万字详解！搜狐智能媒体基于 Zipkin 和 StarRocks 的微服务链路追踪实践

作者：翟东波、叶书俊

在微服务体系架构下，搜狐智能媒体使用 Zipkin 进行服务链路追踪（Tracing）的埋点采集，将采集的 Trace 信息存储到 StarRocks 中。通过 StarRocks 强大的 SQL 计算能力，对 Tracing 信息进行多维度的统计、分析等操作，提升了微服务监控能力，从简单统计的 Monitoring 上升到更多维度探索分析的 Observability。

全文主要分为三个部分：第一节主要介绍微服务下的常用监控方式，其中链路追踪技术，可以串联整个服务调用链路，获得整体服务的关键信息，对微服务的监控有非常重要的意义。第二节主要介绍搜狐智能媒体是如何构建链路追踪分析体系的，主要包括 Zipkin 的数据采集，StarRocks 的数据存储，以及根据应用场景对 StarRocks 进行分析计算等三个部分。第三节主要介绍搜狐智能媒体通过引入 Zipkin 和 StarRocks 进行链路追踪分析取得的一些实践效果。

01 微服务架构中的链路追踪

近年来，企业 IT 应用架构逐步向微服务、云原生等分布式应用架构演进，在搜狐智能媒体内部，应用服务按照微服务、Docker、Kubernetes、Spring Cloud 等架构思想和技术方案进行研发运维，提升部门整体工程效率。

微服务架构提升工程效率的同时，也带来了一些新的问题。微服务是一个分布式架构，它按业务划分服务单元，用户的每次请求不再是由某一个服务独立完成了，而是变成了多个服务一起配合完成。这些服务可能是由不同的团队、使用不同的编程语言实现，可能布在了不同的服务器、甚至不同的数据中心。如果用户请求出现了错误和异常，微服务分布式调用的特性决定了这些故障难以定位，相对于传统的单体架构，微服务监控面临着新的难题。

Logging、Metrics、Tracing

微服务监控可以包含很多方式，按照监测的数据类型主要划分为 Logging、Metrics 和Tracing 三大领域：

Logging

用户主动记录的离散事件，记录的信息一般是非结构化的文本内容，在用户进行问题分析判断时可以提供更为详尽的线索。

具有聚合属性的采集数据，旨在为用户展示某个指标在某个时段的运行状态，用于查看一些指标和趋势。

Tracing

记录一次请求调用的生命周期全过程，其中包括服务调用和处理时长等信息，含有请求上下文环境，由一个全局唯一的 Trace ID 来进行标识和串联整个调用链路，非常适合微服务架构的监控场景。

图 1

三者的关系如上图所示，这三者之间也是有重叠的，比如 Logging 可以聚合相关字段生成 Metrics 信息，关联相关字段生成 Tracing 信息；Tracing 可以聚合查询次数生成 Metrics 信息，可以记录业务日志生成 Logging 信息。一般情况下要在 Metrics 和 Logging 中增加字段串联微服务请求调用生命周期比较困难，通过 Tracing 获取 Metrics 和 Logging 则相对容易很多。

另外，这三者对存储资源有着不同的需求，Metrics 是天然的压缩数据，最节省资源；Logging 倾向于无限增加的，甚至会超出预期的容量；Tracing 的存储容量，一般介于 Metrics 和 Logging 两者之间，另外还可通过采样率进一步控制容量需求。

从 Monitoring 到 Observability

Monitoring tells you whether the system works. Observability lets you ask why it's not working.

– Baron Schwarz
微服务监控从数据分析层次，可以简单分为 Monitoring 和 Observability。

Monitoring

告诉你系统是否在工作，对已知场景的预定义计算，对各种监控问题的事前假设。对应上图 Known Knowns 和 Known Unknowns，都是事先假设可能会发生的事件，包括已经明白和不明白的事件。

Observability

可以让你询问系统为什么不工作，对未知场景的探索式分析，对任意监控问题的事后分析。对应上图 Unknown Knowns 和 Unknown Unknowns，都是事未察觉可能会发生的事件，包括已经明白和不明白的事件。

很显然，通过预先假设所有可能发生事件进行 Monitoring 的方式，已经不能满足微服务复杂的监控场景，我们需要能够提供探索式分析的 Observability 监控方式。在 Logging、Metrics 和 Tracing，Tracing 是目前能提供多维度监控分析能力的最有效方式。

Tracing

链路追踪 Tracing Analysis 为分布式应用的开发者提供了完整的调用链路还原、调用请求量统计、链路拓扑、应用依赖分析等工具，可以帮助开发者快速分析和诊断分布式应用架构下的性能瓶颈，提高微服务时代下的开发诊断效率。

Tracing 可以串联微服务中分布式请求的调用链路，在微服务监控体系中有着重要的作用。另外，Tracing 介于 Metrics 和 Logging 之间，既可以完成 Monitoring 的工作，也可以进行 Observability 的分析，提升监控体系建设效率。

