三個開源的分散式追蹤工具 | Linux 中國

這幾個工具對複雜軟體系統中的實時事件做了視覺化，能幫助你快速發現效能問題。

分散式追蹤系統能夠從頭到尾地追蹤跨越了多個應用、服務、資料庫以及像代理這樣的中介軟體的分散式軟體的請求。它能幫助你更深入地理解系統中到底發生了什麼。追蹤系統以圖形化的方式，展示出每個已知步驟以及某個請求在每個步驟上的耗時。

使用者可以透過這些展示來判斷系統的哪個環節有延遲或阻塞，當請求失敗時，運維和開發人員可以看到準確的問題源頭，而不需要去測試整個系統，比如用二叉查詢樹的方法去定位問題。在開發迭代的過程中，追蹤系統還能夠展示出可能引起效能變化的環節。透過異常行為的警告自動地感知到效能的退化，總是比客戶告訴你要好。

這種追蹤是怎麼工作的呢？給每個請求分配一個特殊 ID，這個 ID 通常會插入到請求頭部中。它唯一標識了對應的事務。一般把事務叫做蹤跡trace，“蹤跡”是整個事務的抽象概念。每一個“蹤跡”由單元span組成，“單元”代表著一次請求中真正執行的操作，比如一次服務呼叫，一次資料庫請求等。每一個“單元”也有自己唯一的 ID。“單元”之下也可以建立子“單元”，子“單元”可以有多個父“單元”。

當一次事務（或者說蹤跡）執行過之後，就可以在追蹤系統的表示層上搜索了。有幾個工具可以用作表示層，我們下文會討論，不過，我們先看下麵的圖，它是我在 Istio walkthrough[1] 影片教程中提到的 Jaeger[2] 介面，展示了單個蹤跡中的多個單元。很明顯，這個圖能讓你一目瞭然地對事務有更深的瞭解。

這個演示使用了 Istio 內建的 OpenTracing 實現，所以我甚至不需要修改自己的應用程式碼就可以獲得追蹤資料。我也用到了 Jaeger，它是相容 OpenTracing 的。

那麼 OpenTracing 到底是什麼呢？我們來看看。

OpenTracing API

OpenTracing[3] 是源自 Zipkin[4] 的規範，以提供跨平臺相容性。它提供了對廠商中立的 API，用來嚮應用程式新增追蹤功能並將追蹤資料傳送到分散式的追蹤系統。按照 OpenTracing 規範編寫的庫，可以被任何相容 OpenTracing 的系統使用。採用這個開放標準的開源工具有 Zipkin、Jaeger 和 Appdash 等。甚至像 Datadog[5] 和 Instana[6] 這種付費工具也在採用。因為現在 OpenTracing 已經無處不在，這樣的趨勢有望繼續發展下去。

OpenCensus

OpenTracing 已經說過了，可 OpenCensus[7] 又是什麼呢？它在搜尋結果中老是出現。它是一個和 OpenTracing 完全不同或者互補的競爭標準嗎？

這個問題的答案取決於你的提問物件。我先盡我所能地解釋一下它們的不同（按照我的理解）：OpenCensus 更加全面或者說它包羅永珍。OpenTracing 專註於建立開放的 API 和規範，而不是為每一種開發語言和追蹤系統都提供開放的實現。OpenCensus 不僅提供規範，還提供開發語言的實現，和連線協議，而且它不僅只做追蹤，還引入了額外的度量指標，這些一般不在分散式追蹤系統的職責範圍。

使用 OpenCensus，我們能夠在執行著應用程式的主機上檢視追蹤資料，但它也有個可插拔的匯出器系統，用於匯出資料到中心聚合器。目前 OpenCensus 團隊提供的匯出器包括 Zipkin、Prometheus、Jaeger、Stackdriver、Datadog 和 SignalFx，不過任何人都可以建立一個匯出器。

依我看這兩者有很多重疊的部分，沒有哪個一定比另外一個好，但是重要的是，要知道它們做什麼事情和不做什麼事情。OpenTracing 主要是一個規範，具體的實現和獨斷的設計由其他人來做。OpenCensus 更加獨斷地為本地元件提供了全面的解決方案，但是仍然需要其他系統做遠端的聚合。

