第27课:SkyWalking全链路追踪实战 & 微服务调用链路分析

作者:Thomas.Sir日期:2026/10/17

文章目录

    • 一、开篇:第26课留下的“盲区”
    • 二、分布式追踪理论基础
      • 2.1 Dapper论文的核心思想
        • 2.2 三大核心概念:Trace、Segment、Span
        • 2.3 上下文传播:跨服务追踪的核心
    • 三、SkyWalking架构深度剖析
      • 3.1 四层架构:Probe → OAP → Storage → UI
        • 3.2 核心数据模型
        • 3.3 Java Agent的字节码增强原理
    • 四、SkyWalking部署实战
      • 4.1 Docker Quick Start部署
        • 4.2 验证部署
    • 五、Java Agent探针配置
      • 5.1 下载Agent
        • 5.2 核心配置项
        • 5.3 配置覆盖优先级
        • 5.4 Spring Boot应用的启动配置
        • 5.5 Gateway与OpenFeign的链路透传
        • 5.6 日志中注入TraceID
    • 六、调用链路分析与拓扑图实战
      • 6.1 验证链路数据
        • 6.2 拓扑图解读
        • 6.3 链路详情分析
        • 6.4 性能瓶颈排查实战
        • 6.5 日志与链路的联动
    • 七、生产采样策略与性能优化
      • 7.1 采样率配置
        • 7.2 OAP Server性能调优
        • 7.3 Agent性能优化
        • 7.4 SkyWalking与Micrometer Tracing的协同
    • 八、踩坑指南
      • 坑一:Agent版本与OAP版本不匹配
        • 坑二:Gateway自定义过滤器覆盖了sw8头
        • 坑三:异步线程中链路断裂
        • 坑四:采样率为0导致无数据
        • 坑五:Elasticsearch存储空间快速增长
        • 坑六:JDK 21下Agent兼容性问题
    • 九、课后作业
    • 十、下节预告
  • 🔗《最新版 SpringCloud 2025 从入门到实战》系列课程导航

适配版本:Apache SkyWalking 10.4.0(OAP + UI + Java Agent)、Spring Boot 4.0.8、Spring Cloud 2025.1.3(Oakwood)、JDK 21
课程定位:监控追踪阶段进阶篇,从分布式追踪理论到SkyWalking架构,从探针配置到链路分析,构建全链路可观测性能力

一、开篇:第26课留下的“盲区”

第26课我们完成了Prometheus+Grafana的指标监控体系。通过http_server_requests_seconds指标,我们能看到service-order的P95延迟从50ms飙升到了3秒。但指标只告诉了你“慢了”,没有告诉你“为什么慢”。

是service-user的数据库查询慢了?还是service-product的Feign调用超时了?还是service-order自己的业务逻辑阻塞了?Prometheus的指标是按服务聚合的——它知道每个服务各自的状态,但不知道一个请求在服务之间的流转路径。

链路追踪(Distributed Tracing) 正是为解决这个问题而设计的。它为每个请求生成全局唯一的TraceId,记录请求经过的每一个服务、每一次数据库查询、每一次RPC调用,以及每一段的精确耗时。当请求变慢时,通过链路追踪可以精确定位到是哪个服务、哪个方法、哪条SQL拖慢了整个请求。

SkyWalking是目前国内微服务生态中应用最广泛的开源APM(Application Performance Management)工具。与Zipkin、Jaeger等纯链路追踪工具不同,SkyWalking在同一个平台内覆盖Tracing、Metrics、Logging、Profiling、Event五类遥测数据,并提供零代码侵入的Java Agent探针,非常适合Spring Cloud微服务架构的快速接入。

本课将从分布式追踪的理论基础(Dapper论文)讲起,深入SkyWalking的四层架构和字节码增强原理,完成OAP+UI部署和Java Agent探针配置,实战微服务调用链路分析和拓扑图生成,最后给出生产环境的采样策略和性能优化建议。