系统模型

链路追踪（Tracing）系统，需要记录一次特定请求经过的上下游服务调用链路，以及各服务所完成的相关工作信息。

如下图所示的微服务系统，用户向服务 A 发起一个请求，服务 A 会生成一个全局唯一的 Trace ID，服务 A 内部 Messaging 方式调用相关处理模块（比如跨线程异步调用等），服务 A 模块再通过 RPC 方式并行调用服务 B 和服务 C；服务 B 会即刻返回响应，但服务 C 会采用串行方式，先用 RPC 调用服务 D，再用 RPC 调用服务 E，然后再响应服务 A 的调用请求；服务 A 在内部两个模块调用处理完后，会响应最初的用户请求。

最开始生成的 Trace ID 会在这一系列的服务内部或服务之间的请求调用中传递，从而将这些请求调用连接起来。另外，Tracing 系统还会记录每一个请求调用处理的 Timestamp、服务名等等相关信息。

图 3（注：服务内部串行调用对系统性能有影响，一般采用并行调用方式，后续章节将只考虑并行调用场景。）

在 Tracing 系统中，主要包含 Trace 和 Span 两个基础概念，下图展示了一个由 Span 构成的 Trace。

图 4

Trace 指一个外部请求经过的所有服务的调用链路，可以理解为一个有服务调用组成的树状结构，每条链路都有一个全局唯一的 ID 来标识。

Span 指服务内部或服务之间的一次调用，即 Trace 树中的节点，如下图所示的由 Span 构成的 Trace 树，树中的 Span 节点之间存在父子关系。Span 主要包含 Span名称、Span ID、父 ID，以及 Timestamp、Dration（包含子节点调用处理的 duration）、业务数据等其他 log 信息。

Span 根据调用方式可以分为 RPC Span 和 Messaging Span：

RPC Span

由 RPC Tracing 生成，分为 Client 和 Server 两类 Span，分别由 RPC 服务调用的 Client 节点和 Server 节点记录生成，两者共享 Span ID、Parent Span ID 等信息，但要注意，这两个 Span 记录的时间是有偏差，这个偏差是服务间的调用开销，一般是由网络传输开销、代理服务或服务接口消息排队等情况引起的。

Messaging Span

由 Messaging Tracing 生成，一般用于 Tracing 服务内部调用，不同于 RPC Span，Messaging Span 之间不会共享 Span ID 等信息。

应用场景

根据 Tracing 的系统模型，可获得服务响应等各类 Metric 信息，用于 Alerting、DashBoard 查询等；也可根据 Span 组成的链路，分析单个或整体服务情况，发现服务性能瓶颈、网络传输开销、服务内异步调用设计等各种问题。如下图所示，相比于 Metrics 和 Logging，Tracing 可以同时涵盖监控的 Monitoring 和 Observability 场景，在监控体系中占据重要位置，Opentracing、Opencensus、Opentelemetry 等协会和组织都包含对 Tracing 的支持。

图 5

从微服务的角度，Tracing 记录的 Span 信息可以进行各种维度的统计和分析。下图基于 HTTP API 设计的微服务系统为例，用户查询 Service1的 /1/api 接口，Service1 再请求 Service2 的 /2/api，Service2 内部异步并发调用 msg2.1 和 msg2.2，msg2.1 请求 Service3的 /3/api接口，msg2.2 请求 Service4 的 /4/api接口，Service3 内部调用 msg3，Service4 再请求 Service5 的 /5/api，其中 Service5 没有进行 Tracing 埋点，无法采集 Service5 的信息。

图 6

针对上图的微服务系统，可以进行如下两大类的统计分析操作：

服务内分析

关注单个服务运行情况，比如对外服务接口和上游接口查询的性能指标等，分析场景主要有：

1、上游服务请求

如 Service1 提供的 /1/api ,Service4 提供的 /4/api等，统计获得次数、QPS、耗时百分位数、出错率、超时率等等 metric 信息。

2、下游服务响应

如 Service1 请求的 /2/api 、Service4 请求的 /5/api等，统计查询次数、QPS、耗时百分位数、出错率、超时率等等 Metric 信息。

3、服务内部处理

服务对外接口在内部可能会被分拆为多个 Span，可以按照 Span Name 进行分组聚合统计，发现耗时最长的 Span 等，如 Service2 接口 /2/api ，接口服务内部 Span 包括 /2/api 的 Server Span，call2.1 对应的 Span 和 call2.2 对应的 Span，通过 Span 之间的依赖关系可以算出这些 Span 自身的耗时 Duraion，进行各类统计分析。

服务间分析

在进行微服务整体分析时，我们将单个服务看作黑盒，关注服务间的依赖、调用链路上的服务热点等，分析场景主要有：

1、服务拓扑统计

可以根据服务间调用的 Client Span 和 Server Span，获得整个服务系统的拓扑结构，以及服务之间调用请求次数、Duration 等统计信息。

2、调用链路性能瓶颈分析

分析某个对外请求接口的调用链路上的性能瓶颈，这个瓶颈可能是某个服务内部处理开销造成的，也可能是某两个服务间的网络调用开销等等原因造成的。

对于一次调用涉及到数十个以上微服务的复杂调用请求，每次出现的性能瓶颈很可能都会不一样，此时就需要进行聚合统计，算出性能瓶颈出现频次的排名，分析出针对性能瓶颈热点的服务或服务间调用。

