第 220 题：全链路监控，延迟分解与异常定位？
题目
全链路监控，延迟分解与异常定位？
完整讲解
一、全链路监控的目标
全链路：从请求入口（网关、LB）经各中间服务（特征、模型、存储）到响应出口，整条路径可追踪、计时、定位瓶颈与异常。目标：延迟分解（各阶段耗时）、异常定位（哪一环节出错或变慢）、** SLA 与容量管理**。
二、延迟分解
- Trace：为每个请求分配唯一 trace_id，在各服务间传递；各服务打点记录「开始、结束、服务名、span_id、父 span」等，上报到分布式追踪系统（如 Jaeger、Zipkin、SkyWalking）。Span：代表一段逻辑（如一次 RPC、一次 DB 查询），有开始/结束时间；多 span 按父子关系组成调用树，即可得到各阶段耗时。
- 分解：从调用树可读出：网关 → 特征服务 → 模型服务 → 存储 等各段耗时与占比；P50/P99 按 span 聚合可发现慢环节（如某下游 P99 高、某 DB 查询慢）。端到端延迟 = 根 span 的 duration；子 span 之和应接近根（扣除并行与时钟误差）。
三、异常定位
- 错误与状态码：各 span 记录错误码、异常信息；某 span 失败可向上追溯根因（如模型服务超时、某依赖 5xx）。关联：同一 trace_id 下日志、指标、事件可关联，便于一次请求的完整排查。
- 指标与告警：按服务/接口聚合延迟、错误率、QPS；设告警（如 P99 > 200ms、错误率 > 1%），触发时结合 trace 与日志定位。根因：通过慢 trace 抽样查看调用树，找到共同慢的 span 或依赖，再查该服务/依赖的日志与资源。
四、工程要点
- 采样：全量 trace 成本高，可按比例或按延迟/错误采样；保证异常与慢请求优先采样。低侵入：通过中间件、Agent 自动打点与传递 trace_id，减少业务代码侵入。存储与查询：trace 数据量大，需索引（trace_id、时间、服务名）与保留策略（如热数据 7 天、冷数据聚合）。
面试要点
- 能说清全链路监控的目的：延迟分解、异常定位、SLA；能描述 trace_id、span、调用树与延迟分解的关系。
- 能说明如何做异常定位：span 错误信息、trace 与日志关联、慢 trace 抽样找共同慢 span；能提及指标与告警。
- 能简述采样、低侵入、存储与保留策略；能列举常见追踪系统（Jaeger、Zipkin 等）。
记忆要点
- 全链路=trace_id+各服务 span、调用树；延迟分解=各 span 耗时与 P50/P99。
- 异常定位=span 错误、trace 与日志关联、慢 trace 抽样找根因；指标告警配合。工程=采样、低侵入、存储与保留。