于CAT有比较复杂的配置管理，所以query和配置一起集成为cat-home

当然最大的区别是Pinpoint和Skywalking均是通过javaagent做字节码的扩展，通过切面编程采集数据，类似于探针，而CAT的agent则更像是一个工具集，用于手动埋点

Skywalking

前戏这么多，终于开始进入主题，介绍今天的主角：Skywalking，不过通过之前的铺垫，我们基本都知道了Skywalking期望解决的问题以及总体的结构，下面我们则从细节来看Skywalking是怎么一步一步实现的。

模块构成

首先，Skywalking进行了精准的领域模型划分：

整个系统分为三部分：

agent：采集tracing(调用链数据)和metric(指标)信息并上报

OAP：收集tracing和metric信息通过analysis core模块将数据放入持久化容器中(ES，H2(内存数据库)，mysql等等)，并进行二次统计和监控告警

webapp：前后端分离，前端负责呈现，并将查询请求封装为graphQL提交给后端，后端通过ribbon做负载均衡转发给OAP集群，再将查询结果渲染展示

而整个Skywalking(包括agent和OAP，而webapp后端业务非常简单主要就是认证和请求转发)均通过微内核+插件式的模式进行编码，代码结构和扩展性均非常强，具体设计可以参考： 从Skywalking看如何设计一个微核+插件式扩展的高扩展框架 ，Spring Cloud Gateway的GatewayFilterFactory的扩展也是通过这种plugin define的方式来实现的。

Skywalking也提供了其他的一些特性：

配置重载：支持通过jvm参数覆写默认配置，支持动态配置管理

集群管理：这个主要体现在OAP，通过集群部署分担数据上报的流量压力和二次计算的计算压力，同时集群也可以通过配置切换角色，分别面向数据采集(collector)和计算(aggregator，alarm)，需要注意的是agent目前不支持多collector负载均衡，而是随机从集群中选择一个实例进行数据上报

支持k8s和mesh

支持数据容器的扩展，例如官方主推是ES，通过扩展接口，也可以实现插件去支持其他的数据容器

支持数据上报receiver的扩展，例如目前主要是支持gRPC接受agent的上报，但是也可以实现插件支持其他类型的数据上报(官方默认实现了对Zipkin，telemetry和envoy的支持)

支持客户端采样和服务端采样，不过服务端采样最有意义

官方制定了一个数据查询脚本规范：OAL(Observability Analysis Language)，语法类似Linq，以简化数据查询扩展的工作量

支持监控预警，通过OAL获取数据指标和阈值进行对比来触发告警，支持webhook扩展告警方式，支持统计周期的自定义，以及告警静默防止重复告警

数据容器

由于Skywalking并没有自己定制的数据容器或者使用多种数据容器增加复杂度，而是主要使用ElasticSearch(当然开源的基本上都是这样来保持简洁，例如Pinpoint也只使用了HBase)，所以数据容器的特性以及自己数据结构基本上就限制了业务的上限，以ES为例：

ES查询功能异常强大，在数据筛选方面碾压其他所有容器，在数据筛选潜力巨大(Skywalking默认的查询维度就比使用HBase的Pinpoint强很多)

支持sharding分片和replicas数据备份，在高可用/高性能/大数据支持都非常好

支持批量插入，高并发下的插入性能大大增强

数据密度低，源于ES会提前构建大量的索引来优化搜索查询，这是查询功能强大和性能好的代价，但是链路跟踪往往有非常多的上下文需要记录，所以Skywalking把这些上下文二进制化然后通过Base64编码放入data_binary字段并且将字段标记为not_analyzed来避免进行预处理建立查询索引

总体来说，Skywalking尽量使用ES在大数据和查询方面的优势，同时尽量减少ES数据密度低的劣势带来的影响，从目前来看，ES在调用链跟踪方面是不二的数据容器，而在数据指标方面，ES也能中规中矩的完成业务，虽然和时序数据库相比要弱一些，但在PB级以下的数据支持也不会有太大问题。

