Trace Sampling 2.0：面向分布式追踪的代码知识增强的跨度级抽样
软件工程
2025-09-18 v1
摘要
分布式追踪是微服务系统中重要的诊断工具，但追踪数据的庞大数量对后端存储造成了重大负担。常见的缓解方法是基于特定标准对追踪进行抽样，往往仅保留异常型追踪。然而，这种方法会丢弃宝贵信息，包括对于比较分析至关重要的正常追踪。为此，我们引入Trace Sampling 2.0，在保持追踪结构一致性的基础上进行跨度级抽样。该方法允许保留所有追踪，同时显著降低存储开销。基于此概念，我们设计并实现了Autoscope，一种基于静态分析提取执行逻辑的跨度级抽样方法，确保关键跨度被保留而不损害结构完整性。在两个开源微服务上进行评估。我们的结果表明，它将追踪大小降低 81.2%，同时保持 98.1% 的故障跨度覆盖率，优于现有的追踪级抽样方法。此外，我们证明了其在根因分析中的有效性，平均提升 8.3%。这些发现表明，Autoscope 能显著提升微服务的可观测性和存储效率，为性能监控提供了稳健的解决方案。
引用
@article{arxiv.2509.13852,
title = {Trace Sampling 2.0: Code Knowledge Enhanced Span-level Sampling for Distributed Tracing},
author = {Yulun Wu and Guangba Yu and Zhihan Jiang and Yichen Li and Michael R. Lyu},
journal= {arXiv preprint arXiv:2509.13852},
year = {2025}
}