跳到主要内容

客户端采样控制

介绍​

在分布式追踪系统中，采样控制是决定哪些请求需要被记录的关键机制。Zipkin的客户端采样功能允许开发者通过配置采样率（如10%或100%），在系统性能和追踪数据完整性之间取得平衡。对于高流量系统，全量采样可能导致存储压力，而采样率过低可能丢失关键链路信息。

为什么需要采样？
  • 减少网络和存储开销
  • 避免高并发场景下的性能损耗
  • 聚焦关键业务路径的追踪

基础采样策略​

1. 概率采样（Probability Sampling）​

最简单的采样方式，通过固定比例决定是否记录请求：

java
// Java示例：使用 Brave 库配置 10% 采样率
Sampler sampler = CountingSampler.create(0.1); // 0.1 = 10%
Tracing.newBuilder()
       .localServiceName("my-service")
       .sampler(sampler)
       .build();

输入/输出示例：

  • 系统收到100次请求 → 约10条追踪数据被记录

2. 速率限制采样（Rate Limiting）​

控制单位时间内的最大追踪数：

python
# Python示例：每秒最多采样5个请求
from py_zipkin.sampling import RateLimitingSampler
sampler = RateLimitingSampler(5)  # 5 traces per second

高级采样配置​

动态采样​

根据请求属性动态决策，例如：

  • 对 /payment 路径100%采样
  • 对 /healthcheck 路径0%采样
java
// Java动态采样示例
Sampler dynamicSampler = request -> {
    if (request.path().contains("/payment")) {
        return true;
    }
    return Math.random() < 0.2; // 其他请求20%采样
};

分层采样​

实际案例​

电商场景配置：

yaml
# 假设的配置示例（非真实语法）
sampling:
  default: 0.3
  overrides:
    - path: "/checkout/**"
      rate: 1.0
    - path: "/api/inventory"
      rate: 0.8
    - path: "/static/**"
      rate: 0.01
注意事项
  1. 采样率变更需要重启应用
  2. 低采样率可能导致链路不完整
  3. 生产环境建议从50%开始逐步调整

总结​

关键要点：

  • 采样率需根据业务关键性和系统负载调整
  • 混合使用静态和动态采样能达到最佳效果
  • 监控采样效果（如丢失的重要错误追踪）

延伸阅读：

练习建议：

  1. 在本地环境尝试配置50%和10%采样率，观察控制台输出差异
  2. 为登录接口实现100%采样，其他接口5%采样的动态逻辑