数据结构

如果说数据容器决定了上限，那么数据结构则决定了实际到达的高度。Skywalking的数据结构主要为：

数据维度(ES索引为skywalking_*_inventory)service：服务

instance：实例

endpoint：接口

network_adress：外部依赖

数据内容原始数据调用链跟踪数据(调用链的trace信息，ES索引为skywalking_segment，Skywalking主要的数据消耗都在这里)

指标(主要是jvm或者envoy的运行时指标，例如ES索引skywalking_instance_jvm_cpu)

二次统计指标指标(按维度/时间二次统计出来的例如pxx、sla等指标，例如ES索引skywalking_database_access_p75_month)

数据库慢查询记录(数据库索引：skywalking_top_n_database_statement)

关联关系(维度/指标之间的关联关系，ES索引为skywalking_*_relation_*)

特别记录告警信息(ES索引为skywalking_alarm_record)

并发控制(ES索引为skywalking_register_lock)

其中数量占比最大的就是调用链跟踪数据和各种指标，而这些数据均可以通过OAP设置过期时间，以降低历史数据的对磁盘占用和查询效率的影响。

调用链跟踪数据

作为Skywalking的核心数据，调用链跟踪数据(skywalking_segment)基本上奠定了整个系统的基础，而如果要详细的了解调用链跟踪的话，就不得不提到openTracing。

openTracing基本上是目前开源调用链跟踪系统的一个事实标准，它制定了调用链跟踪的基本流程和基本的数据结构，同时也提供了各个语言的实现。如果用一张图来表现openTracing，则是如下：

其中：

SpanContext：一个类似于MDC(Slfj)或者ThreadLocal的组件，负责整个调用链数据采集过程中的上下文保持和传递

Trace：一次调用的完整记录Span：一次调用中的某个节点/步骤，类似于一层堆栈信息，Trace是由多个Span组成，Span和Span之间也有父子或者并列的关系来标志这个节点/步骤在整个调用中的位置Tag：节点/步骤中的关键信息

Log：节点/步骤中的详细记录，例如异常时的异常堆栈

Baggage：和SpanContext一样并不属于数据结构而是一种机制，主要用于跨Span或者跨实例的上下文传递，Baggage的数据更多是用于运行时，而不会进行持久化

以一个Trace为例：

首先是外部请求调用A，然后A依次同步调用了B和C，而B被调用时会去同步调用D，C被调用的时候会依次同步调用E和F，F被调用的时候会通过异步调用G，G则会异步调用H，最终完成一次调用。

上图是通过Span之间的依赖关系来表现一个Trace，而在时间线上，则可以有如下的表达：

当然，如果是同步调用的话，父Span的时间占用是包括子Span的时间消耗的。

而落地到Skywalking中，我们以一条skywalking_segment的记录为例：

{

"trace_id": "52.70.15530767312125341",

"endpoint_name": "Mysql/JDBI/Connection/commit",

"latency": 0,

"end_time": 1553076731212,

"endpoint_id": 96142,

"service_instance_id": 52,

"version": 2,

"start_time": 1553076731212,

"data_binary": "CgwKCjRGnPvp5eikyxsSXhD///8BGMz62NSZLSDM+tjUmS0wju8FQChQAVgBYCF6DgoHZGIudHlwZRIDc3FsehcKC2RiLmluc3RhbmNlEghyaXNrZGF0YXoOCgxkYi5zdGF0ZW1lbnQYAiA0",

"service_id": 2,

"time_bucket": 20190320181211,

"is_error": 0,

"segment_id": "52.70.15530767312125340"

}

其中：

trace_id：本次调用的唯一id，通过snowflake模式生成

endpoint_name：被调用的接口

latency：耗时

end_time：结束时间戳

endpoint_id：被调用的接口的唯一id

service_instance_id：被调用的实例的唯一id

version：本数据结构的版本号

start_time：开始时间戳

data_binary：里面保存了本次调用的所有Span的数据，序列化并用Base64编码，不会进行分析和用于查询

service_id：服务的唯一id

time_bucket：调用所处的时段

is_error：是否失败

segment_id：数据本身的唯一id，类似于主键，通过snowflake模式生成

这里可以看到，目前Skywalking虽然相较于Pinpoint来说查询的维度要多一些，但是也很有限，而且除了endPoint，并没有和业务有关联的字段，只能通过时间/服务/实例/接口/成功标志/耗时来进行非业务相关的查询，如果后续要增强业务相关的搜索查询的话，应该还需要增加一些用于保存动态内容(如messageId，orderId等业务关键字)的字段用于快速定位。