二、分布式追踪理论基础

2.1 Dapper论文的核心思想

2010年,Google发表了《Dapper, a Large-Scale Distributed Systems Tracing Infrastructure》论文,奠定了分布式追踪的理论基础。今天所有的链路追踪系统——无论是SkyWalking、Zipkin还是Jaeger——其核心设计理念都可以追溯到这篇论文。

Dapper论文开篇描述了一个典型的场景:Google的一个搜索请求可能涉及数百个微服务、数千台机器。当用户说“搜索好慢”时,你该从哪查起?没有追踪系统,你可能需要查几十台机器的日志。Dapper的目标非常明确:性能分析和故障定位。

论文提出了两个基本要求:广泛的覆盖面——监控组件应作为基础组件提供,对应用开发者尽可能透明;低开销——监控系统本身对业务服务的性能影响必须降至最低。

2.2 三大核心概念:Trace、Segment、Span

Dapper将一次请求划分为三个层次,这一模型已成为所有链路追踪系统的基础:

Trace(追踪) :表示一整条完整的调用链,包含跨进程、跨线程的所有操作。全局唯一标识为TraceID,贯穿请求的全链路。通过TraceID可以串联起跨服务、跨进程的所有操作,还原完整的调用路径。

Segment(分段) :表示单个进程(如一个JVM实例)或线程内的所有操作集合,包含若干个Span。Segment是SkyWalking的特有概念,它比Zipkin/Jaeger的纯Span模型多了一层“进程级”的聚合。

Span(跨度) :表示一个具体的操作单元,是Trace的最小执行单元。Span分为三种类型:

类型含义典型场景
Entry Span入口Span,是一个Segment的起点HTTP/RPC服务端入口、MQ消费者入口
Local Span本地方法调用Service层方法、工具类方法
Exit Span出口Span,是对外部的调用HTTP/RPC客户端调用、数据库访问、MQ生产者

每个Span包含以下核心属性:

属性含义
SpanID单个Span的唯一标识,单Trace内唯一
ParentSpanID父Span的ID,用于构建树形调用层级
操作名标识Span的操作类型,如GET /api/user
起止时间戳记录操作的开始/结束时间,计算耗时
状态码标识操作的执行结果(成功/失败/异常)
属性/标签键值对形式的元数据,如HTTP URL、状态码、SQL语句

2.3 上下文传播:跨服务追踪的核心

上下文传播是实现跨服务链路串联的核心技术难点。它的核心任务是将Trace上下文(TraceID、SpanID、采样标记等)在跨进程、跨服务、跨线程的调用中进行传递,确保全链路的Span能被正确串联。

在HTTP场景中,上下文通过请求头传递。SkyWalking Java Agent会自动在Feign调用的请求头中注入sw8头,下游服务的Agent解析该头并恢复Trace上下文,从而将两个服务的Span关联到同一个Trace中。对于Spring Cloud Gateway,流量经过SkyWalking Agent时会自动生成包含TraceID的请求头。

在异步场景(如MQ、线程池)中,上下文通过ThreadLocal快照传递。SkyWalking的@Trace注解和ContextManager支持手动传递上下文,也可以通过apm-toolkit-trace工具包提供的TraceContext在异步线程中恢复上下文。

三、SkyWalking架构深度剖析

3.1 四层架构:Probe → OAP → Storage → UI

SkyWalking采用逻辑四层架构,每一层职责清晰、可独立扩展:

