链家全链路跟踪平台 LTrace 设计实践

当今的互联网服务，通常都是用大规模的分布式集群来实现的。服务可能来自不同的研发团队、使用不同的编程语言来实现、运行在上千台服务器上。随着链家的业务发展，公司的分布式系统变得越来越复杂，用户的一次请求通常由多个系统协同完成处理，而且这些处理是发生在不同机器甚至是不同集群上的，当请求处理发生异常时，需要快速发现问题，并准确定位到是哪个环节出了问题，这是非常重要的。

作者｜李宝银

编辑｜蔡白银

网址｜tech.lianjia.com

微信公众号｜链家产品技术团队

当今的互联网服务，通常都是用大规模的分布式集群来实现的。服务可能来自不同的研发团队、使用不同的编程语言来实现, 运行在上千台服务器上。

随着链家的业务发展，公司的分布式系统变得越来越复杂，用户的一次请求通常由多个系统协同完成处理，而且这些处理是发生在不同机器甚至是不同集群上的，当请求处理发生异常时，需要快速发现问题，并准确定位到是哪个环节出了问题，这是非常重要的。

为了解决这样的问题，我们经过调研与测试，结合业界的实践经验 ， 开发了LTrace链家全链路跟踪平台，有效应对上面的问题，大幅度提升工作效率。目前已经在公司多部门的各条业务线项目中得到成功应用。基于请求链路采集到的全量丰富数据，我们能够直观的了解到项目间的链路关系，就能够进行问题的快速定位与瓶颈节点的快速排查，代码性能问题一览无余。

链路跟踪，关键的核心是调用链，就是对一次请求进行跟踪。通过为每个请求生成一个全局唯一的ID，将分布在各个服务节点上的同一次请求串联起来，还原出更多有价值的数据。在 我们设计实现LTrace平台过程中，遇到几项大的挑战。

1. 稳定性挑战。我们的业务 系统对于稳定性、性能、资源要求极其严格，不能有太复杂的逻辑和外部依赖，并对业务系统性能几乎无影响，LTrace平台的稳定性不应该对业务系统的稳定性造成任何影响；

2. 高性能挑战。目前公司存在 众多复杂的分布式业务系统，数十 亿hits 生成的链路数据需要及时采集存储， 这就要求LTrace平台具备快速的数据处理能力 ；

3. 透明、易扩展、避免侵入业务。易于被使用方广泛接受、低耦合是很重要的，透明性用来隐藏实现策略，避免让使用者卷进细节，同时 具备良好的可扩展性 ；

4. 跨语言、多协议。在公司各部门中，存在 JAVA 、 PHP 等众多异构系统以及各种服务中间件，因此LTrace平台要实现全链路跟踪，必须要支持跨语言、多协议。

功能简介

一， 调用链路

我们通过对一次请求进行还原，形成一个完整的调用链路图，如下图。界面中展示请求依次通过的各个服务节点的情况。比如请求经过每个服务节点的IP、发送与响应时间点、处理结果与处理时长，网络传输时长、异常描述等信息。

二，问题快速定位

再比如，我们现在可以在界面中快速的定位到问题出现的服务节点、机器IP与问题原因。以前我们遇到线上问题时，通常需要同时登录N台机器抓日志排查，有时还可能需要关联上下游项目一起排查。 

三，瓶颈节点

再次，我们还能够快速定位瓶颈节点。如界面中红框部分显示的是链路调用的瓶颈节点，由于该节点的耗时，导致了整个链路调用的耗时延长，因此针对该节点进行优化，进而达到优化整个链路的效率。

四，代码优化

除此，我们还能够检测到代码中一些需要优化的地方。比如图中红框部分都是同一个接口的调用，甚至连请求参数都是一样的。这种调用如果优化成批量请求或者相同参数只请求一次，能够快速提升节点的服务质量。

对系统行为进行链路跟踪必须是持续进行的，因为异常、超时等的发生是无法预料的，异常超时可能发生在链路的任何一个节点上或者一次调用的网络中，而且可能是难以重现的。同时跟踪需要是无所不在，遍布各处的，否则可能会遗漏某些重要的点。基于此LTrace设计了三个最重要的设计目标：极低的额外开销，对应用的透明性，可扩展。同时产生的跟踪数据需要可以被快速分析，这样可以帮助我们实时获取各节点状态。