以上仅仅是列举的部分分析场景，Tracing 提供的信息其实可以支持更多的 Metric 统计和探索式分析场景，本文不再一一例举。

02 基于 Zipkin 和 StarRocks 构建链路追踪分析系统

链路追踪系统主要分为数据采集、数据存储和分析计算三大部分，目前使用最广泛的开源链路追踪系统是 Zipkin，它主要包括数据采集和分析计算两大部分，底层的存储依赖其他存储系统。搜狐智能媒体在构建链路追踪系统时，最初采用 Zipkin + ElasticSearch 得方式进行构建，后增加 StarRocks 作为底层存储系统，并基于 StarRocks 进行分析统计，系统总体架构如下图。

图 7

数据采集

Zipkin 支持客户端全自动埋点，只需将相关库引入应用程序中并简单配置，就可以实现 Span 信息自动生成，Span 信息通过 HTTP 或 Kafka 等方式自动进行上传。Zipkin 目前提供了绝大部分语言的埋点采集库，如 Java 语言的 Spring Cloud 提供了 Sleuth 与 Zipkin 进行深度绑定，对开发人员基本做到透明使用。为了解决存储空间，在使用时一般要设置 1/100 左右的采样率，Dapper 的论文中提到即便是 1/1000 的采样率，对于跟踪数据的通用使用层面上，也可以提供足够多的信息。

数据模型

对应 图 6，下面给出了 Zipkin Span 埋点采集示意图 (图 8)，具体流程如下：

图 8

1. 用户发送给 Service1 的 Request 中，不含有 Trace 和 Span 信息，Service1 会创建一个 Server Span，随机生成全局唯一的 TraceID（如图中的 X）和 SpanId（如图中的 A，此处的 X 和 A 会使用相同的值），记录 Timestamp 等信息；Service1 在给用户返回 Response 时，Service1 会统计 Server Span 的处理耗时 Duration，会将包含 TraceID、SpanID、Timestamp、Duration 等信息的 Server Span 完整信息进行上报。
2. Service1 向 Service2 发送的请求，会创建一个 Client Span，使用 X 作为 Trace ID，随机生成全局唯一的 SpanID（如图中的 B),记录 Timestamp 等信息，同时 Service1 会将 Trace ID（X）和 SpanID（B）传递给 Service2（如在 HTTP 协议的 HEADER 中添加 TraceID 和 SpanID 等相关字段）；Service1 在收到 Service2 的响应后，Service1 会处理 Client Span 相关信息，并将 Client Span 进行上报
3. Service2 收到 Service1 的 Request 中，包含 Trace（X）和 Span（B）等信息，Service2 会创建一个 Server Span，使用 X 作为 Trace ID，B 作为 SpanID，内部调用msg2.1 和 msg2.2 同时，将 Trace ID（X）和 SpanID（B）传递给它们；Service2 在收到 msg2.1 和 msg2.2 的返回后，Service1 会处理 Server Span 相关信息，并将此 Server Span 进行上报
4. Service2 的 msg2.1 和 msg2.2 会分别创建一个 Messaging Span，使用 X 作为 Trace ID，随机生成全局唯一的 SpanID（如图中的 C 和 F),记录 Timestamp 等信息，分别向 Service3 和 Service4 发送请求；msg2.1 和 msg2.2 收到响应后，会分别处理 Messaging Span 相关信息，并将两个 Messaging Span 进行上报
5. Service2 向 Service3 和 Service4 发送的请求，会各创建一个 Client Span，使用 X 作为 Trace ID，随机生成全局唯一的 SpanID（如图中的 D 和 G),记录 Timestamp 等信息，同时 Service2 会将 Trace ID（X）和 SpanID（D 或 G）传递给 Service3 和 Service4；Service12 在收到 Service3 和 Service3 的响应后，Service2 会分别处理 Client Span 相关信息，并将两个 Client Span 进行上报
6. Service3 收到 Service2 的Request中，包含 Trace（X）和Span（D）等信息，Service3 会创建一个 Server Span，使用 X 作为 Trace ID，D 作为 SpanID，内部调用 msg3；Service3 在收到 msg3 的返回后，Service3 会处理此 Server Span 相关信息，并将此 Server Span 进行上报
7. Service3 的 msg3 会分别创建一个 Messaging Span，使用 X 作为 Trace ID，随机生成全局唯一的 SpanID（如图中的 E),记录 Timestamp 等信息，msg3 处理完成后，处理此 Messaging Span 相关信息，并将此 Messaging Span 进行上报
8. Service4 收到 Service2 的 Request 中，包含 Trace（X）和 Span（G）等信息，Service4 会创建一个 Server Span，使用 X 作为 Trace ID，G 作为 SpanID，再向 Service5 发送请求；Service4 在收到 Service5 的响应后，Service4 会处理此 Server Span 相关信息，并将此 Server Span 进行上报
9. Service4 向 Service5 发送的请求，会创建一个 Client Span，使用 X 作为 Trace ID，随机生成全局唯一的 SpanID（如图中的 H),记录 Timestamp 等信息，同时 Service4 会将 Trace ID（X）和 SpanID（H）传递给 Service5；Service4 在收到 Service5 的响应后，Service4 会处理 Client Span 相关信息，并将此 Client Span 进行上报

