2. 分布式追踪基础：Trace、Span、Context Propagation 核心概念，OpenTelemetry 标准简介

分布式追踪是构建可观测性体系的三大支柱之一，也是实现服务画像驱动 MTTR 复盘的数据基石。本节将系统梳理分布式追踪的核心抽象模型、关键概念以及行业标准 OpenTelemetry 的架构设计，为后续章节的实战案例奠定理论基础。

2.1 核心抽象模型：Trace 与 Span

分布式追踪的核心思想是将一次跨多个服务的用户请求或业务操作，抽象为一个 Trace（追踪），而 Trace 由若干个具有父子关系的 Span（跨度） 组成。每个 Span 代表系统中一个具有开始时间和结束时间的独立工作单元。

概念	定义	关键属性	类比（函数调用）
Trace	一个端到端的请求或事务在分布式系统中的完整生命周期表示。	全局唯一的 TraceId，由所有 Span 共享。	一次完整的 HTTP 请求从入口到响应的全过程。
Span	Trace 中的一个命名、有时间跨度的操作单元，代表一项具体的工作。	SpanId、ParentSpanId、OperationName、StartTime、EndTime、Attributes、Events、Status。	函数调用栈中的某一个函数执行过程。
SpanContext	一组用于在服务间传递追踪上下文的标识符和元数据。	TraceId、SpanId、TraceFlags、Tracestate。	函数调用时传递的上下文参数。

2.2 Context Propagation：跨进程的“信使”

Context Propagation（上下文传播）是分布式追踪能够跨越服务边界的核心机制。它确保一个 Trace 的上下文信息（TraceId、SpanId 等）能够从上游服务无缝传递到下游服务，从而将分散的 Span 关联成完整的 Trace。

传播机制通常分为两个层面：

1. 进程内传播： 在同一进程的不同线程或协程间传递 SpanContext，通常通过线程局部变量（ThreadLocal）或协程上下文实现。
2. 进程间传播： 通过网络协议（如 HTTP、gRPC、消息队列）的请求头或消息元数据传递 SpanContext。例如，在 HTTP 请求中，通过 traceparent 和 tracestate 头传递。

2.3 OpenTelemetry 标准简介

OpenTelemetry（简称 OTel）是由 CNCF 孵化的可观测性标准，旨在统一指标、日志和追踪的数据采集规范。它提供了与厂商无关的 API、SDK 和工具，是目前分布式追踪领域的事实标准。

OTel 的核心架构包含以下组件：

• API： 定义 Tracer、Span、Meter、Logger 等接口，供应用代码直接调用。
• SDK： API 的默认实现，负责采样、处理、导出数据。
• Exporter： 将处理后的数据发送到后端系统（如 Jaeger、Zipkin、Prometheus、Datadog）。
• Collector： 一个独立的代理服务，用于接收、处理、转发遥测数据，支持数据过滤、采样、批处理等高级功能。
• Instrumentation： 针对常见框架和库（如 Spring Boot、Express、gRPC）的自动埋点库，降低接入成本。

2.4 分布式追踪数据流与 OTel 架构

下图展示了从应用埋点到后端存储的完整数据流，以及 OTel 各组件在其中的角色。

2.5 核心概念对比：Trace 与 Span 的关键属性

理解 Span 的属性是进行有效数据分析和 MTTR 复盘的前提。下表列出了 Span 的核心属性及其在复盘中的典型用途。

属性	类型	说明	MTTR 复盘用途
TraceId	标识符	全局唯一，标识整个 Trace。	关联所有相关 Span，定位问题影响范围。
SpanId	标识符	Span 的唯一标识。	精确查找单个操作。
ParentSpanId	标识符	父 Span 的 ID，构建父子关系。	还原调用链拓扑，识别调用深度和依赖。
OperationName	字符串	Span 表示的操作名称，如 HTTP GET /api/order。	快速定位故障操作类型。
StartTime / EndTime	时间戳	Span 的开始和结束时间。	计算延迟，识别耗时瓶颈。
Attributes	键值对	用户自定义或语义约定的元数据，如 http.status_code、db.system。	过滤、分组、聚合分析，如按错误码统计。
Events	带时间戳的事件列表	Span 生命周期内的关键事件，如异常堆栈、缓存命中。	记录故障现场，辅助根因分析。
Status	枚举	Span 的执行状态：Unset、Ok、Error。	快速标记故障 Span，计算错误率。

2.6 语义约定：让数据“说同一种语言”

OpenTelemetry 定义了 语义约定（Semantic Conventions），为常见的操作（如 HTTP 请求、数据库调用、消息队列操作）规定了统一的属性命名和取值规范。这是实现跨团队、跨工具数据互通的基石。

• HTTP 约定： http.method、http.url、http.status_code、http.route。
• 数据库约定： db.system、db.connection_string、db.statement、db.name。
• 消息队列约定： messaging.system、messaging.destination、messaging.operation。
• RPC 约定： rpc.system、rpc.service、rpc.method。

2.7 采样策略：在成本与完整性之间平衡

在生产环境中，全量采集所有 Trace 会产生巨大的存储和计算成本。因此，采样策略是分布式追踪落地的关键决策点。常见的采样策略包括：

• 头部采样（Head-based Sampling）： 在 Trace 开始时决定是否采样。实现简单，但无法保证包含错误或慢调用的 Trace 被采样。
• 尾部采样（Tail-based Sampling）： 在 Trace 结束后根据其属性（如是否包含错误、延迟是否超过阈值）决定是否保留。能精准保留有价值的 Trace，但实现复杂，需要临时存储。
• 概率采样： 按固定比例（如 1%）随机采样。简单通用，但可能遗漏关键 Trace。
• 健康度驱动采样： 根据服务健康指标（如错误率、P99 延迟）动态调整采样率。在异常时提高采样率，在正常时降低采样率，实现成本与可观测性的动态平衡。