1┌──────────────────────────────────────────────────────────────┐
2│                     Probe(探针层)                            │
3│  Java Agent / Python Agent / Go Agent / Node.js Agent        │
4│  Service Mesh Receiver / eBPF / OpenTelemetry / Zipkin       │
5│  职责:采集数据,通过gRPC/OTLP上报到OAP                        │
6└──────────────────────────────┬───────────────────────────────┘
7                               │ gRPC (11800) / HTTP (12800)
8                               ▼
9┌──────────────────────────────────────────────────────────────┐
10│               OAP(Observability Analysis Platform)          │
11│  接收 Trace/Metrics/Logs/Events                               │
12│  OAL(指标分析)/ MAL(Meter分析)/ LAL(日志分析)DSL流水线     │
13│  聚合 · 流式处理 · 告警                                       │
14│  职责:数据接收、聚合计算、清洗分析、告警触发                   │
15└──────────────────────────────┬───────────────────────────────┘
16                               │
17                               ▼
18┌──────────────────────────────────────────────────────────────┐
19│                    Storage(存储层)                           │
20│  Elasticsearch / OpenSearch / BanyanDB / MySQL / H2          │
21│  职责:持久化存储链路数据、指标数据、日志数据                   │
22└──────────────────────────────┬───────────────────────────────┘
23                               │
24                               ▼
25┌──────────────────────────────────────────────────────────────┐
26│                      UI(可视化层)                            │
27│  Booster UI(10.x) / Horizon UI(11.x)                      │
28│  拓扑 · Trace · 指标 · 日志 · Profiling                       │
29│  职责:Web控制台,查看拓扑图、链路详情、性能指标                │
30└──────────────────────────────────────────────────────────────┘
31

Probe(探针层) :SkyWalking的核心优势在于零代码侵入。Java Agent通过-javaagent参数挂载,不需要改一行业务代码,自动拦截Spring MVC、OpenFeign、Dubbo、MySQL、Redis、MQ等中间件操作,采集链路、耗时、异常和JVM指标,异步上报数据。

OAP(平台后端) 是架构重心。它接收Trace/Metrics/Logs/Events数据,经OAL(指标分析)、MAL(Meter分析)、LAL(日志分析)等DSL流水线生成实体与指标。10.4版本起,MAL/LAL走V2引擎,指标聚合与持久化worker池合并为BatchQueue调度。

Storage(存储层) 是插件化的。生产环境常见Elasticsearch/OpenSearch或BanyanDB(SkyWalking自研时序+追踪存储)。

UI(可视化层) 在10.x版本中使用Booster UI,11.x版本中已正式切换为Horizon UI。

3.2 核心数据模型

SkyWalking用Service → Service Instance → Endpoint → Process四层结构描述观测对象:

层级含义示例
Service一组提供相同行为的工作负载service-user服务
Service InstanceService下的单个实例(一个JVM进程)host1@service-user:8081
EndpointHTTP URI或gRPC方法签名等入口路径GET /api/user/{id}
Process进程级信息进程ID、OS信息

跨K8s、Mesh、OS等多Layer时,可通过Service Hierarchy关联同一逻辑服务在不同层级的视图。

3.3 Java Agent的字节码增强原理

SkyWalking Java Agent采用字节码增强(Bytecode Enhancement) 技术实现无侵入埋点。其核心机制是:

第一层:JVM Instrumentation API。 Java Agent通过premain方法在应用启动时注册ClassFileTransformer。当JVM加载每个类时,Transformer会拦截类字节码,根据SkyWalking的插件规则判断是否需要增强。

第二层:插件化拦截。 SkyWalking内置了数百个插件,覆盖Spring MVC、OpenFeign、MySQL、Redis、RabbitMQ、Kafka等主流框架。每个插件定义了需要拦截的类和方法,以及增强后的逻辑——在方法执行前创建Span,在方法执行后记录耗时和结果。

第三层:上下文传播。 增强后的代码在Entry Span创建时从请求头中提取Trace上下文,在Exit Span创建时向请求头中注入Trace上下文,实现跨服务的链路串联。

性能开销:SkyWalking Agent对应用的性能影响通常小于3%,支持通过采样率进一步降低开销。

四、SkyWalking部署实战

4.1 Docker Quick Start部署

SkyWalking提供了官方一键部署脚本,交互式选择Elasticsearch或BanyanDB作为存储:

1# Linux / macOS / WSL
2bash <(curl -sSL https://skywalking.apache.org/quickstart-docker.sh)
3

脚本会启动三个容器:

容器端口职责
skywalking-oap11800(gRPC)、12800(HTTP)OAP平台后端
skywalking-ui8080Web控制台
elasticsearch9200数据存储

手动部署方式(推荐生产环境):