指标

指标数据相对于Tracing则要简单得多了，一般来说就是指标标志、时间戳、指标值，而Skywalking中的指标有两种：一种是采集的原始指标值，例如jvm的各种运行时指标(例如cpu消耗、内存结构、GC信息等)；一种是各种二次统计指标(例如tp性能指标、SLA等，当然也有为了便于查询的更高时间维度的指标，例如基于分钟、小时、天、周、月)

例如以下是索引skywalking_endpoint_cpm_hour中的一条记录，用于标志一个小时内某个接口的cpm指标：

{

"total": 8900,

"service_id": 5,

"time_bucket": 2019031816,

"service_instance_id": 5,

"entity_id": "7",

"value": 148

}

各个字段的释义如下：

total：一分钟内的调用总量

service_id：所属服务的唯一id

time_bucket：统计的时段

service_instance_id：所属实例的唯一id

entity_id：接口(endpoint)的唯一id

value：cpm的指标值(cpm=call per minute，即total/60)

工程实现

Skywalking的工程实现堪比Dubbo，框架设计和代码质量都达到非常高的水准，以dubbo为例，即使2012年发布的老版本放到当今，其设计和编码看起来也依然赏心悦目，设计简洁但是覆盖了所有的核心需求，同时又具备非常强的扩展性，二次开发非常简单，然而却又不会像Spring那样过度封装(当然Spring作为一个更加高度通用的框架，更高的封装也是有必要的)导致代码阅读异常困难。

agent

agent(apm-sniffer)是Skywalking的Java探针实现，主要负责：

采集应用实例的jvm指标

通过切向编程进行数据埋点，采集调用链数据

通过RPC将采集的数据上报

当然，agent还实现了客户端采样，不过在APM监控系统里进行客户端数据采样都是没有灵魂的，所以这里就不再赘述了。

首先，agent通过 org.apache.skywalking.apm.agent.core.boot.BootService 实现了整体的插件化，agent启动会加载所有的BootService实现，并通过 ServiceManager 来管理这些插件的生命周期，采集jvm指标、gRPC连接管理、调用链数据维护、数据上报OAP这些服务均是通过这种方式扩展。

然后，agent还通过bytebuddy以javaagent的模式，通过字节码增强的机制来构造AOP环境，再提供PluginDefine的规范方便探针的开发，最终实现非侵入性的数据埋点，采集调用链数据。

最终落地到代码上则异常清晰：

//通过bytebuddy的AgentBuilder构造javaagent增强classLoader

new AgentBuilder.Default(byteBuddy)

.ignore( //忽略这些包的内容，不进行增强

nameStartsWith("net.bytebuddy.")

.or(nameStartsWith("org.slf4j."))

.or(nameStartsWith("org.apache.logging."))

.or(nameStartsWith("org.groovy."))

.or(nameContains("javassist"))

.or(nameContains(".asm."))

.or(nameStartsWith("sun.reflect"))

.or(allSkyWalkingAgentExcludeToolkit())

.or(ElementMatchers.isSynthetic()))

//通过pluginFinder加载所有的探针扩展，并获取所有可以增强的class

.type(pluginFinder.buildMatch())

//按照pluginFinder的实现，去改变字节码增强类

.transform(new Transformer(pluginFinder))

//通过listener订阅增强的操作记录，方便调试

.with(new Listener())

.installOn(instrumentation);

try {

//加载所有的service实现并启动

ServiceManager.INSTANCE.boot();

} catch (Exception e) {

logger.error(e, "Skywalking agent boot failure.");

}

agent也提供了非常简单的扩展实现机制，以增强一个普通类的方法为例，首先你需要定义一个切向点：

public interface InstanceMethodsInterceptPoint {

//定义切向方法的适配器，符合适配器的class将被增强

ElementMatcher getMethodsMatcher();

