2. OpenTelemetry 基础：项目背景、核心概念（Trace、Span、Metric、Log）
2.1 OpenTelemetry 项目背景
OpenTelemetry（简称 OTel）是 CNCF（Cloud Native Computing Foundation）旗下的可观测性框架，由 OpenTracing 和 OpenCensus 两个项目合并而来。其目标是提供一套统一、厂商中立的 API、SDK 和工具，用于生成、采集和导出遥测数据（Traces、Metrics、Logs）。
为什么需要 OpenTelemetry？ 在微服务架构中，一个请求会穿越多个服务、中间件和基础设施。传统监控工具各自为政，导致 Trace、Metric、Log 数据割裂，难以关联分析。OTel 通过统一的数据模型和采集管道，解决了“三张皮”问题。
| 时间线 | 事件 | 说明 |
|---|---|---|
| 2019 | OpenTracing + OpenCensus 合并 | 两大社区决定合并，避免标准分裂 |
| 2021 | OTel 成为 CNCF 毕业项目 | 达到生产就绪成熟度，被主流云厂商采纳 |
| 2023+ | Logs Bridge API 稳定 | 三大信号（Trace、Metric、Log）全部进入稳定阶段 |
2.2 核心概念：Trace 与 Span
Trace（追踪） 代表一个端到端请求在分布式系统中的完整路径。它由多个 Span（跨度） 组成，每个 Span 代表一次具名、定时的操作单元（如 HTTP 请求、数据库查询、消息队列发送）。
- Trace ID：全局唯一标识，贯穿整个请求生命周期。
- Span ID：每个 Span 的唯一标识。
- Parent Span ID：指向父 Span，形成树状层级关系。
- Span Context：携带 Trace ID、Span ID 等元数据，通过 W3C Trace Context 协议在服务间传播。
关键理解： Trace 是“森林”，Span 是“树”。一个 Trace 由一棵 Span 树构成，根 Span 代表入口请求，子 Span 代表内部调用。
2.3 核心概念：Metric（指标）
Metric 是聚合后的数值型数据，用于描述系统在时间维度上的状态变化。OTel 定义了三种基本 Metric 类型：
| Metric 类型 | 说明 | 典型场景 |
|---|---|---|
| Counter | 单调递增计数器，只增不减 | 请求总数、错误总数 |
| Histogram | 对观测值进行分桶统计 | 请求延迟分布、响应大小分布 |
| Gauge | 可增可减的瞬时值 | CPU 使用率、内存使用量、队列长度 |
注意： Metric 是聚合数据，不保留单个请求的细节。如果需要排查具体请求的异常，必须结合 Trace 和 Log 进行下钻分析。
2.4 核心概念：Log（日志）
Log 是带有时间戳的文本记录，描述系统中发生的离散事件。OTel 通过 Logs Bridge API 将日志与 Trace 关联起来，核心字段包括：
- Timestamp：事件发生时间。
- Severity：日志级别（TRACE、DEBUG、INFO、WARN、ERROR、FATAL）。
- Body：日志正文内容。
- Trace ID / Span ID：关联到对应的 Trace 和 Span，实现“日志链路化”。
- Attributes：键值对形式的上下文信息（如 service.name、http.method）。
2.5 三大信号的关系
Trace、Metric、Log 三者并非孤立，而是互补关系。OTel 通过 Context Propagation 和 Resource Attributes 将它们关联起来：
2.6 数据模型与采集架构
OTel 的数据采集遵循 Agent → Collector → Backend 的三层架构：
- Instrumentation（插桩）：通过 SDK 或自动插桩库在应用中生成 Trace、Metric、Log。
- OTel Collector：接收、处理、导出遥测数据。支持批处理、采样、过滤、重试等能力。
- Backend（后端）：存储和可视化平台，如 Jaeger、Prometheus、Grafana、Datadog 等。
课程关联： 在后续章节中，我们将为值班机器人接入 OTel SDK，通过 Collector 将链路数据发送到 Jaeger 和 Prometheus，实现“告警触发 → 自动拉取 Trace → 定位故障根因”的闭环。
2.7 本章小结
| 概念 | 一句话总结 | 在值班机器人中的用途 |
|---|---|---|
| Trace | 请求的完整调用链 | 告警时自动拉取关联 Trace，定位故障服务 |
| Span | 调用链中的单个操作单元 | 分析每个服务的耗时和错误状态 |
| Metric | 聚合后的数值指标 | 触发告警的阈值依据（如 P99 延迟 > 500ms） |
| Log | 带时间戳的事件记录 | 补充 Trace 无法覆盖的异常详情 |