跳到主要内容

基于服务的采样

介绍​

在分布式系统中，Jaeger的基于服务的采样（Service-Specific Sampling）允许为不同服务配置独立的采样率。这种策略解决了全局采样无法满足服务差异化需求的痛点，例如：

  • 核心服务需要高采样率以捕获关键链路
  • 高频低价值服务可降低采样率以减少存储开销

工作原理​

Jaeger客户端会根据请求所属的服务名称，匹配预定义的采样规则。规则通常包含：

  1. 服务名：区分不同服务的标识符
  2. 采样类型：如概率采样（probabilistic）或限流采样（rate-limiting）
  3. 采样参数：如采样概率或每秒最大请求数

配置示例​

基础配置​

通过Jaeger客户端的配置文件定义采样策略（以YAML为例）：

yaml
service_strategies:
  - service: payment-service
    type: probabilistic
    param: 0.8  # 80%采样率
  - service: notification-service
    type: probabilistic
    param: 0.1  # 10%采样率
default_strategy:
  type: probabilistic
  param: 0.5    # 默认50%采样率
配置生效条件

配置需在服务启动时加载，动态更新通常需要重启服务或使用特定热加载机制

代码示例（Go语言）​

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

func initTracer() (opentracing.Tracer, io.Closer, error) {
	cfg := config.Configuration{
		ServiceName: "shopping-cart",
		Sampler: &config.SamplerConfig{
			Type:  "probabilistic",
			Param: 0.3, // 30%采样率
		},
	}
	return cfg.NewTracer()
}

实际应用场景​

电商平台案例​

服务类型采样率理由
订单服务100%涉及支付等关键业务需全量追踪
推荐引擎20%非核心链路可降低采样率
日志清洗服务0.1%仅需极少量采样用于监控基本可用性
注意事项
  1. 高采样率会显著增加存储成本
  2. 采样率低于100%可能导致关键链路信息丢失
  3. 不同服务间的调用关系需保持采样逻辑连贯

高级配置技巧​

动态策略加载​

结合远程配置中心（如Consul）实现动态调整：

python
# 伪代码示例
def update_sampling_strategy(service_name):
    strategy = consul.get(f"sampling/{service_name}")
    jaeger_client.update_strategy(
        service=service_name,
        type=strategy['type'],
        param=strategy['param']
    )

混合采样策略​

可组合多种采样类型：

yaml
service_strategies:
  - service: auth-service
    type: rate-limiting
    param: 10   # 每秒最多10条trace
  - service: inventory-service
    type: probabilistic
    param: 0.5

总结​

关键要点：

  • 基于服务的采样实现服务粒度的追踪控制
  • 合理配置可平衡监控需求与系统开销
  • 生产环境建议结合业务重要性制定采样策略

延伸学习​

推荐练习：

  1. 在本地环境为两个服务配置不同的采样率
  2. 使用Jaeger UI观察不同服务的trace数量差异
  3. 尝试动态修改采样率并观察效果变化

官方资源：