1# 1. 启动Elasticsearch
2docker run -d --name elasticsearch \
3  -p 9200:9200 \
4  -e "discovery.type=single-node" \
5  -e "ES_JAVA_OPTS=-Xms2g -Xmx2g" \
6  elasticsearch:8.15.0
7
8# 2. 启动OAP Server(指定ES存储)
9docker run -d --name oap \
10  -p 11800:11800 -p 12800:12800 \
11  -e SW_STORAGE=elasticsearch \
12  -e SW_STORAGE_ES_CLUSTER_NODES=elasticsearch:9200 \
13  apache/skywalking-oap-server:10.4.0
14
15# 3. 启动UI
16docker run -d --name ui \
17  -p 8080:8080 \
18  -e SW_OAP_ADDRESS=http://oap:12800 \
19  apache/skywalking-ui:10.4.0
20

端口说明:OAP默认gRPC接收端口为11800,HTTP为12800;UI默认端口为8080。

4.2 验证部署

访问http://localhost:8080,应看到SkyWalking UI界面。首次访问时,服务列表为空——需要应用挂载Agent并上报数据后才会显示。

五、Java Agent探针配置

5.1 下载Agent

从SkyWalking官网下载Java Agent包,版本必须与OAP Server保持一致:

1wget https://archive.apache.org/dist/skywalking/java-agent/9.4.0/apache-skywalking-java-agent-9.4.0.tgz
2tar -zxvf apache-skywalking-java-agent-9.4.0.tgz
3

解压后的目录结构:

1skywalking-agent/
2├── config/
3│   └── agent.config          # 主配置文件
4├── plugins/                   # 默认启用的插件
5├── optional-plugins/          # 可选插件(需手动移入plugins/)
6└── skywalking-agent.jar       # Agent 主jar包
7

5.2 核心配置项

编辑config/agent.config,关键配置如下:

1# 服务名称(在UI中显示)
2agent.service_name=${SW_AGENT_NAME:Your_ApplicationName}
3
4# OAP服务器地址(gRPC端口)
5collector.backend_service=${SW_AGENT_COLLECTOR_BACKEND_SERVICES:127.0.0.1:11800}
6
7# 采样率:每3秒采集的请求数,-1表示全量采集,默认-1
8agent.sample_n_per_3_secs=${SW_AGENT_SAMPLE:-1}
9
10# 数据隔离命名空间
11agent.namespace=${SW_AGENT_NAMESPACE:}
12
13# 实例标识(默认自动生成)
14agent.instance_name=${SW_AGENT_INSTANCE_NAME:}
15

5.3 配置覆盖优先级

SkyWalking支持多种配置方式,优先级从高到低依次为:

优先级配置方式示例
1(最高)探针配置(jar后加参数)-javaagent:agent.jar=agent.service_name=order-service
2系统配置(-D参数)-Dskywalking.agent.service_name=order-service
3系统环境变量SW_AGENT_NAME=order-service
4(最低)配置文件中的值agent.config 中的 Your_ApplicationName

最佳实践:推荐通过环境变量配置参数,便于不同环境切换:

1export SW_AGENT_NAME=service-user
2export SW_AGENT_COLLECTOR_BACKEND_SERVICES=oap:11800
3java -javaagent:/agent/skywalking-agent.jar -jar service-user.jar
4

5.4 Spring Boot应用的启动配置

在microservice-platform的每个服务中,通过JVM参数挂载Agent:

1# service-user 启动命令
2java -javaagent:/opt/skywalking-agent/skywalking-agent.jar \
3  -Dskywalking.agent.service_name=service-user \
4  -Dskywalking.collector.backend_service=192.168.1.100:11800 \
5  -jar service-user-1.0.0.jar
6

Maven插件方式(适合开发环境):

1<plugin>
2    <groupId>org.springframework.boot</groupId>
3    <artifactId>spring-boot-maven-plugin</artifactId>
4    <configuration>
5        <jvmArguments>
6            -javaagent:/opt/skywalking-agent/skywalking-agent.jar
7            -Dskywalking.agent.service_name=${project.artifactId}
8            -Dskywalking.collector.backend_service=127.0.0.1:11800
9        </jvmArguments>
10    </configuration>
11</plugin>
12