//增强的具体实现类，classReference

String getMethodsInterceptor();

//是否重写参数

boolean isOverrideArgs();

}

然后你还需要一个增强的实现类：

public interface InstanceMethodsAroundInterceptor {

//方法真正执行前执行

void beforeMethod(EnhancedInstance objInst, Method method, Object[] allArguments, Class>[] argumentsTypes,

MethodInterceptResult result) throws Throwable;

//方法真正执行后执行

Object afterMethod(EnhancedInstance objInst, Method method, Object[] allArguments, Class>[] argumentsTypes,

Object ret) throws Throwable;

//当异常发生时执行

void handleMethodException(EnhancedInstance objInst, Method method, Object[] allArguments,

Class>[] argumentsTypes,

Throwable t);

}

一般在执行前和执行后进行数据埋点，就可以采集到想要的数据，当然实际编程要稍微复杂一点，不过官方也实现了对应的abstract类和数据埋点工具类，所以探针的二次开发在Skywalking这个级别确实是非常简单，只需要处理好资源占用和并发问题即可。真正的难点是要对需要增强的对象非常了解，熟悉其运作机制，才能找准切向点，既要所有的流程都需要经过这个点，又可以抓取到期望抓取的上下文信息。同时，多版本的适配和测试也是非常大的工作量，官方虽然提供witness的机制(通过验证某个class是否存在来验证版本)，但是作为影响全局的探针，开发和测试都是需要慎之又慎的。

OAP

同agent类似，OAP作为Skywalking最核心的模块，也实现了自己的扩展机制，不过在这里叫做Module，具体可以参考library-module，在module的机制下，Skywalking实现了自己必须核心组件：

core：整个OAP核心业务(remoting、cluster、storage、analysis、query、alarm)的规范和接口

cluster：集群管理的具体实现

storage：数据容器的具体实现

query：为前端提供的查询接口的具体实现

receiver：接收探针上报数据的接收器的具体实现

alarm：监控告警的具体实现

以及一个可选组件：

telemetry：用于监控OAP自身的健康状况

而前面提到的OAP的高扩展性则体现在核心业务的规范均定义在了core中，如果有需要自己扩展的，只需要自己单独做自己的实现，而不需要做侵入式的改动，最典型的示例则是官方支持的storage，不仅支持单机demo的内存数据库H2和经典的ES，连目前开源的Tidb都可以接入。

初步实践

对于Skywalking的实践我们经历了三个阶段

线下测试

第一次生产环境小规模测试

第二次生产环境小规模测试+全量接入

线下测试

环境

由于是线下测试，所以我们直接使用物理机(E5-2680v2 x2, 128G)虚拟了一个集群(实际性能相比云服务器应该偏好一些)：

ES：单机实例，v6.5，4C8G，jvm内存分配为4G

OAP：单机实例，v6.1.0-SNAPSHOT，4C8G，jvm内存分配为4G

应用：基于SpringCloud的4个测试实例,调用关系为A->B->C->D，QPS为200

测试结果

拓扑图：

OAP机器监控：

ES机器监控：

服务监控面板：

其中一个调用链记录：

可以看出，Skywalking非常依赖CPU(不论是OAP还是ES)，同时对于网络IO也有一定的要求，至于ES的文件IO在可接受范围内，毕竟确实有大量内容需要持久化。测试结果也基本达到预期要求，调用链和各个指标的监控都工作良好。

第一次生产环境测试

在线下测试之后，我们再进行了一次基于实际业务针对探针的测试，测试没有发现探针的异常问题，也没有影响业务的正常运作，同时对于jvm实例影响也不是很大，CPU大概提高了5%左右，并不很明显。在这个基础上我们选择了线上的一台服务器，进行了我们第一次生产环境的测试。

环境

ES：基于现有的一个ES集群，node x 3，v6.0

OAP：2C4G x 2，v6.1.0-SNAPSHOT，jvm内存分配为2G

应用：两个jvm实例

测试时间：03.11-03.16

测试结果

业务机器负载情况：

从最敏感的CPU指标上来看，增加agent并没有导致可见的CPU使用率的变化，而其他的内存、网络IO、连接数也基本没有变化。

OAP负载情况：

可以看到机器的CPU和网络均有较大的波动，但是也都没有真正打爆服务器，但是我们的实例却经常出现两种日志：

One trace segment has been abandoned, cause by buffer is full.

