4. 概率采样（Probabilistic Sampling）：固定比率采样的原理及其对SLI误差的直接影响
概率采样（Probabilistic Sampling），特别是固定比率采样（Fixed-Rate Sampling），是OpenTelemetry中最基础、最易于实现的采样策略。其核心思想是：以预先设定的概率p（0 < p ≤ 1），独立地决定每一个Span是否被保留。这种“抛硬币”式的决策机制，虽然简单高效，却对基于采后数据的SLI（Service Level Indicator）准确性引入了可量化的统计误差。
4.1 固定比率采样的工作原理
在OpenTelemetry SDK或Collector中配置固定比率采样器时，通常需要指定一个采样比率（例如0.1，表示采样10%的数据）。其决策逻辑如下：
- 生成随机数：为每个Span生成一个在[0, 1)区间内均匀分布的随机数r。
- 比较阈值：如果r < p，则保留该Span；否则，丢弃该Span。
- 独立性：每个Span的采样决策与其他Span完全独立，不关心Trace的完整性。
以下SVG图展示了固定比率采样器在OpenTelemetry数据管道中的位置及其决策流程：
4.2 对SLI误差的直接影响：二项分布与方差
当使用固定比率采样数据来计算SLI（如请求成功率、错误率）时，采样过程引入的误差可以用二项分布来建模。假设真实请求总量为N，真实错误数为E，真实错误率p_real = E/N。采样比率p_sample下，观测到的错误数E_obs服从二项分布：
E_obs ~ Binomial(E, p_sample)观测到的请求总数N_obs也服从二项分布：
N_obs ~ Binomial(N, p_sample)由此，观测到的错误率p_obs = E_obs / N_obs。这个比率估计量的方差决定了SLI的波动范围，直接影响准确性。
4.3 误差量化：置信区间与相对误差
对于给定的采样比率p_sample和真实错误率p_real，观测错误率p_obs的标准误差（Standard Error）近似为：
SE(p_obs) ≈ sqrt( (p_real * (1 - p_real)) / (N * p_sample) )其中N * p_sample是采样后的样本量。由此可以推导出相对误差（Relative Error）的近似公式：
Relative Error ≈ z * sqrt( (1 - p_real) / (p_real * N * p_sample) )其中z是置信水平对应的z分数（例如95%置信水平下z≈1.96）。
| 采样比率 (p_sample) | 样本量 (N * p_sample) | 标准误差 (p_real=0.01) | 95%置信区间宽度 | 相对误差 (95%置信) |
|---|---|---|---|---|
| 100% (1.0) | 1,000,000 | 0.0000995 | ±0.000195 | ±1.95% |
| 10% (0.1) | 100,000 | 0.000315 | ±0.000617 | ±6.17% |
| 1% (0.01) | 10,000 | 0.000995 | ±0.00195 | ±19.5% |
| 0.1% (0.001) | 1,000 | 0.00315 | ±0.00617 | ±61.7% |
4.4 误差对SLI类型的影响差异
不同类型的SLI对采样误差的敏感度不同。以下表格对比了三种常见SLI类型在固定比率采样下的表现：
| SLI类型 | 典型指标 | 对采样误差的敏感度 | 原因 |
|---|---|---|---|
| 比率型SLI | 请求成功率、错误率 | 高 | 分子和分母都受采样影响，比率估计方差大 |
| 均值型SLI | 平均延迟、P50延迟 | 中 | 均值估计相对稳健，但极端值可能被采样遗漏 |
| 分位型SLI | P99延迟、P999延迟 | 极高 | 高分位数需要大量样本才能准确估计，采样会严重扭曲 |
4.5 实践中的误差控制策略
在使用固定比率采样时，SRE团队需要根据SLI的精度要求来选择合适的采样比率。以下是推荐的实践步骤：
- 确定SLI精度要求：例如，要求错误率的95%置信区间宽度不超过真实值的±5%。
- 估算真实事件率：基于历史数据或业务预期，估算p_real（如错误率0.01）。
- 计算所需样本量：使用公式 N_sample = (z^2 * p_real * (1-p_real)) / (相对误差^2 * p_real^2)。
- 反推采样比率：p_sample = N_sample / N_total，其中N_total是预期总请求量。
以下SVG图展示了不同采样比率下，观测错误率与真实错误率之间的偏差分布，直观体现了误差随采样率降低而放大的趋势：
4.6 适用场景与局限性总结
固定比率采样并非万能，它有明确的适用边界：
- 适用场景：
- 高流量系统，总请求量极大（如每日数亿请求），即使低采样率也能获得足够样本量。
- 对SLI精度要求不高的场景（如趋势监控而非精确告警）。
- 成本敏感环境，需要严格控制存储和计算开销。
- 不适用场景：
- 需要精确Trace分析的场景（采样破坏Trace完整性）。
- 低概率事件监控（如P999延迟、罕见错误），需要高采样率才能获得可靠估计。
- SLO严格（如99.99%）且需要精确告警的场景。