上面整个 Trace X 调用链路会生成的 Span 记录如下图，每个 Span 主要会记录 Span Id、Parent Id、Kind（CLIENT 表示 RPC CLIENT 端 Span，SERVER 表示 RPC SERVER 端 SPAN，NULL 表示 Messaging SPAN），SN（Service Name），还会包含 Trace ID，时间戳、Duration 等信息。Service5 没有进行 Zipkin 埋点采集，因此不会有 Service5 的 Span 记录。

图 9

数据格式

设置了 Zipkin 埋点的应用服务，默认会使用 Json 格式向 Kafka 上报 Span 信息，上报的信息主要有如下几个注意点：

每个应用服务每次会上报一组 Span，组成一个 Json 数组上报

Json 数组里包含不同 Trace的Span，即不是所有的 Trace ID都 相同

不同形式的接口（如 Http、Grpc、Dubbo 等），除了主要字段相同外，在 tags 中会各自记录一些不同的字段

[
  {
    "traceId": "3112dd04c3112036",
    "id": "3112dd04c3112036",
    "kind": "SERVER",
    "name": "get /2/api",
    "timestamp": 1618480662355011,
    "duration": 12769,
    "localEndpoint": {
      "serviceName": "SERVICE2",
      "ipv4": "172.24.132.32"
    },
    "remoteEndpoint": {
      "ipv4": "111.25.140.166",
      "port": 50214
    },
    "tags": {
      "http.method": "GET",
      "http.path": "/2/api",
      "mvc.controller.class": "Controller",
      "mvc.controller.method": "get2Api"
    }
  },
  {
    "traceId": "3112dd04c3112036",
    "parentId": "3112dd04c3112036",
    "id": "b4bd9859c690160a",
    "name": "msg2.1",
    "timestamp": 1618480662357211,
    "duration": 11069,
    "localEndpoint": {
      "serviceName": "SERVICE2"
    },
    "tags": {
      "class": "MSG",
      "method": "msg2.1"
    }
  },
  {
    "traceId": "3112dd04c3112036",
    "parentId": "3112dd04c3112036",
    "id": "c31d9859c69a2b21",
    "name": "msg2.2",
    "timestamp": 1618480662357201,
    "duration": 10768,
    "localEndpoint": {
      "serviceName": "SERVICE2"
    },
    "tags": {
      "class": "MSG",
      "method": "msg2.2"
    }
  },
  {
    "traceId": "3112dd04c3112036",
    "parentId": "b4bd9859c690160a",
    "id": "f1659c981c0f4744",
    "kind": "CLIENT",
    "name": "get /3/api",
    "timestamp": 1618480662358201,
    "duration": 9206,
    "localEndpoint": {
      "serviceName": "SERVICE2",
      "ipv4": "172.24.132.32"
    },
    "tags": {
      "http.method": "GET",
      "http.path": "/3/api"
    }
  },
  {
    "traceId": "3112dd04c3112036",
    "parentId": "c31d9859c69a2b21",
    "id": "73cd1cab1d72a971",
    "kind": "CLIENT",
    "name": "get /4/api",
    "timestamp": 1618480662358211,
    "duration": 9349,
    "localEndpoint": {
      "serviceName": "SERVICE2",
      "ipv4": "172.24.132.32"
    },
    "tags": {
      "http.method": "GET",
      "http.path": "/4/api"
    }
  }
]

图 10

数据存储

Zipkin 支持 MySQL、Cassandra 和 ElasticSearch 三种数据存储，这三者都存在各自的缺点：

• MySQL：采集的 Tracing 信息基本都在每天上亿行甚至百亿行以上，MySQL 无法支撑这么大数据量。
• Cassandra：能支持对单个 Trace 的 Span 信息分析，但对聚合查询等数据统计分析场景支持不好
• ElasticSearch：能支持单个 Trace 的分析和简单的聚合查询分析，但对于一些较复杂的数据分析计算不能很好的支持，比如涉及到 Join、窗口函数等等的计算需求，尤其是任务间依赖计算，Zipkin 目前还不能实时计算，需要通过离线跑 Spark 任务计算任务间依赖信息。

我们在实践中也是首先使用 ElasticSearch，发现了上面提到的问题，比如 Zipkin 的服务依赖拓扑必须使用离线方式计算，便新增了 StarRocks 作为底层数据存储。将 Zipkin 的 trace 数据导入到StarRocks很方便，基本步骤只需要两步，CREATE TABLE + CREATE ROUTINE LOAD。

