概率采样原理：固定比例采样（1%）的实现与数学期望

固定比例采样是概率采样中最基础、最直观的策略。其核心思想是：每个 Span 独立地以固定概率 p 被保留，采样决策之间互不影响。本节以 1% 采样率为例，深入剖析其实现机制与数学期望，帮助你在复盘时准确理解采样带来的数据偏差。

1. 固定比例采样的数学定义

设系统每秒产生 N 个 Span，采样率 p = 0.01（即 1%）。则每个 Span 被保留的概率为 p，被丢弃的概率为 (1-p)。这是一个典型的伯努利试验过程。

• 保留概率：P(保留) = p = 0.01
• 丢弃概率：P(丢弃) = 1 - p = 0.99
• 期望保留数：E[保留数] = N × p = N × 0.01
• 方差：Var = N × p × (1-p) = N × 0.01 × 0.99 ≈ 0.0099N

2. 实现方式：哈希取模 vs 随机数生成

生产环境中，固定比例采样通常有两种实现路径：

3. 固定比例采样的数学期望与偏差分析

理解数学期望是复盘口径校准的基础。假设全量数据中某个指标的真实值为 V，采样率为 p，则采样后的观测值 O 满足：

• 无偏性：E[O] = V × p，即 O/p 是 V 的无偏估计
• 相对标准误差 (RSE)：RSE = sqrt((1-p)/(N×p))，其中 N 为全量 Span 数

下表展示了不同全量 Span 数下，1% 采样率的 RSE：

4. 固定比例采样流程图

下图展示了 1% 固定比例采样的完整决策流程：

5. 代码实现示例

以下是一个基于 TraceID 哈希取模的 1% 固定比例采样实现（Go 语言）：

package sampler

import (
    "crypto/md5"
    "encoding/binary"
    "math/rand"
)

// FixedRateSampler 固定比例采样器
type FixedRateSampler struct {
    rate uint32 // 采样率分母，如 100 表示 1%
}

// NewFixedRateSampler 创建固定比例采样器
func NewFixedRateSampler(ratePercent int) *FixedRateSampler {
    if ratePercent <= 0 || ratePercent > 100 {
        ratePercent = 100 // 默认全采
    }
    return &FixedRateSampler{
        rate: uint32(100 / ratePercent),
    }
}

// ShouldSample 基于 TraceID 决定是否采样
func (s *FixedRateSampler) ShouldSample(traceID string) bool {
    // 1. 计算 TraceID 的 MD5 哈希
    hash := md5.Sum([]byte(traceID))
    
    // 2. 取前 4 字节作为 uint32
    val := binary.BigEndian.Uint32(hash[:4])
    
    // 3. 取模判断
    return val % s.rate == 0
}

// 使用示例
func main() {
    // 创建 1% 采样器
    sampler := NewFixedRateSampler(1)
    
    // 模拟 1000 个 Trace
    sampled := 0
    total := 1000
    for i := 0; i < total; i++ {
        traceID := generateTraceID() // 生成唯一 TraceID
        if sampler.ShouldSample(traceID) {
            sampled++
        }
    }
    
    // 期望保留数 ≈ 10
    println("Sampled:", sampled, "Expected:", total/100)
}

func generateTraceID() string {
    // 生产环境应使用 UUID 或分布式 ID 生成器
    return randomString(32)
}

func randomString(n int) string {
    letters := []rune("abcdef0123456789")
    b := make([]rune, n)
    for i := range b {
        b[i] = letters[rand.Intn(len(letters))]
    }
    return string(b)
}

6. 固定比例采样的局限性

尽管固定比例采样实现简单且无偏，但在实际生产环境中存在以下局限：

• 低频事件丢失：对于发生概率低于 1% 的错误或慢调用，1% 采样率几乎无法捕获到有效样本
• Trace 完整性依赖 TraceID 分布：如果 TraceID 生成不均匀（如某些前缀出现频率过高），哈希取模会导致采样偏差
• 无法自适应流量变化：流量高峰时保留的 Span 数激增，可能超出存储预算；流量低谷时保留数过少，统计意义不足
• 复盘口径校准需考虑方差：当期望保留数较小时，采样结果的置信区间很宽，直接使用采样数据做定量分析可能产生误导

7. 固定比例采样 vs 其他采样策略