5.5 Gateway与OpenFeign的链路透传

SkyWalking Agent原生支持Spring Cloud Gateway和OpenFeign。Gateway的流量经过Agent时,会自动生成包含TraceID的请求头并在调用链中标记熔断器触发事件。OpenFeign的调用会被自动增强,在请求头中注入sw8头,下游服务解析后恢复Trace上下文。

需要在Gateway模块额外添加的依赖(确保Gateway的链路透传正确):

1<dependency>
2    <groupId>org.apache.skywalking</groupId>
3    <artifactId>apm-toolkit-trace</artifactId>
4    <version>9.4.0</version>
5</dependency>
6

踩坑提示:如果Gateway使用了自定义的GlobalFilter修改了请求头,可能会覆盖SkyWalking注入的sw8头,导致链路断裂。解决方案:在自定义过滤器中,将sw8头添加到白名单中,不做修改。

5.6 日志中注入TraceID

在logback-spring.xml中配置TraceID输出:

1<pattern>%d{yyyy-MM-dd HH:mm:ss} [%X{tid}] [%thread] %-5level %logger{36} - %msg%n</pattern>
2

SkyWalking Agent会自动将TraceID注入到MDC的tid键中。配置后,日志中将显示类似:

12026-09-13 10:30:15 [a1b2c3d4e5f6.1234567890.123456.01] [http-nio-8081-exec-1] INFO  c.e.m.u.controller.UserController - 查询用户: id=1
2

通过TraceID,可以在ELK中串联起该请求在所有服务中的日志。

六、调用链路分析与拓扑图实战

6.1 验证链路数据

启动所有服务(挂载Agent后),访问SkyWalking UI(http://localhost:8080):

  1. 服务列表:左侧菜单中应显示service-user、service-order、service-product、gateway-server四个服务
  2. 拓扑图:导航至Topology页面,应显示服务间的调用关系。外部请求 → Gateway → service-order → service-user / service-product
  3. 链路追踪:导航至Trace页面,应能看到最近的请求链路

6.2 拓扑图解读

SkyWalking自动采集服务间的调用数据,生成实时拓扑图,展示服务节点(微服务、数据库、消息队列)、调用方向(箭头表示请求流向)和调用指标(响应时间、错误率)。

拓扑图的关键作用:

  • 发现隐藏依赖:某版本发布后,拓扑图可能显示order-service对perf-service的调用延迟突然升高
  • 定位故障传播链路:当服务雪崩时,拓扑图能一眼看出故障从哪个服务开始、传播到了哪些服务
  • 验证架构变更效果:例如将同步调用改为异步后,拓扑图中的实线箭头变为虚线箭头

依赖矩阵:拓扑图下方可以切换到依赖矩阵视图,以表格形式量化服务间依赖强度:

调用方被调用方调用次数/分钟平均延迟
order-serviceuser-service12045ms
order-serviceproduct-service24012ms
order-servicemysql3608ms

6.3 链路详情分析

点击拓扑图中的某条调用边,或进入Trace页面查看单条链路的详情。SkyWalking的链路详情页面以火焰图和调用树两种视图展示:

调用树视图:

1Trace: a1b2c3d4e5f6 (总耗时: 523ms)
2├── [Gateway] GET /api/order/1 (523ms)
3│   ├── [service-order] OrderController.getOrder (515ms)
4│   │   ├── [service-order] OrderService.query (510ms)
5│   │   │   ├── [service-user] UserClient.getUserById (320ms)  ← 慢!占比61%
6│   │   │   │   └── [service-user] UserController.getUserById (310ms)
7│   │   │   │       └── [MySQL] SELECT * FROM user WHERE id=1 (295ms)  ← 慢SQL!
8│   │   │   ├── [service-product] ProductClient.getProductById (150ms)
9│   │   │   │   └── [service-product] ProductController.getProductById (145ms)
10│   │   │   └── [service-order] OrderService.assemble (35ms)
11│   │   └── [service-order] OrderController.response (5ms)
12│   └── [Gateway] Response (523ms)
13

