跳到主要内容

采样率监控

介绍​

在分布式追踪系统中，**采样率（Sampling Rate）**决定了哪些请求的追踪数据会被收集和分析。过高的采样率可能导致存储和性能开销，而过低的采样率可能遗漏关键问题。通过Jaeger监控采样率，可以优化这一平衡。

采样率监控的核心目标：

  • 确保采样策略符合预期（如固定采样率或动态采样）。
  • 识别采样率异常（如因配置错误导致的0采样）。
  • 验证追踪数据的代表性（如错误请求是否被足够采样）。

采样率基础​

采样类型​

Jaeger支持以下常见采样策略：

  1. 固定采样（Probabilistic）：按固定概率采样（如 0.1 表示10%的请求被追踪）。
  2. 速率限制（Rate Limiting）：每秒最多采样N条追踪。
  3. 动态采样（Adaptive）：根据业务规则动态调整（如对错误请求提高采样率）。

关键指标​

监控采样率时需关注：

  • jaeger_sampler_sampling_decision_total：总采样决策数（sampled 和 not_sampled 标签）。
  • jaeger_sampler_rate：当前配置的采样率。

代码示例​

配置固定采样率​

以下是通过Jaeger客户端（以Go为例）设置固定采样率的代码：

go
package main

import (
	"github.com/uber/jaeger-client-go"
	"github.com/uber/jaeger-client-go/config"
)

func main() {
	cfg := config.Configuration{
		Sampler: &config.SamplerConfig{
			Type:  jaeger.SamplerTypeProbabilistic,
			Param: 0.1, // 10%采样率
		},
	}
	// 初始化Tracer...
}

输出验证：

  • 若发送100个请求，预期约10条追踪数据（可能存在统计波动）。

监控实践​

通过Prometheus查询采样率​

Jaeger暴露的指标可通过Prometheus监控。例如，查询实际采样率：

promql
sum(rate(jaeger_sampler_sampling_decision_total{sampled="true"}[5m])) 
/ 
sum(rate(jaeger_sampler_sampling_decision_total[5m]))

Mermaid可视化​

实际案例​

场景：动态调整采样率​

某电商网站在大促期间因流量激增，固定采样率导致存储压力。解决方案：

  1. 使用动态采样，对高价值路径（如支付）保持100%采样。
  2. 对其他路径降低至1%。
  3. 通过监控确认采样分布是否符合预期。
提示

动态采样需结合业务标签（如 http.status_code=500）优先捕获错误请求。

总结​

  • 采样率监控是平衡数据质量与系统开销的关键。
  • 通过Jaeger指标实时验证采样策略有效性。
  • 动态采样适合流量波动或高价值场景。

扩展练习​

  1. 在本地Jaeger中配置不同采样策略，观察指标变化。
  2. 尝试编写PromQL查询，对比不同服务的采样率差异。

附加资源​