4. 样本采集策略：固定采样率、自适应采样、头部采样与尾部采样、采样优先级与标签

样本采集策略决定了哪些 Trace 数据会被保留下来用于后续的慢路径分析。错误的策略会导致关键慢 Trace 被丢弃，或者存储被大量无关数据填满。Tempo 提供了四种核心策略维度，需要根据业务场景组合使用。

4.1 固定采样率（Fixed Sampling）

最简单的策略，对所有 Trace 按统一概率进行采样。适用于流量稳定、对采样精度要求不高的场景。

4.2 自适应采样（Adaptive Sampling）

根据后端负载和 Trace 特征动态调整采样率。Tempo 的 Adaptive Processor 会监控每个 Service/Endpoint 的延迟分布，对慢 Trace 提高采样概率，对正常 Trace 降低概率。

# tempo-sampler.yaml 自适应采样配置示例
overrides:
  defaults:
    adaptive_sampling:
      enabled: true
      # 目标每秒采样数，根据后端容量设定
      target_samples_per_second: 200
      # 慢 Trace 的采样权重倍率（相对于正常 Trace）
      slow_trace_weight: 5.0
      # 自适应窗口（秒），用于计算延迟分布
      adaptation_window: 60s

4.3 头部采样与尾部采样

这是两个完全不同的采样时机，直接影响你能分析到什么级别的数据。

4.4 采样优先级与标签

当多种采样策略同时生效时，需要明确的优先级规则。Tempo 按以下顺序判断一个 Trace 是否被采样：

1. 强制采样标签：如果 Trace 携带 sampling.priority=high 或 x-tempo-sampling-priority=1，必须采样。
2. 策略匹配：根据 Service/Endpoint 匹配的自定义采样策略。
3. 自适应采样：根据延迟分布动态计算概率。
4. 固定采样率：兜底策略，按全局概率采样。

标签（Labels）在采样中起到关键作用：

• 业务标签：如 order_type=premium、region=us-east，可用于按业务维度提高采样率。
• 错误标签：如 error=true，自动提升采样优先级。
• 自定义标签：通过 tempo.sampling.override=true 强制覆盖采样决策。

4.5 策略组合推荐

针对慢 Trace 复盘场景，推荐以下组合策略：

• 核心服务：尾部采样 + 自适应采样 + 强制标签（对关键业务 Trace 打 sampling.priority=high）。
• 边缘服务：头部采样 + 固定采样率（0.1~0.3），降低存储成本。
• 错误监控：对所有 error=true 的 Trace 强制采样，不受概率限制。