1. 课程导论：分布式追踪的价值、值班台场景痛点、课程目标与学习路径
1.1 分布式追踪的核心价值
在微服务架构中，一次用户请求往往跨越数十甚至上百个服务节点。传统的单体日志聚合或逐节点排查方式，在面对跨进程、跨网络的调用链时，几乎无法快速定位故障根因。分布式追踪（Distributed Tracing）通过为每个请求注入全局唯一的 Trace ID，并在服务间传递 Span 上下文，实现了全链路调用关系的可视化重建。
| 维度 | 传统方式痛点 | 分布式追踪价值 |
|---|---|---|
| 故障定位 | 逐节点查看日志，依赖时间戳对齐，误差大 | Trace ID 串联所有 Span，精确到毫秒级调用瀑布图 |
| 性能分析 | 无法量化每个服务、每个数据库调用的耗时占比 | Span 耗时统计，快速识别慢调用与瓶颈节点 |
| 依赖关系 | 架构文档易过时，实际调用拓扑不透明 | 自动生成服务依赖图，实时反映真实调用链路 |
| 容量规划 | 缺乏请求级别的流量与错误率关联数据 | 按 Trace 聚合错误率、延迟分布，指导扩缩容决策 |
关键指标： 引入分布式追踪后，MTTR（平均故障修复时间）通常可降低 40%–60%，跨团队协作排查效率提升 3 倍以上。
1.2 值班台场景的独特痛点
值班台（On-Call Console）是 SRE 团队日常监控、告警响应、故障处置的一线作战界面。在未接入分布式追踪时，值班台面临以下典型困境：
- 告警风暴中的盲区： 一个上游服务超时，可能触发下游数十个告警，值班员无法快速判断根因服务。
- 调用链断裂： 异步消息、缓存穿透、定时任务等场景缺乏完整 Trace，排查时只能猜测。
- 上下文割裂： 日志、指标、告警各自独立，值班员需要在多个系统间手动关联信息。
- 缺乏历史基线： 无法对比当前故障与历史同类故障的 Trace 模式，重复踩坑。
实践观察： 超过 70% 的值班台 P0 故障，在接入分布式追踪后，根因定位时间从小时级缩短到分钟级。
1.3 课程目标与学习路径
本课程旨在帮助 SRE 工程师、平台架构师、运维开发人员，从零开始构建一套生产级的值班台分布式追踪系统。课程覆盖从技术选型、组件部署、数据采集、存储调优，到与值班台告警、仪表盘深度集成的完整流程。
| 阶段 | 核心内容 | 产出物 |
|---|---|---|
| 基础篇 | OpenTelemetry 协议、Trace/Span 模型、采样策略 | 理解分布式追踪核心概念与数据模型 |
| 部署篇 | Jaeger/ClickHouse 后端、OpenTelemetry Collector、Agent 部署 | 可运行的最小化追踪平台 |
| 集成篇 | Java/Go/Python 应用无侵入插桩、异步链路还原 | 多语言服务全链路追踪能力 |
| 值班台篇 | Trace 与告警关联、故障拓扑图、SLO 看板集成 | 值班台一键根因分析能力 |
| 进阶篇 | 高并发采样降级、存储成本控制、跨集群联邦追踪 | 生产级高可用追踪架构 |
前置要求： 本课程默认学员已具备 Kubernetes 基础操作能力、至少一种编程语言（Java/Go/Python）的微服务开发经验，以及基本的 Prometheus/Grafana 监控知识。如不满足，建议先完成对应基础课程。
1.4 课程交付物与验收标准
完成本课程后，学员将获得以下可直接投入生产使用的交付物：
- 部署模板： 基于 Helm Chart 的 Jaeger + OpenTelemetry Collector + ClickHouse 一键部署包。
- 插桩 SDK： 针对 Java Spring Boot、Go Gin、Python FastAPI 的无侵入 Agent 配置与代码示例。
- 值班台集成方案： Grafana 追踪看板 JSON 模板、告警与 Trace 关联的 Webhook 转发规则。
- 压测报告： 在 10万 Span/秒 流量下的采样策略、存储成本、查询延迟的实测数据。
验收标准： 学员能够独立完成从应用插桩 → 数据采集 → 存储查询 → 值班台告警关联的全链路闭环，并在模拟故障场景中 5 分钟内定位根因服务。