平台设计

一，平台架构

上图中，LTrace平台架构主要分为三部分：数据埋点上报、数据实时存储、数据前端展示。

1. 左侧部分使用埋点中间件完成数据的采集，并异步写入到本地trace文件，通过rsyslog发送数据到消息服务中。至于采样策略，后面会有详细介绍

2. 中间部分数据汇集并存储，接受消息队列中数据并存储到Hbase与ES中。

3. 右侧部分在界面中检索数据，分析数据进行展示。

二，基本概念

TraceId ：全局唯一，用于标识一次请求，会在RPC调用的网络中传递。

SpanId ：签名方式生成:0, 0.1, 0.1.1, 0.2。用于标识一次RPC在分布式请求中的位置，比如0.2就是0节点服务调用的第二个服务。

Annotation ：基本标注列表，记录一次RPC生命周期中重要时刻的数据快照。

BinaryAnnotation：业务标注列表，如果项目需要带上业务数据（比如电话号码、UserId等），可以将需要的数据放入。

三，调用链-Trace树

我们将一次请求所形成的调用链路，标记成一棵Trace树，并用全局唯一的TraceId来标记这棵树，如下图：

四，调用链-Span节点

对于一次分布式请求，总会存在多次调用关系（如图中箭头线），我们将每次调用（箭头线）标记成一个Span节点，并用SpanId来标记这个Span节点。

五，数据埋点

LTrace平台对应用开发者近乎零侵入，通过为不同的异构系统提供对应的埋点中间件（如JAVA、PHP等）完成链路跟踪。在埋点中间件，生成统一的TraceId等核心数据，并收集比如调用类型、机器IP、服务名称、耗时、层级关系、异常信息、业务系统的自定义数据等。

在一次分布式请求中，都有四个埋点阶段，如下图。

1. 客户端发送（Client Send）：客户端发起请求时埋点，需要传递一些参数，比如TraceId、SpanId等；

2. 服务端接收（Server Receive）：服务端接受请求时埋点，回填一些参数，比如TraceId、SpanId等；

3. 服务端响应（Server Send）：服务端返回请求时埋点，将埋点数据传递到后端线程；

4. 客户端接收（Client Receive）：客户端接受返回结果时埋点，将埋点数据传递到后端线程；

六，示例

接下来我们通过一个示例进行详细描述，如下图，对于一次分布式请求，TraceId=12345。

在应用A收到客户端请求时刻为0ms，响应请求时刻为69ms，即是本次请求耗费时长69ms

七，数据存储

调用链路数据的实时查询主要是通过Hbase，使用traceID作为RowKey，SpanId + Type（c代表客户端、s代表服务端）能天然的把一整条调用链聚合在一起，提高查询效率。

一，低开销与采样

低开销是LTrace的一个关键的设计目标，如果一个 工具 价值未被证实但又对性能有影响的话，用户通常不会接受它。采样可以降低开销，但是简单的采样可能导致采样结果无代表性，LTrace通过提供多种采样机制来满足性能和代表性两方面的需求。

最初我们的默认采样策略很简单，是在每100个请求中选择一个进行跟踪，这种策略对于那种请求量很高的服务来说，可以保证跟踪到有价值的信息；但对于那些负载不高的服务来说，可能会导致采样频率过低，从而遗漏重要信息，因此我们提供了自定义采样策略；对于异常、超时等这类极端的情况，我们认为这类数据非常有价值，因此我们决定在极端情况下全采样；另外，对于测试人员，我们提供了可对一次请求显示指定采样。这样采样就既灵活又高度可控。

此外，通过优化消息、缓存、存储结构、批量异步写入等方式，平台性能得到大幅度提升。

通过以上采样策略与性能优化手段，我们只需要线上原来几十分之一的机器数量，就能够实现原来数十倍机器相同的效果。

二，日志TraceId绑定

1. 我们通常为了便于在日志中跟踪一次请求，一般做法是在项目收到请求的入口放入一个RequestId。现在，应用方可以将TraceId绑定到日志中，通过这个TraceId我们不仅能够将应用内一次请求给串联起来，同时还能够用这个TraceId到上下游应用中去进行串联。

2. 有时为了知道接口都有哪些上游在使用，通过在日志中记录调用方来源。LTrace就能够解决这个问题，通过在每次请求中输出当前请求已经过的应用名称列表，我们不仅能通过日志就能够识别这个请求的上游，还能知道这个请求所经过的所有上游应用以及请求入口。

三，支持自定义TraceId

为便于研发、测试人员进行线上线下问题的调试、排查，LTrace平台支持传递自定义TraceId，通过TraceId对问题进行跟踪。

四，支持多线程等场景

业务系统中，可能会存在一些对线程池的使用场景，而线程池的切换对于TraceId的传递是很困难的。在LTrace平台中，我们提供了显示API的支持方式，保证在多线程的场景下TraceId也能进行上下文传递。

五，业务方接入简单，稳定可靠

1. 业务方接入LTrace平台，只需要花费几分钟阅读使用文档，添加几行配置，就能够投入使用。

2. Trace系统的可用性能够达到99.99%以上，业务系统的稳定性不依赖LTrace平台的稳定性，即使LTrace平台出现异常，也不会对业务系统的稳定性造成任何影响。

经验总结

1. 使用LTrace平台，我们可以理清系统之间关系，帮助找到关键系统路径上的请求延迟，解决并提高整体性能；

2. 分析请求是否正确发送给了服务提供者，进行正确性检查；

3. 同时我们还将LTrace与公司的监控系统进行集成，如果异常发生了，我们会生成包含TraceId在内的详细异常数据并上报给监控系统，监控服务立即发出实时的问题报警，这样可以帮助快速发现异常以及异常的情况。