auto-archiving for issue #254

source/_posts/Trace，让你的应用服务调用可追溯.md

@@ -0,0 +1,89 @@
+## 背景
+随着考拉服务化进程的推进，我们的应用架构逐步由集中式向分布式演进。这个时代的服务化调用往往带有以下特点：
+1. 一个完整的调用过程可能横跨多个服务；
+1. 服务提供方可能由不同团队、不同语言实现；
+1. 服务提供方本身是集群的方式支撑；
+
+![image](https://user-images.githubusercontent.com/10825163/38185682-ea81e494-3681-11e8-9e36-d345e962793f.png)
+
+在这种场景下，对于我们服务调用的性能监控和异常监控显得尤为重要。
+
+## Trace 的目标
+出于对服务调用的性能监控和异常监控的根本性诉求，Trace 便应运而生了，细化以后的目标大概有这些：
+1. 对应用运行时的服务调用，希望有一个直观的认识。
+1. 当这些复杂的调用出现问题时，希望可以快速定位到是哪个服务出现了问题。
+1. 当用户接口返回速度变慢时，希望可以快速得到出各个接口的耗时请情况。
+
+## Trace 架构及流程
+![image](https://user-images.githubusercontent.com/10825163/38196737-3a166888-36b7-11e8-8ae6-5afbd5bbd0b2.png)
+
+我们对以上调用关系进行分析，可以得到以下结论：
+* 他是一个有向图，且顶点之间的边是单向的；
+* 顶点 0 是这个图的入口；
+* 服务调用存在发送方和接收方，使用深度优先遍历可以将边编号；
+
+我们可以有一个基础的 trace 设计思路了
+
+### 流程
+Trace 想要正常运转，需要以下步骤：
+
+1. 上游服务接收到用户请求时，生成此次用户调用的唯一标示；
+1. 所有调用的发起和处理全部生成调用信息；
+1. 在当前端的所有调用都完成后，统一将生成的调用信息发送给消息队列；
+1. 消息中心分析处理日志，将来自不同分布式应用的日志串联成 Trace 日志，入库；
+1. 提供可视化界面，供用户查看数据；
+
+### 架构
+完成以上的流程，通常来说，需要三个角色
+
+![image](https://user-images.githubusercontent.com/10825163/38228220-e5e2bdce-3734-11e8-9bef-aed0b4fba5f4.png)
+
+1. trace 客户端，一般是 web server，也有可能是 service 服务提供方，负责生成调用信息，并往消息队列发送消息；
+1. 消息队列，接收来自 trace 客户端生产的消息，并提供给 trace 服务端消费
+1. trace 服务端，消息队列的消费者，会将来自所有 trace 客户端的消息生成成调用链，并入库
+
+### 数据结构
+在分布式系统中，用户的一次URL请求在各个系统中调用，这个调用关系会呈现成树形调用链。 Span记录了调用信息，Trace客户端会把Span记录在日志中。散落在各个系统的Span按唯一标识组装起来变形成了一颗树。 
+
+#### Trace
+Trace 代表一个完整的调用链，对应到如图的 0 节点，往往是面向用户的顶层应用，具有唯一的 traceId，生成 Span 时需要用到。
+
+#### Span
+Span记录了调用信息，散落在各个系统的Span按唯一标识组装起来变形成了一颗树。Span中主要信息包含：
+
+* traceId 整个调用链唯一的traceId，traceId在root节点生成。在分布式调用用通过技术手段传递到下一个节点。
+* spanId 该节点的标识，在分布式调用用通过技术手段传递到下一个节点作为下一个节点的parentId。
+* parentId 调用链中父节点的spanId。
+* spanName 该节点的名字，如URL Pattern、Dubbo service name、sql
+* 该节点的处理时间等
+
+
+值得注意的是：
+1. 需要 Server Span 和 Client Span 都生成的情况下，才能记录为一次合法的调用；
+1. 同一次调用的 Client Span 和 Server Span 会拥有一致的 spanId 和 processId
+
+## 使用 node 实现 trace 客户端
+有了以上知识作为基础后，我们来思考如何用 nodejs 来实现这个 trace 的客户端。
+
+![image](https://user-images.githubusercontent.com/10825163/38228205-cba3bb52-3734-11e8-824b-4bf9499daa00.png)
+
+
+上图可以理解为一个 koa 的 middleware：
+
+1. 当用户请求达到时，初始化一个 traceContext
+1. 当前存在服务调用时，使用该 traceContext 去发起相关方法的调用操作，如： traceCurl、traceService 等等，当调用完成时手动执行 span.complete()，并将 error 信息传入
+1. 当该用户请求完成时，调用 traceContext.complete() 终止此次 trace，并将该 traceContext 发送给消息队列
+
+## 接入 Trace 后需要了解的
+### 采样率
+实际在生产环境，我们并不需要统计所有的服务调用，这会带来较高的统计成本，所以我们支持使用「采样率」来对一定比例的请求做跟踪。
+
+比较优雅的方式是，你可能需要将这个「采样率」托管在 disconf 或者其他数据管理平台上
+
+### 压测标识
+Trace 期望监测的是线上的真实调用情况，所以对于压测场景，期望能做区分以排除此类数据，所以较为通用的方式是如果在 cookie 上传入某个字段，则表示为压测数据。
+
+## 总结
+以上阐述的 Trace 方案其实最终灵感都是来自于 Google Dapper。
+
+而如何更为优雅的统计应用的服务调用，可能还需要不断地探索