从调用树中可以精确定位瓶颈:

  • 总耗时523ms,其中service-user调用耗时320ms(占比61%)
  • service-user的耗时主要来自MySQL查询(295ms)
  • 定位到具体问题:service-user的数据库查询缺少索引,导致全表扫描

关键指标:

  • 自身耗时(Self Time) :Span的总耗时减去子Span的耗时。如果某个Span的Self Time很高,说明瓶颈在该Span自身的代码逻辑中
  • 异常标记:发生异常的Span会以红色高亮显示,点击可查看异常堆栈
  • SQL记录:数据库查询的SQL语句会被记录,便于分析慢SQL

6.4 性能瓶颈排查实战

场景一:Feign调用超时。在调用树中,UserClient.getUserById的耗时异常高(如3秒)。展开该Span,可以看到SkyWalking记录的HTTP请求详情——请求URL、状态码、响应时间。对比第15课配置的Feign超时时间(read-timeout),确认是否为下游服务响应慢导致的超时。

场景二:数据库慢查询。展开MySQL Span,可以看到执行的SQL语句和耗时。SkyWalking自动记录SQL语句(需要开启plugin.jdbc.trace_sql_parameters=true配置)。

场景三:Gateway转发慢。在调用树中,Gateway的Span耗时高,但下游服务的Span耗时正常。这说明瓶颈在Gateway自身的处理逻辑(如鉴权过滤器、限流过滤器)中。

6.5 日志与链路的联动

SkyWalking支持将TraceID注入到日志中,通过日志中的TraceID可以在ELK中检索到该请求在所有服务中的完整日志。当某个接口超时告警时,运维人员可以直接通过TraceID跳转到关联日志,查看当时数据库连接池的状态或异常堆栈。

七、生产采样策略与性能优化

7.1 采样率配置

SkyWalking的采样率通过agent.sample_n_per_3_secs配置,含义是每3秒采集的请求数:

配置值含义适用场景
-1全量采集开发/测试环境
0不采集关闭Agent
100每3秒采集100个请求生产环境(中等流量)
10每3秒采集10个请求生产环境(高流量)

生产建议:核心服务(支付、订单)使用较高采样率(100-500),非核心服务(日志上报、推荐)使用较低采样率(10-50)。全量采集在生产环境可能导致OAP和ES的存储压力过大。

7.2 OAP Server性能调优

OAP Server的JVM参数需要根据数据量调整:

1# OAP Server JVM 参数
2SW_JAVA_OPTS="-Xms4g -Xmx4g -XX:MetaspaceSize=256m"
3

存储层优化:

  • Elasticsearch集群建议至少3节点,每个节点8核16G
  • 配置ES的index.refresh_interval为30s(而非默认的1s),减少写入压力
  • 定期清理过期索引(OAP默认保留7天数据,可通过SW_CORE_DATA_KEEPER_EXECUTE_PERIOD调整)

7.3 Agent性能优化

如果发现Agent对应用性能影响较大(超过5%),可以通过以下方式优化:

  1. 降低采样率:从-1调整为100或更低
  2. 禁用不必要的插件:将plugins/目录下不需要的插件移出(如kafka-plugin.jar、rocketmq-plugin.jar)
  3. 关闭SQL参数记录:设置plugin.jdbc.trace_sql_parameters=false
  4. 调整上报批大小:增加agent.buffer.channel_size和agent.buffer.buffer_size,减少网络请求次数

7.4 SkyWalking与Micrometer Tracing的协同

SkyWalking的Agent与Spring Boot Actuator的Micrometer Tracing可以共存,但需要注意:

  • SkyWalking Agent:负责链路追踪(Trace/Span),通过字节码增强实现
  • Micrometer Tracing:负责生成日志中的TraceID/SpanID,通过Spring Boot的自动配置实现

两者的TraceID是独立的——SkyWalking的TraceID存储在sw8头中,Micrometer的TraceID存储在traceparent头中。如果需要统一,可以通过SkyWalking的apm-toolkit-trace工具包将SkyWalking的TraceID注入到MDC中。