另外，在调用链路性能瓶颈分析场景中，要将单个服务看作黑盒，只关注 RPC SPAN，屏蔽掉服务内部的 Messaging Span，使用了 Flink 对服务内部 span 进行 ParentID 溯源，即从 RPC Client SPAN，一直追溯到同一服务同一 Trace ID 的 RPC Server SPAN，用 RPC Server SPAN 的 ID 替换 RPC Client SPAN 的parentId，最后通过Flink-Connector-StarRocks将转换后的数据实时写入StarRocks。

基于 StarRocks 的数据存储架构流程如下图所示。

图 11

CREATE TABLE

建表语句示例参考如下，有如下几点注意点：

• 包括 Zipkin 和 zipkin_trace_perf 两张表，zipkin_trace_perf 表只用于调用链路性能瓶颈分析场景，其他统计分析都适用 Zipkin 表
• 通过采集信息中的 Timestamp 字段，生成 dt、hr、min 时间字段，便于后续统计分析
• 采用 DUPLICATE 模型、Bitmap 索引等设置，加快查询速度
• Zipkin 表使用id作为分桶字段，在查询服务拓扑时，查询计划会优化为 Colocate Join，提升查询性能。

Zipkin

CREATE TABLE `zipkin` (
  `traceId` varchar(24) NULL COMMENT "",
  `id` varchar(24) NULL COMMENT "Span ID",
  `localEndpoint_serviceName` varchar(512) NULL COMMENT "",
  `dt` int(11) NULL COMMENT "",
  `parentId` varchar(24) NULL COMMENT "",
  `timestamp` bigint(20) NULL COMMENT "",
  `hr` int(11) NULL COMMENT "",
  `min` bigint(20) NULL COMMENT "",
  `kind` varchar(16) NULL COMMENT "",
  `duration` int(11) NULL COMMENT "",
  `name` varchar(300) NULL COMMENT "",
  `localEndpoint_ipv4` varchar(16) NULL COMMENT "",
  `remoteEndpoint_ipv4` varchar(16) NULL COMMENT "",
  `remoteEndpoint_port` varchar(16) NULL COMMENT "",
  `shared` int(11) NULL COMMENT "",
  `tag_error` int(11) NULL DEFAULT "0" COMMENT "",
  `error_msg` varchar(1024) NULL COMMENT "",
  `tags_http_path` varchar(2048) NULL COMMENT "",
  `tags_http_method` varchar(1024) NULL COMMENT "",
  `tags_controller_class` varchar(100) NULL COMMENT "",
  `tags_controller_method` varchar(1024) NULL COMMENT "",
  INDEX service_name_idx (`localEndpoint_serviceName`) USING BITMAP COMMENT ''
) ENGINE=OLAP 
DUPLICATE KEY(`traceId`, `parentId`, `id`, `timestamp`, `localEndpoint_serviceName`, `dt`)
COMMENT "OLAP"
PARTITION BY RANGE(`dt`)
(PARTITION p20220104 VALUES [("20220104"), ("20220105")),
 PARTITION p20220105 VALUES [("20220105"), ("20220106")))
DISTRIBUTED BY HASH(`id`) BUCKETS 100 
PROPERTIES (
"replication_num" = "3",
"dynamic_partition.enable" = "true",
"dynamic_partition.time_unit" = "DAY",
"dynamic_partition.time_zone" = "Asia/Shanghai",
"dynamic_partition.start" = "-30",
"dynamic_partition.end" = "2",
"dynamic_partition.prefix" = "p",
"dynamic_partition.buckets" = "100",
"in_memory" = "false",
"storage_format" = "DEFAULT"
);

zipkin_trace_perf

CREATE TABLE `zipkin_trace_perf` (
  `traceId` varchar(24) NULL COMMENT "",
  `id` varchar(24) NULL COMMENT "",
  `dt` int(11) NULL COMMENT "",
  `parentId` varchar(24) NULL COMMENT "",
  `localEndpoint_serviceName` varchar(512) NULL COMMENT "",
  `timestamp` bigint(20) NULL COMMENT "",
  `hr` int(11) NULL COMMENT "",
  `min` bigint(20) NULL COMMENT "",
  `kind` varchar(16) NULL COMMENT "",
  `duration` int(11) NULL COMMENT "",
  `name` varchar(300) NULL COMMENT "",
  `tag_error` int(11) NULL DEFAULT "0" COMMENT ""
) ENGINE=OLAP 
DUPLICATE KEY(`traceId`, `id`, `dt`, `parentId`, `localEndpoint_serviceName`)
COMMENT "OLAP"
PARTITION BY RANGE(`dt`)
(PARTITION p20220104 VALUES [("20220104"), ("20220105")),
 PARTITION p20220105 VALUES [("20220105"), ("20220106")))
DISTRIBUTED BY HASH(`traceId`) BUCKETS 32 
PROPERTIES (
"replication_num" = "3",
"dynamic_partition.enable" = "true",
"dynamic_partition.time_unit" = "DAY",
"dynamic_partition.time_zone" = "Asia/Shanghai",
"dynamic_partition.start" = "-60",
"dynamic_partition.end" = "2",
"dynamic_partition.prefix" = "p",
"dynamic_partition.buckets" = "12",
"in_memory" = "false",
"storage_format" = "DEFAULT"
);