Collector traceSegment service doesn't response in xxx seconds.

通过阅读源码发现：

agent和OAP只会使用一个长连接阻塞式的交换数据，如果某次数据交换没有得到响应，则会阻塞后续的上报流程(一般长连接的RPC请求会在数据传输期间互相阻塞，但是不会在等待期间互相阻塞，当然这也是源于agent并没有并发上报的机制)，所以一旦OAP在接收数据的过程中发生阻塞，就会导致agent本地的缓冲区满，最终只能将监控数据直接丢弃防止内存泄漏

而导致OAP没有及时响应的一方面是OAP本身性能不够(OAP需要承担大量的二次统计工作，通过Jstack统计，长期有超过几十个线程处于RUNNABLE状态，据吴晟描述目前OAP都是高性能模式，后续将会提供配置来支持低性能模式)，另一方面可能是ES批量插入效率不够，因此我们修改了OAP的批量插入参数来增加插入频率，降低单次插入数量：

bulkActions: ${SW_STORAGE_ES_BULK_ACTIONS:2000 -> 20} # Execute the bulk every 2000 requests

bulkSize: ${SW_STORAGE_ES_BULK_SIZE:20 -> 2} # flush the bulk every 20mb

flushInterval: ${SW_STORAGE_ES_FLUSH_INTERVAL:10 -> 2} # flush the bulk every 10 seconds whatever the number of requests

虽然 service doesn't response 出现的频率明显降低，但是依然还是会偶尔出现，而每一次出现都会伴随大量的 trace segment has been abandoned ，推测OAP和ES可能都存在性能瓶颈(应该进行更进一步的诊断确定问题，不过当时直接和吴晟沟通，确认确实OAP非常消耗CPU资源，考虑到当时部署只是2C，并且还部署有其他业务，就没有进一步的测试)。

同时，在频繁的数据丢弃过程中，也偶发了一个bug：当agent上报数据超时并且大量丢弃数据之后，即使后续恢复正常也能通过日志看到数据正常上报，在查询界面查询的时候，会查不到这个实例上报的数据，不过在重启OAP和agent之后，之前上报的数据又能查询到，这个也和吴晟沟通过，没有其他的案例，后续想重现却也一直没有成功。

而同时还发现两个更加严重的问题：

我们使用的是线上已经部署好的ES集群，其版本只有6.0，而新的Skywalking使用了6.3的查询特性，导致很多查询执行报错，只能使用最简单的查询

我们的kafka集群版本也非常古老，不支持v1或者更高版本的header，而kafka的探针强依赖header来传输上下文信息，导致kafka客户端直接报错影响业务，所以也立即移除了kafka的探针

在这一次测试中，我们基本确认了agent对于应用的影响，同时也发现了一些我们和Skywalking的一些问题，留待后续测试确认。

第二次生产环境测试

为了排除性能和ES版本的影响，测试Skywalking本身的可用性，参考吴晟的建议(这也是在最初技术选型的时候没有选择Pinpoint和CAT的部分原因：一方面Skywalking的功能符合我们的要求，更重要的是有更加直接和效率的和项目维护者直接沟通的渠道)，所以这一次我们新申请了ES集群和OAP机器。

环境

ES：腾讯云托管ES集群，4C16G x 3 SSD，v6.4

OAP：16C32G，standalone，jvm分配24G

应用：2~8个jvm实例

测试时间：03.18-至今

测试结果

OAP负载情况：

ES集群负载：

测试过程中，我们先接入了一台机器上的两个实例，完全没有遇到一测中的延迟或者数据丢弃的问题，三天后我们又接入了另外两台机器的4个实例，这之后两天我们又接入了另外两台机器的2个实例。依然没有遇到一测中的延迟或者数据丢弃的问题。