可選工具

Zipkin

Zipkin 是最早出現的這類工具之一。 谷歌在 2010 年發表了介紹其內部追蹤系統 Dapper 的論文[8]，Twitter 以此為基礎開發了 Zipkin。Zipkin 的開發語言 Java，用 Cassandra 或 ElasticSearch 作為可擴充套件的儲存後端，這些選擇能滿足大部分公司的需求。Zipkin 支援的最低 Java 版本是 Java 6，它也使用了 Thrift[9] 的二進位制通訊協議，Thrift 在 Twitter 的系統中很流行，現在作為 Apache 專案在託管。

這個系統包括上報器（客戶端）、資料收集器、查詢服務和一個 web 介面。Zipkin 只傳輸一個帶事務背景關係的蹤跡 ID 來告知接收者追蹤的進行，所以說在生產環境中是安全的。每一個客戶端收集到的資料，會非同步地傳輸到資料收集器。收集器把這些單元的資料存到資料庫，web 介面負責用可消費的格式展示這些資料給使用者。客戶端傳輸資料到收集器有三種方式：HTTP、Kafka 和 Scribe。

Zipkin 社群[10] 還提供了 Brave[11]，一個跟 Zipkin 相容的 Java 客戶端的實現。由於 Brave 沒有任何依賴，所以它不會拖累你的專案，也不會使用跟你們公司標準不相容的庫來搞亂你的專案。除 Brave 之外，還有很多其他的 Zipkin 客戶端實現，因為 Zipkin 和 OpenTracing 標準是相容的，所以這些實現也能用到其他的分散式追蹤系統中。流行的 Spring 框架中一個叫 Spring Cloud Sleuth[12] 的分散式追蹤元件，它和 Zipkin 是相容的。

Jaeger

Jaeger[2] 來自 Uber，是一個比較新的專案，CNCF[13]（雲原生計算基金會）已經把 Jaeger 託管為孵化專案。Jaeger 使用 Golang 開發，因此你不用擔心在伺服器上安裝依賴的問題，也不用擔心開發語言的直譯器或虛擬機器的開銷。和 Zipkin 類似，Jaeger 也支援用 Cassandra 和 ElasticSearch 做可擴充套件的儲存後端。Jaeger 也完全相容 OpenTracing 標準。

Jaeger 的架構跟 Zipkin 很像，有客戶端（上報器）、資料收集器、查詢服務和一個 web 介面，不過它還有一個在各個伺服器上執行著的代理，負責在伺服器本地做資料聚合。代理透過一個 UDP 連線接收資料，然後分批處理，傳送到資料收集器。收集器接收到的資料是 Thrift[14] 協議的格式，它把資料存到 Cassandra 或者 ElasticSearch 中。查詢服務能直接訪問資料庫，並給 web 介面提供所需的資訊。

預設情況下，Jaeger 客戶端不會採集所有的追蹤資料，只抽樣了 0.1% 的（ 1000 個採 1 個）追蹤資料。對大多數系統來說，保留所有的追蹤資料並傳輸的話就太多了。不過，透過配置代理可以調整這個值，客戶端會從代理獲取自己的配置。這個抽樣並不是完全隨機的，並且正在變得越來越好。Jaeger 使用機率抽樣，試圖對是否應該對新蹤跡進行抽樣進行有根據的猜測。 自適應取樣已經在路線圖當中[15]，它將透過新增額外的、能夠幫助做決策的背景關係來改進取樣演演算法。

Appdash

Appdash[16] 也是一個用 Golang 寫的分散式追蹤系統，和 Jaeger 一樣。Appdash 是 Sourcegraph[17] 公司基於谷歌的 Dapper 和 Twitter 的 Zipkin 開發的。同樣的，它也支援 Opentracing 標準，不過這是後來新增的功能，依賴了一個與預設元件不同的元件，因此增加了風險和複雜度。

從高層次來看，Appdash 的架構主要有三個部分：客戶端、本地收集器和遠端收集器。因為沒有很多檔案，所以這個架構描述是基於對系統的測試以及檢視原始碼。寫程式碼時需要把 Appdash 的客戶端新增進來。Appdash 提供了 Python、Golang 和 Ruby 的實現，不過 OpenTracing 庫可以與 Appdash 的 OpenTracing 實現一起使用。 客戶端收集單元資料，並將它們傳送到本地收集器。然後，本地收集器將資料傳送到中心的 Appdash 伺服器，這個伺服器上執行著自己的本地收集器，它的本地收集器是其他所有節點的遠端收集器。

via: https://opensource.com/article/18/9/distributed-tracing-tools

作者：Dan Barker[19] 選題：lujun9972 譯者：belitex 校對：wxy

本文由 LCTT 原創編譯，Linux中國 榮譽推出