ROUTINE LOAD

ROUTINE LOAD 创建语句示例如下：

CREATE ROUTINE LOAD zipkin_routine_load ON zipkin COLUMNS(
  id,
  kind,
  localEndpoint_serviceName,
  traceId,
  `name`,
  `timestamp`,
  `duration`,
  `localEndpoint_ipv4`,
  `remoteEndpoint_ipv4`,
  `remoteEndpoint_port`,
  `shared`,
  `parentId`,
  `tags_http_path`,
  `tags_http_method`,
  `tags_controller_class`,
  `tags_controller_method`,
  tmp_tag_error,
  tag_error = if(`tmp_tag_error` IS NULL, 0, 1),
  error_msg = tmp_tag_error,
  dt = from_unixtime(`timestamp` / 1000000, '%Y%m%d'),
  hr = from_unixtime(`timestamp` / 1000000, '%H'),
  `min` = from_unixtime(`timestamp` / 1000000, '%i')
) PROPERTIES (
  "desired_concurrent_number" = "3",
  "max_batch_interval" = "50",
  "max_batch_rows" = "300000",
  "max_batch_size" = "209715200",
  "max_error_number" = "1000000",
  "strict_mode" = "false",
  "format" = "json",
  "strip_outer_array" = "true",
  "jsonpaths" = "[\"$.id\",\"$.kind\",\"$.localEndpoint.serviceName\",\"$.traceId\",\"$.name\",\"$.timestamp\",\"$.duration\",\"$.localEndpoint.ipv4\",\"$.remoteEndpoint.ipv4\",\"$.remoteEndpoint.port\",\"$.shared\",\"$.parentId\",\"$.tags.\\\"http.path\\\"\",\"$.tags.\\\"http.method\\\"\",\"$.tags.\\\"mvc.controller.class\\\"\",\"$.tags.\\\"mvc.controller.method\\\"\",\"$.tags.error\"]"
)
FROM
  KAFKA (
    "kafka_broker_list" = "IP1:PORT1,IP2:PORT2,IP3:PORT3",
    "kafka_topic" = "XXXXXXXXX"
  );

Flink 溯源 Parent ID

针对调用链路性能瓶颈分析场景中，使用 Flink 进行 Parent ID 溯源，代码示例如下：

env
  // 添加kafka数据源
  .addSource(getKafkaSource())
  // 将采集到的Json字符串转换为JSONArray，
  // 这个JSONArray是从单个服务采集的信息，里面会包含多个Trace的Span信息
  .map(JSON.parseArray(_))
  // 将JSONArray转换为JSONObject，每个JSONObejct就是一个Span
  .flatMap(_.asScala.map(_.asInstanceOf[JSONObject]))
  // 将Span的JSONObject对象转换为Bean对象
  .map(jsonToBean(_))
  // 以traceID+localEndpoint_serviceName作为key对span进行分区生成keyed stream
  .keyBy(span => keyOfTrace(span))
  // 使用会话窗口，将同一个Trace的不同服务上的所有Span，分发到同一个固定间隔的processing-time窗口
  // 这里为了实现简单，使用了processing-time session窗口，后续我们会使用starrocks的UDAF函数进行优化，去掉对Flink的依赖
  .window(ProcessingTimeSessionWindows.withGap(Time.seconds(10)))
  // 使用Aggregate窗口函数
  .aggregate(new TraceAggregateFunction)
  // 将经过溯源的span集合展开，便于调用flink-connector-starrocks
  .flatMap(spans => spans)
  // 使用flink-connector-starrocks sink，将数据写入starrocks中
  .addSink(
    StarRocksSink.sink(
      StarRocksSinkOptions.builder().withProperty("XXX", "XXX").build()))

分析计算

以 图 6 作为一个微服务系统用例，给出各个统计分析场景对应的 StarRocks SQL 语句。

服务内分析

上游服务请求指标统计

下面的 SQL 使用 Zipkin 表数据，计算服务 Service2 请求上游服务 Service3 和上游服务 Service4 的查询统计信息，按小时和接口分组统计查询指标

select
  hr,
  name,
  req_count,
  timeout / req_count * 100 as timeout_rate,
  error_count / req_count * 100 as error_rate,
  avg_duration,
  tp95,
  tp99
from
  (
    select
      hr,
      name,
      count(1) as req_count,
      AVG(duration) / 1000 as avg_duration,
      sum(if(duration > 200000, 1, 0)) as timeout,
      sum(tag_error) as error_count,
      percentile_approx(duration, 0.95) / 1000 AS tp95,
      percentile_approx(duration, 0.99) / 1000 AS tp99
    from
      zipkin
    where
      localEndpoint_serviceName = 'Service2'
      and kind = 'CLIENT'
      and dt = 20220105
    group by
      hr,
      name
  ) tmp
order by
  hr

