分散式鏈路追蹤
現今業界分散式服務跟蹤的理論基礎主要來自於 Google 的一篇論文《Dapper, a Large-Scale Distributed Systems Tracing Infrastructure》，使用最為廣泛的開源實現是 Twitter 的 Zipkin，為了實現平臺無關、廠商無關的分散式服務跟蹤，CNCF 釋出了布式服務跟蹤標準 Open Tracing。國內，淘寶的“鷹眼”、京東的“Hydra”、大眾點評的“CAT”、新浪的“Watchman”、唯品會的“Microscope”、窩窩網的“Tracing”都是這樣的系統。
Spring Cloud Sleuth
一般的，一個分散式服務跟蹤系統，主要有三部分：資料收集、資料儲存和資料展示。根據系統大小不同，每一部分的結構又有一定變化。譬如，對於大規模分散式系統，資料儲存可分為實時資料和全量資料兩部分，實時資料用於故障排查（troubleshooting），全量資料用於系統優化；資料收集除了支援平臺無關和開發語言無關係統的資料收集，還包括非同步資料收集（需要跟蹤佇列中的訊息，保證呼叫的連貫性），以及確保更小的侵入性；資料展示又涉及到資料探勘和分析。雖然每一部分都可能變得很複雜，但基本原理都類似。
服務追蹤的追蹤單元是從客戶發起請求（request）抵達被追蹤系統的邊界開始，到被追蹤系統向客戶返回響應（response）為止的過程，稱為一個“trace”。每個 trace 中會呼叫若干個服務，為了記錄呼叫了哪些服務，以及每次呼叫的消耗時間等資訊，在每次呼叫服務時，埋入一個呼叫記錄，稱為一個“span”。這樣，若干個有序的 span 就組成了一個 trace。在系統向外界提供服務的過程中，會不斷地有請求和響應發生，也就會不斷生成 trace，把這些帶有span 的 trace 記錄下來，就可以描繪出一幅系統的服務拓撲圖。附帶上 span 中的響應時間，以及請求成功與否等資訊，就可以在發生問題的時候，找到異常的服務；根據歷史資料，還可以從系統整體層面分析出哪裡效能差，定位效能優化的目標。
Spring Cloud Sleuth為服務之間呼叫提供鏈路追蹤。通過Sleuth可以很清楚的瞭解到一個服務請求經過了哪些服務，每個服務處理花費了多長。從而讓我們可以很方便的理清各微服務間的呼叫關係。此外Sleuth可以幫助我們：
- 耗時分析: 通過Sleuth可以很方便的瞭解到每個取樣請求的耗時，從而分析出哪些服務呼叫比較耗時;
- 視覺化錯誤: 對於程式未捕捉的異常，可以通過整合Zipkin服務介面上看到;
- 鏈路優化: 對於呼叫比較頻繁的服務，可以針對這些服務實施一些優化措施。
spring cloud sleuth可以結合zipkin，將資訊傳送到zipkin，利用zipkin的儲存來儲存資訊，利用zipkin ui來展示資料。
這是Spring Cloud Sleuth的概念圖：
ZipKin
Zipkin 是一個開放原始碼分散式的跟蹤系統，由Twitter公司開源，它致力於收集服務的定時資料，以解決微服務架構中的延遲問題，包括資料的收集、儲存、查詢和展現。
每個服務向zipkin報告計時資料，zipkin會根據呼叫關係通過Zipkin UI生成依賴關係圖，顯示了多少跟蹤請求通過每個服務，該系統讓開發者可通過一個 Web 前端輕鬆的收集和分析資料，例如使用者每次請求服務的處理時間等，可方便的監測系統中存在的瓶頸。
Zipkin提供了可插拔資料儲存方式：In-Memory、MySql、Cassandra以及Elasticsearch。接下來的測試為方便直接採用In-Memory方式進行儲存，生產推薦Elasticsearch。
快速上手
建立zipkin-server專案
專案依賴
<dependencies>
<dependency>
<groupId>org.springframework.cloud</groupId>
<artifactId>spring-cloud-starter-eureka</artifactId>
</dependency>
<dependency>
<groupId>io.zipkin.java</groupId>
<artifactId>zipkin-server</artifactId>
</dependency>
<dependency>
<groupId>io.zipkin.java</groupId>
<artifactId>zipkin-autoconfigure-ui</artifactId>
</dependency>
</dependencies>
啟動類
@SpringBootApplication @EnableEurekaClient @EnableZipkinServer public class ZipkinApplication {<span class="kd">public</span> <span class="kd">static</span> <span class="kt">void</span> <span class="nf">main</span><span class="o">(</span><span class="n">String</span><span class="o">[]</span> <span class="n">args</span><span class="o">)</span> <span class="o">{</span> <span class="n">SpringApplication</span><span class="o">.</span><span class="na">run</span><span class="o">(</span><span class="n">ZipkinApplication</span><span class="o">.</span><span class="na">class</span><span class="o">,</span> <span class="n">args</span><span class="o">);</span> <span class="o">}</span>
}
使用了@EnableZipkinServer註解，啟用Zipkin服務。
配置檔案
eureka:
client:
serviceUrl:
defaultZone: http://localhost:8761/eureka/
server:
port: 9000
spring:
application:
name: zipkin-server
配置完成後依次啟動示例專案：spring-cloud-eureka、zipkin-server專案。剛問地址:http://localhost:9000/zipkin/可以看到Zipkin後臺頁面
專案新增zipkin支援
在專案spring-cloud-producer和spring-cloud-zuul中新增zipkin的支援。
<dependency>
<groupId>org.springframework.cloud</groupId>
<artifactId>spring-cloud-starter-zipkin</artifactId>
</dependency>
Spring應用在監測到Java依賴包中有sleuth和zipkin後，會自動在RestTemplate的呼叫過程中向HTTP請求注入追蹤資訊，並向Zipkin Server傳送這些資訊。
同時配置檔案中新增如下程式碼：
spring:
zipkin:
base-url: http://localhost:9000
sleuth:
sampler:
percentage: 1.0
spring.zipkin.base-url指定了Zipkin伺服器的地址，spring.sleuth.sampler.percentage將取樣比例設定為1.0，也就是全部都需要。
Spring Cloud Sleuth有一個Sampler策略，可以通過這個實現類來控制取樣演算法。取樣器不會阻礙span相關id的產生，但是會對匯出以及附加事件標籤的相關操作造成影響。 Sleuth預設取樣演算法的實現是Reservoir sampling，具體的實現類是PercentageBasedSampler，預設的取樣比例為: 0.1(即10%)。不過我們可以通過spring.sleuth.sampler.percentage來設定，所設定的值介於0.0到1.0之間，1.0則表示全部採集。
這兩個專案新增zipkin之後，依次進行啟動。
進行驗證
這樣我們就模擬了這樣一個場景，通過外部請求訪問Zuul閘道器，Zuul閘道器去呼叫spring-cloud-producer對外提供的服務。
四個專案均啟動後，在瀏覽器中訪問地址：http://localhost:8888/producer/hello?name=neo 兩次，然後再開啟地址：
http://localhost:9000/zipkin/點選對應按鈕進行檢視。
點選查詢看到有兩條記錄
點選記錄進去頁面，可以看到每一個服務所耗費的時間和順序
點選依賴分析，可以看到專案之間的呼叫關係
參考：