1. 课程导论：为什么采样策略会影响 SLI 准确性？核心矛盾与课程目标
1.1 核心矛盾：采样率与数据完整性的博弈
在可观测性工程中，采样（Sampling） 是控制数据量、降低存储与计算成本的核心手段。然而，采样本质上是一种有损压缩——它丢弃了部分原始数据。当这些被丢弃的数据恰好是计算 服务等级指标（SLI） 的关键样本时，SLI 的准确性就会受到直接影响。
这一矛盾在 高基数（High Cardinality） 和 长尾分布（Long-tail Distribution） 的微服务架构中尤为突出。例如，一个 1% 的尾部延迟样本被丢弃，可能导致 P99 延迟 SLI 从 200ms 被误报为 150ms，从而掩盖真实的性能瓶颈。
核心矛盾公式：
采样率 ↓ → 数据量 ↓ → 成本 ↓ → SLI 置信区间 ↑ → 准确性风险 ↑
采样率 ↓ → 数据量 ↓ → 成本 ↓ → SLI 置信区间 ↑ → 准确性风险 ↑
1.2 采样策略如何影响 SLI 准确性？
不同的采样策略对 SLI 的影响路径不同。下表总结了三种主流策略的潜在影响：
| 采样策略 | 工作机制 | 对 SLI 准确性的主要影响 |
|---|---|---|
| 头部采样（Head-based） | 在 Trace 开始时决定是否采样 | 容易丢失尾部延迟样本，导致延迟 SLI（如 P99）偏低；错误率 SLI 可能被低估 |
| 尾部采样（Tail-based） | 在 Trace 结束后根据结果决定是否采样 | 能保留异常样本，延迟 SLI 更准确；但可能过度聚焦错误，导致成功率 SLI 被低估 |
| 概率采样（Probabilistic） | 以固定概率随机采样 | 无偏但方差大；低流量服务或稀有事件（如 0.1% 错误率）的 SLI 置信区间极宽 |
1.3 一个直观的示例：P99 延迟的偏差
假设一个服务在 1000 个请求中，有 10 个请求的延迟超过 500ms（真实 P99 = 500ms）。如果采用 10% 的头部采样，且这 10 个慢请求恰好未被采样，则采样后的 P99 可能仅为 200ms，偏差高达 60%。
关键洞察： 采样策略的选择，本质上是在 成本 与 SLI 置信度 之间做权衡。没有一种策略在所有场景下都是最优的。
1.4 课程目标与学习路径
本课程旨在帮助你建立一套系统化的方法论，以评估和优化采样策略对 SLI 准确性的影响。具体目标包括：
- 量化影响： 掌握如何计算不同采样策略下的 SLI 偏差与置信区间。
- 策略选型： 根据 SLI 类型（延迟、错误率、吞吐量）和业务重要性，选择或组合采样策略。
- OpenTelemetry 实践： 使用 OTel SDK 和 Collector 配置自适应采样、一致性采样等高级策略。
- 验证与监控： 建立采样后 SLI 的校验机制，确保数据质量可观测。
1.5 采样决策对 SLI 的影响路径图
下图展示了从原始请求到 SLI 计算过程中，采样策略介入的关键节点及其对准确性的影响路径：
1.6 课程适用对象与前置知识
- SRE / 平台工程师： 负责定义 SLI 并配置采样策略，需要理解两者间的定量关系。
- 可观测性平台开发者： 需要实现或定制采样逻辑，确保数据管道不破坏 SLI 的统计特性。
- 技术管理者： 需要在成本与数据质量之间做出决策，理解不同策略的 ROI。
前置要求： 建议学员具备 OpenTelemetry 基础概念（Trace/Span/Signal）、基本的概率统计知识（均值、百分位数、置信区间）以及至少一种编程语言的微服务开发经验。