下游服务响应指标统计

下面的 SQL 使用 Zipkin 表数据，计算服务 Service2 响应下游服务 Service1 的查询统计信息，按小时和接口分组统计查询指标。

select
  hr,
  name,
  req_count,
  timeout / req_count * 100 as timeout_rate,
  error_count / req_count * 100 as error_rate,
  avg_duration,
  tp95,
  tp99
from
  (
    select
      hr,
      name,
      count(1) as req_count,
      AVG(duration) / 1000 as avg_duration,
      sum(if(duration > 200000, 1, 0)) as timeout,
      sum(tag_error) as error_count,
      percentile_approx(duration, 0.95) / 1000 AS tp95,
      percentile_approx(duration, 0.99) / 1000 AS tp99
    from
      zipkin
    where
      localEndpoint_serviceName = 'Service2'
      and kind = 'SERVER'
      and dt = 20220105
    group by
      hr, 
      name
  ) tmp
order by
  hr

服务内部处理分析

下面的 SQL 使用 Zipkin 表数据，查询服务 Service2 的接口 /2/api，按 Span Name 分组统计 Duration 等信息。

with 
spans as (
  select * from zipkin where dt = 20220105 and localEndpoint_serviceName = "Service2"
),
api_spans as (
  select
    spans.id as id,
    spans.parentId as parentId,
    spans.name as name,
    spans.duration as duration
  from
    spans
    inner JOIN 
    (select * from spans where kind = "SERVER" and name = "/2/api") tmp 
    on spans.traceId = tmp.traceId
)
SELECT
  name,
  AVG(inner_duration) / 1000 as avg_duration,
  percentile_approx(inner_duration, 0.95) / 1000 AS tp95,
  percentile_approx(inner_duration, 0.99) / 1000 AS tp99
from
  (
    select
      l.name as name,
      (l.duration - ifnull(r.duration, 0)) as inner_duration
    from
      api_spans l
      left JOIN 
      api_spans r 
      on l.parentId = r.id
  ) tmp
GROUP BY
  name

服务间分析

服务拓扑统计

下面的 SQL 使用 Zipkin 表数据，计算服务间的拓扑关系，以及服务间接口 Duration 的统计信息。

with tbl as (select * from zipkin where dt = 20220105)
select 
  client, 
  server, 
  name,
  AVG(duration) / 1000 as avg_duration,
  percentile_approx(duration, 0.95) / 1000 AS tp95,
  percentile_approx(duration, 0.99) / 1000 AS tp99
from
  (
    select
      c.localEndpoint_serviceName as client,
      s.localEndpoint_serviceName as server,
      c.name as name,
      c.duration as duration
    from
    (select * from tbl where kind = "CLIENT") c
    left JOIN 
    (select * from tbl where kind = "SERVER") s 
    on c.id = s.id and c.traceId = s.traceId
  ) as tmp
group by 
  client,  
  server,
  name

调用链路性能瓶颈分析

下面的 SQL 使用 zipkin_trace_perf 表数据，针对某个服务接口响应超时的查询请求，统计出每次请求的调用链路中处理耗时最长的服务或服务间调用，进而分析出性能热点是在某个服务或服务间调用。

select
  service,
  ROUND(count(1) * 100 / sum(count(1)) over(), 2) as percent
from
  (
    select
      traceId,
      service,
      duration,
      ROW_NUMBER() over(partition by traceId order by duration desc) as rank4
    from
      (
        with tbl as (
          SELECT
            l.traceId as traceId,
            l.id as id,
            l.parentId as parentId,
            l.kind as kind,
            l.duration as duration,
            l.localEndpoint_serviceName as localEndpoint_serviceName
          FROM
            zipkin_trace_perf l
            INNER JOIN 
            zipkin_trace_perf r 
            on l.traceId = r.traceId
              and l.dt = 20220105
              and r.dt = 20220105
              and r.tag_error = 0     -- 过滤掉出错的trace
              and r.localEndpoint_serviceName = "Service1"
              and r.name = "/1/api"
              and r.kind = "SERVER"
              and r.duration > 200000  -- 过滤掉未超时的trace
        )
        select
          traceId,
          id,
          service,
          duration
        from
          (
            select
              traceId,
              id,
              service,
              (c_duration - s_duration) as duration,
              ROW_NUMBER() over(partition by traceId order by (c_duration - s_duration) desc) as rank2
            from
              (
                select
                  c.traceId as traceId,
                  c.id as id,
                  concat(c.localEndpoint_serviceName, "=>", ifnull(s.localEndpoint_serviceName, "?")) as service,
                  c.duration as c_duration,
                  ifnull(s.duration, 0) as s_duration
                from
                  (select * from tbl where kind = "CLIENT") c
                  left JOIN 
                  (select * from tbl where kind = "SERVER") s 
                  on c.id = s.id and c.traceId = s.traceId
              ) tmp1
          ) tmp2
        where
          rank2 = 1
        union ALL
        select
          traceId,
          id,
          service,
          duration
        from
          (
            select
              traceId,
              id,
              service,
              (s_duration - c_duration) as duration,
              ROW_NUMBER() over(partition by traceId order by (s_duration - c_duration) desc) as rank2
            from
              (
                select
                  s.traceId as traceId,
                  s.id as id,
                  s.localEndpoint_serviceName as service,
                  s.duration as s_duration,
                  ifnull(c.duration, 0) as c_duration,
                  ROW_NUMBER() over(partition by s.traceId, s.id order by ifnull(c.duration, 0) desc) as rank
                from
                  (select * from tbl where kind = "SERVER") s
                  left JOIN 
                  (select * from tbl where kind = "CLIENT") c 
                  on s.id = c.parentId and s.traceId = c.traceId
              ) tmp1
            where
              rank = 1
          ) tmp2
        where
          rank2 = 1
      ) tmp3
  ) tmp4
where
  rank4 = 1
GROUP BY
  service
order by
  percent desc

