跳到主要内容

SkyWalking 存储架构

介绍​

SkyWalking的后端存储架构是其分布式追踪系统的核心组件，负责高效存储和查询海量监控数据。作为初学者，理解这一架构将帮助你掌握SkyWalking如何处理性能指标、调用链和拓扑图等关键数据。

存储架构设计遵循以下原则：

  • 可扩展性：支持水平扩展以应对数据增长
  • 高性能：优化读写路径满足实时分析需求
  • 灵活性：支持多种存储后端实现

核心组件​

1. 存储分层设计​

SkyWalking采用分层架构，主要包含：

  1. Stream Processor：实时处理原始数据流
  2. Storage Interface：抽象存储操作的标准接口
  3. Storage Implementation：对接具体存储引擎的实现

2. 数据模型​

主要存储三类数据：

  • Metrics：性能指标数据（如TPS、延迟）
  • Traces：分布式调用链数据
  • Topology：服务拓扑关系数据
数据分片策略

SkyWalking默认按时间分片（如天/小时），可通过segment/day等配置调整

存储实现示例​

使用Elasticsearch配置​

yaml
# application.yml片段
storage:
  selector: ${SW_STORAGE:elasticsearch}
  elasticsearch:
    nameSpace: ${SW_NAMESPACE:""}
    clusterNodes: ${SW_STORAGE_ES_CLUSTER_NODES:localhost:9200}
    protocol: ${SW_STORAGE_ES_HTTP_PROTOCOL:"http"}

H2内存数据库示例​

适合开发环境快速验证：

java
// 创建H2存储表示例
@Stream(name = "service_relation", processor = "none")
@ScopeDeclaration(id = SERVICE_RELATION, name = "ServiceRelation")
public class ServiceRelation extends Source {
    @Override public int scope() {
        return DefaultScopeDefine.SERVICE_RELATION;
    }
}

实际案例​

电商系统监控存储​

假设一个电商平台使用SkyWalking监控：

  1. 指标存储：每秒订单数写入metrics索引
  2. 调用链存储：支付链路trace存入traces索引
  3. 拓扑数据：服务间调用关系存入topology图
性能优化实践

对于高频查询，可在Elasticsearch中配置热节点专门处理实时查询

总结​

SkyWalking存储架构的关键特点：

  • 通过抽象层支持多种存储后端
  • 针对可观测性数据特化设计
  • 内置数据分片和TTL管理

扩展学习​

推荐下一步了解：

  • 存储性能调优参数
  • 自定义存储实现开发
  • 存储数据迁移策略

尝试练习：

  1. 配置H2和ES两种存储后端
  2. 查询存储的指标数据API
  3. 分析不同存储引擎的监控指标