4. 采样策略深度解析：固定采样、概率采样、速率限制采样、自适应采样策略配置与对比

在微服务链路追踪中，全量采集所有请求会产生海量数据，导致存储成本激增、查询性能下降。采样策略的核心目标是在数据完整性与资源开销之间取得平衡。本章深入解析四种主流采样策略的原理、配置方法及适用场景。

4.1 固定采样（Fixed Sampling）

固定采样是最简单的策略，通过预设一个固定的采样率来决定是否采集链路数据。例如，配置采样率为 10%，则每 10 个请求中采集 1 个。

• 原理：基于请求 ID 的哈希值取模，或直接使用随机数生成器，按固定比例决定采样与否。
• 优点：实现简单，性能开销极低，适合流量稳定的系统。
• 缺点：无法应对流量突发，低流量时样本不足，高流量时仍可能产生过多数据。

sampler:
  type: const
  param: 1   # 1 表示全量采集，0 表示不采集

brave:
  sampler:
    rate: 0.1   # 10% 采样率

4.2 概率采样（Probabilistic Sampling）

概率采样与固定采样类似，但通常基于更精细的随机算法，确保在分布式环境下各服务实例的采样决策保持一致。

• 原理：使用 Trace ID 的哈希值结合采样率进行决策，保证同一 Trace 的所有 Span 采样结果一致。
• 优点：分布式一致性高，实现简单。
• 缺点：无法感知业务优先级，关键请求可能被丢弃。

4.3 速率限制采样（Rate Limiting Sampling）

速率限制采样以每秒采集的 Trace 数量为上限，超过阈值后不再采集新请求，直到下一周期重置。

• 原理：使用令牌桶或漏桶算法，控制单位时间内的采样数量。
• 优点：能有效控制数据总量，避免存储爆炸。
• 缺点：低流量时可能采集不到足够样本，高流量时可能丢失重要请求。

4.4 自适应采样（Adaptive Sampling）

自适应采样是动态调整采样率的策略，根据系统实时状态（如流量、错误率、延迟）自动优化采样决策。

• 原理：结合实时监控数据，通过反馈循环调整采样率。例如，当错误率升高时自动提高采样率，以便捕获更多异常链路。
• 优点：智能、高效，能在资源有限的情况下最大化数据价值。
• 缺点：实现复杂，需要额外的监控和计算资源。

4.5 四种策略对比

4.6 采样策略选择决策流程

下图展示了从业务需求出发，选择合适采样策略的决策路径。

4.7 组合策略实践

在实际工程中，单一策略往往无法满足所有需求。推荐采用分层组合策略：

1. 第一层：概率采样 — 作为基础策略，保证分布式一致性。
2. 第二层：速率限制 — 在概率采样基础上叠加速率限制，防止突发流量导致数据溢出。
3. 第三层：自适应规则 — 针对错误率、慢请求等关键指标，动态提高采样率。

sampler:
  type: parentbased_traceidratio
  ratio: 0.1
  rate_limiting:
    max_traces_per_second: 100
  adaptive:
    error_rate_threshold: 0.05
    latency_threshold_ms: 500
    high_priority_sampling_rate: 1.0

4.8 性能优化建议

• 采样决策前置：在服务入口处（如 API Gateway）完成采样决策，避免后续服务重复计算。
• 缓存采样结果：对于短时间内的相同 Trace ID，缓存采样决策结果，减少哈希计算开销。
• 异步上报：采样后的 Span 数据通过异步队列上报，避免阻塞业务线程。
• 监控采样率：实时监控实际采样率与配置值的偏差，及时发现采样策略异常。