SQL 查询的结果如下图所示，在超时的 Trace 请求中，性能瓶颈服务或服务间调用的比例分布。

图 12

03 实践效果

目前搜狐智能媒体已在 30+ 个服务中接入 Zipkin，涵盖上百个线上服务实例，1% 的采样率每天产生近 10亿 多行的日志。

通过 Zipkin Server 查询 StarRocks，获取的 Trace 信息如下图所示：

图 13

通过 Zipkin Server 查询 StarRocks，获取的服务拓扑信息如下图所示：

图 14

基于 Zipkin StarRocks 的链路追踪体系实践过程中，明显提升了微服务监控分析能力和工程效率：

提升微服务监控分析能力

• 在监控报警方面，可以基于 StarRocks 查询统计线上服务当前时刻的响应延迟百分位数、错误率等指标，根据这些指标及时产生各类告警；
• 在指标统计方面，可以基于 StarRocks 按天、小时、分钟等粒度统计服务响应延迟的各项指标，更好的了解服务运行状况；
• 在故障分析方面，基于 StarRocks 强大的 SQL 计算能力，可以进行服务、时间、接口等多个维度的探索式分析查询，定位故障原因。

提升微服务监控工程效率

Metric 和 Logging 数据采集，很多需要用户手动埋点和安装各种采集器 Agent，数据采集后存储到 ElasticSearch 等存储系统，每上一个业务，这些流程都要操作一遍，非常繁琐，且资源分散不易管理。

而使用 Zipkin + StarRocks 的方式，只需在代码中引入对应库 SDK，设置上报的 Kafka 地址和采样率等少量配置信息，Tracing 便可自动埋点采集，通过 zikpin server 界面进行查询分析，非常简便。

04 总结与展望

基于 Zipkin+StarRocks 构建链路追踪系统，能够提供微服务监控的 Monitoring 和 Observability 能力，提升微服务监控的分析能力和工程效率。
后续有几个优化点，可以进一步提升链路追踪系统的分析能力和易用性：

1. 使用 StarRocks 的 UDAF、窗口函数等功能，将 Parent ID 溯源下沉到 StarRocks计算，通过计算后置的方式，取消对 Flink 的依赖，进一步简化整个系统架构。
2. 目前对原始日志中的 tag s等字段，并没有完全采集，StarRocks 正在实现 Json 数据类型，能够更好的支持 tags 等嵌套数据类型。
3. Zipkin Server 目前的界面还稍显简陋，我们已经打通了 Zipkin Server 查询 StarRokcs，后续会对 Zipkin Server 进行 U I等优化，通过 StarRocks 强大的计算能力实现更多的指标查询，进一步提升用户体验。

05 参考文档

1. 《云原生计算重塑企业IT架构 - 分布式应用架构》:
   https://developer.aliyun.com/article/717072
2. What is Upstream and Downstream in Software Development?
   https://reflectoring.io/upstream-downstream/
3. Metrics, tracing, and logging:
   https://peter.bourgon.org/blog/2017/02/21/metrics-tracing-and-logging.html
4. The 3 pillars of system observability:logs, metrics and tracing:
   https://iamondemand.com/blog/the-3-pillars-of-system-observability-logs-metrics-and-tracing/
5. observability 3 ways: logging, metrics and tracing:
   https://speakerdeck.com/adriancole/observability-3-ways-logging-metrics-and-tracing
6. Dapper, a Large-Scale Distributed Systems Tracing Infrastructure:
   https://static.googleusercontent.com/media/research.google.com/en//archive/papers/dapper-2010-1.pdf
7. Jaeger:www.jaegertracing.io
8. Zipkin:https://zipkin.io/
9. opentracing.io:
   https://opentracing.io/docs/
10. opencensus.io:
    https://opencensus.io/
11. opentelemetry.io:
    https://opentelemetry.io/docs/
12. Microservice Observability, Part 1: Disambiguating Observability and Monitoring:
    https://bravenewgeek.com/microservice-observability-part-1-disambiguating-observability-and-monitoring/
13. How to Build Observable Distributed Systems:
    https://www.infoq.com/presentations/observable-distributed-ststems/
14. Monitoring and Observability:
    https://copyconstruct.medium.com/monitoring-and-observability-8417d1952e1c
15. Monitoring Isn't Observability:
    https://orangematter.solarwinds.com/2017/09/14/monitoring-isnt-observability/
16. Spring Cloud Sleuth Documentation:
    https://docs.spring.io/spring-cloud-sleuth/docs/current-SNAPSHOT/reference/html/getting-started.html#getting-started