APM 设置

安装应用性能监控以获得分布式 trace、服务地图和逐请求 profiling。

为什么

指标告诉你服务慢；APM 告诉你为什么。分布式 trace 跟踪单个请求跨每个服务、数据库、队列，所以 p95 延迟突增时你能看到 80% 时间花在库存服务里一条 Postgres 查询 — 而非"结账流某处"。服务地图给你随代码发布更新的实时依赖图，这是事件中理解爆炸半径的唯一可靠方式。没有 APM，微服务团队对跨服务延迟盲目，每次事件变成多团队互相指责而非 5 分钟 trace 读取。

何时使用

当生产中有 2+ 服务互相调用时。单 monolith 可从指标 + 日志开始；第二个服务一出现就需要 trace 看跨边界。

如何做

1. 选匹配技术栈的 APM
   - 开源：OpenTelemetry SDK → Jaeger/Tempo 收集器（自托管）或 Grafana Cloud
   - 商业：Datadog、New Relic、Dynatrace、Honeycomb — 按语言支持 + 预算选

2. 在边界埋点
   - HTTP 框架、DB 驱动、消息队列自动埋点（多数 APM 一个 agent 搞定）
   - 为业务逻辑加自定义 span："validate_cart"、"apply_discount" — 非仅"handle_request"
   - 跨每跳传播 trace 上下文（W3C traceparent 头），含异步队列

3. 配置采样
   - 头部：入口采样 1-10%（确定性、便宜、漏稀有错误）
   - 尾部：保留 100% 错误 + 慢 trace，其余采样（贵但抓异常）
   - 从 5% 头部 + 100% 错误开始；负担得起时转尾部采样

4. 建服务地图并用它
   - 确认它匹配你的心智模型；缺边 = 缺埋点
   - 事件中先看地图看爆炸半径再钻 trace

5. 加 trace-log 关联
   - 把 trace_id 注入日志行，使 trace 链到该请求的确切日志
   - 这是把"慢"（trace）变"为什么"（log）的一键桥梁

示例

// Node + OpenTelemetry 自动埋点
// tracing.js（用 --require ./tracing.js 加载）
const opentelemetry = require('@opentelemetry/sdk-node');
const { getNodeAutoInstrumentations } = require('@opentelemetry/auto-instrumentations-node');
new opentelemetry.NodeSDK({
  traceExporter: new opentelemetry.ConsoleSpanExporter(), // → 生产用 OTLP 收集器
  instrumentations: [getNodeAutoInstrumentations()],
}).start();

// 业务逻辑自定义 span
const tracer = opentelemetry.trace.getTracer('checkout');
app.post('/api/checkout', async (req, res) => {
  const span = tracer.startSpan('checkout.validate_cart');
  try { await validateCart(req.body); }
  finally { span.end(); }
  // ... DB 查询自动埋点为子 span
});
// 在 Jaeger：search service=checkout，按 duration 降序
// → 看慢 trace，展开 span，找到耗时 800ms 的 Postgres 查询

常见问题

⚠忘记跨异步边界（队列、批处理）传播 trace 上下文 — 每跳一个新 trace 而非一条端到端，丢失跨服务视图。
⚠为省钱采样过激（0.1%）— 漏掉事件中正需要的稀有慢 trace；保留 100% 错误。
⚠只自动埋点 HTTP/DB 无业务逻辑 span — trace 显示"Postgres 800ms"但不显示哪条业务规则导致查询；加自定义 span。
⚠APM agent 开销推高延迟 — 每请求重 agent 加 5-10ms；安装后 p95 升高则基准测试并调采样。

最佳实践

✓跨每跳传播 W3C traceparent 头含异步队列和批处理 — 断裂 trace 链比无 trace 更糟因为它误导。
✓用尾部采样保留 100% 错误和慢 trace 同时采样正常流量 — 这抓异常而不破预算。
✓为业务逻辑加自定义 span，非仅框架调用 — "apply_discount" 可行动；"postgres.query" 在 200 条查询时不可行动。
✓经 trace_id 注入关联 trace 与日志 — 从慢 span 一键跳到确切日志行使 APM 物有所值。