1. 课程导论：Tempo链路存储与值班台查询场景概述、性能瓶颈的常见表现

1.1 值班台查询场景全景

Tempo 大数据平台中的值班台是运维与业务监控的核心入口，承担着实时链路追踪、历史链路回溯、异常根因定位等关键任务。值班台查询本质上是面向全量链路数据的多维检索与聚合，其数据源来自链路存储引擎（基于 Elasticsearch / ClickHouse 构建的时序与文档混合存储）。

典型查询场景包括：

• 实时链路检索：按 TraceID、ServiceName、SpanName、时间范围精确匹配，响应要求 < 1s。
• 聚合统计看板：按服务、接口、状态码聚合请求量、错误率、P99 延迟，刷新周期 5~30s。
• 异常链路追踪：基于错误标记、慢调用阈值、自定义 Tag 过滤，返回完整调用拓扑。
• 历史趋势分析：跨天/跨周对比，涉及大时间窗口（7~30天）的降采样与预聚合查询。

1.2 链路存储架构速览

为帮助学员建立全局认知，下图展示了 Tempo 链路存储的核心组件与数据流向：

1.3 性能瓶颈的常见表现

根据大量生产环境案例，值班台查询性能瓶颈可归纳为以下四类：

1.4 性能瓶颈的根因分类

为了后续章节的调优路径清晰，我们将瓶颈根因归纳为三个层面：

1. 存储层设计：索引策略、分片数、副本数、冷热分离策略、数据生命周期管理。
2. 查询层优化：查询语句改写、聚合下推、缓存策略、超时与并发控制。
3. 资源层配置：JVM/OS 参数、磁盘 IO 隔离、网络带宽、写入与查询线程池隔离。

下图展示了三个层面之间的依赖关系与调优切入点：

1.5 课程目标与实战路径

本课程将围绕上述三层模型，通过真实案例与可复现的调优步骤，帮助学员掌握：

• 如何快速定位值班台查询的性能瓶颈（工具与方法论）。
• 存储层索引、分片、冷热分离的最佳实践。
• 查询层聚合下推、缓存策略、查询超时熔断的配置技巧。
• 资源层 JVM、线程池、磁盘 IO 的调优参数。