而ES负载的监控也基本验证了一测延迟的问题，Skywalking由于较高的并发插入，对于ES的性能压力很大(批量插入时需要针对每条数据分析并且构建查询索引)，大概率是ES批量插入性能不够导致延迟，考虑到我们仅仅接入了8个实例，日均segment插入量大概5000万条(即日均5000万次独立调用)，如果想支持更大规模的监控，对于ES容量规划势必要留够足够的冗余。同时OAP和ES集群的网络开销也不容忽视，在支撑大规模的监控时，需要集群并且receiver和aggregattor分离部署来分担网络IO的压力。

而在磁盘容量占用上，我们设置的原始数据7天过期，目前刚刚开始滚动过期，目前segment索引已经累计了314757240条记录总计158G数据，当然我们目前异常记录较少，如果异常记录较多的话，其磁盘开销将会急剧增加(span中会记录异常堆栈信息)。而由于选择的SSD，磁盘的写入和查询性能都很高，即使只有3个节点，也完全没有任何压力。

而在新版本的ES集群下，Skywalking的所有查询功能都变得可用，和我们之前自己的单独编写的异常指标监控都能完美对照。当然我们也遇到一个问题：Skywalking仅采集了调用记录，但是对于调用过程中的过程数据，除了异常堆栈其他均没有采集，导致真的出现异常也缺少充足的上下文信息还原现场，于是我们扩展了Skywalking的两个探针(我们项目目前重度依赖的组件)：OkHttp(增加对requestBody和responseBody的采集)和SpringMVC(增加了对requestBody的采集)，目前工作正常，如果进一步的增加其他的探针，采集到足够的数据，那么我们基本可以脱离ELK了。

而OAP方面，CPU和内存的消耗远远低于预期的估计，CPU占用率一直较低，而分配的24G内存也仅使用了10+G，完全可以支持更大规模的接入量，不过在网络IO方面可能存在一定的风险，推测应该8C16G的容器就足以支持十万CPM级别的数据接入。

当然我们在查询也遇到了一些瓶颈，最大的问题就是无法精确的命中某一条调用记录，就如前面的分析，因为segment的数据结构问题，无法进行面向业务的查询(例如messageId、requestId、orderId等)，所以如果想精确匹配某一次调用请求，需要通过各个维度的条件约束慢慢缩小范围最后定位。

Skywalking展望

通过上述对Skywalking的剖析和实践，Skywalking确实是一个优秀的APM+调用链跟踪监控系统，能够覆盖大部分使用场景，让研发和运维能够更加实时/准实时的了解线上服务的运行情况。当然Skywailking也不是尽善尽美，例如下面就是个人觉得目前可见的不满足我们期望的：

数据准实时通过gRPC上报，本地缓存的瓶颈(当然官方主要是为了简化模型，减少依赖，否则Skywalking还依赖ELK就玩得有点大了)缓存队列的长度，过长占据内存，过短容易buffer满丢弃数据

优雅停机同时又不丢失缓存

数据上报需要在起点上报，链路回传的时候需要携带SPAN及子SPAN的信息，当链路较长或者SPAN保存的信息较多时，会额外消耗一定的带宽

skywalking更多是一个APM系统而不是分布式调用链跟踪系统在整个链路的探针上均缺少输入输出的抓取

在调用链的筛查上并没用进行增强，并且体现在数据结构的设计，例如TAG信息均保存在SPAN信息中，而SPAN信息均被BASE64编码作为数据保存，无法检索，最终trace的筛查只能通过时间/traceId/service/endPoint/state进行非业务相关的搜索

skywalking缺少对三方接口依赖的指标，这个对于系统稳定往往非常重要

而作为一个初级的使用者，个人觉得我们可以使用有限的人力在以下方向进行扩展：

增加receiver：整合ELK，通过日志采集采集数据，降低异构系统的采集开发成本

优化数据结构，提供基于业务关键数据的查询接口

优化探针，采集更多的业务数据，争取代替传统的ELK日志简单查询，绝大部分异常诊断和定位均可以通过Skywalking即可完成

增加业务指标监控的模式，能够自定义业务指标(目前官方已经在实现 Metric Exporter )

原文链接：APM和调用链跟踪，转载请注明来源！

分享到：