八、踩坑指南

坑一:Agent版本与OAP版本不匹配

现象:应用启动时报The OAP version is not compatible,或UI中看不到数据。

原因:Java Agent与OAP Server的版本不一致。SkyWalking对版本兼容性要求严格。

解决:确保Agent和OAP的主版本号一致。例如OAP使用10.4.0,Agent也应使用9.4.0(Java Agent的版本号与OAP版本号不完全对应,需要查看官方兼容性矩阵)。

坑二:Gateway自定义过滤器覆盖了sw8头

现象:Gateway的链路正常,但下游服务的链路断裂——下游服务的TraceID与Gateway的TraceID不同。

原因:Gateway的自定义GlobalFilter在修改请求头时,覆盖了SkyWalking注入的sw8头。

解决:在自定义过滤器中,对sw8头做白名单处理——读取但不对其进行修改。或者使用ServerHttpRequest.mutate()时保留原有的sw8头。

坑三:异步线程中链路断裂

现象:@Async方法或线程池中的任务,其Span的TraceID与父线程不同,导致链路断裂。

原因:SkyWalking的Trace上下文存储在ThreadLocal中,异步线程无法访问父线程的ThreadLocal。

解决:使用apm-toolkit-trace工具包中的TraceContext手动传递上下文:

1@Async
2public void asyncMethod() {
3    // 在异步方法中手动恢复上下文
4    // 或者使用 @Trace 注解
5}
6

或者使用ContextManager在异步任务提交前捕获上下文,在任务执行时恢复。

坑四:采样率为0导致无数据

现象:应用挂载了Agent,但UI中完全看不到数据。

原因:agent.sample_n_per_3_secs被设置为0(不采集)。

解决:检查agent.config中的agent.sample_n_per_3_secs,确保不是0。生产环境建议设置为100或更高。

坑五:Elasticsearch存储空间快速增长

现象:ES磁盘使用量快速增长,几天内占满磁盘。

原因:默认保留7天数据,且采样率为全量(-1)。在高流量场景下,7天的链路数据可能达到数百GB。

解决:降低采样率;缩短数据保留时间(通过SW_CORE_DATA_KEEPER_EXECUTE_PERIOD配置);定期清理过期索引。

坑六:JDK 21下Agent兼容性问题

现象:JDK 21环境下Agent启动报错,提示字节码增强失败。

原因:SkyWalking Java Agent的字节码增强在JDK 21下可能遇到UnsupportedOperationException,因为JDK 21对Instrumentation API的某些方法有限制。

解决:确保使用SkyWalking Java Agent 9.4.0或更高版本,这些版本已经适配了JDK 21。同时,在启动参数中添加--add-opens java.base/java.lang=ALL-UNNAMED。

九、课后作业

作业一:使用Docker部署SkyWalking(OAP + UI + Elasticsearch),验证UI可正常访问。记录OAP的gRPC端口和HTTP端口。

作业二:为service-user、service-order、service-product、gateway-server四个服务挂载SkyWalking Java Agent。通过环境变量配置SW_AGENT_NAME和SW_AGENT_COLLECTOR_BACKEND_SERVICES。验证UI中四个服务均正常显示。

作业三:发起一次完整的下单请求(通过Gateway → service-order → service-user + service-product),在SkyWalking UI中查看完整的调用链路。记录每个Span的耗时,找出耗时最高的三个Span。

作业四:在service-user的getUserById方法中添加Thread.sleep(2000),重新发起请求,通过链路详情验证能否精确定位到service-user的MySQL查询为瓶颈。

作业五(进阶) :配置plugin.jdbc.trace_sql_parameters=true,重新发起请求,验证链路详情中是否记录了完整的SQL语句和参数。分析SQL执行计划,确认是否存在索引缺失问题。

十、下节预告

第28课将进入统一日志收集、ELK搭建 & 线上问题排查体系。内容包括日志规范与分级、Logback配置、ELK(Elasticsearch + Logstash + Kibana)搭建、日志检索、链路ID追踪和线上报错快速定位。本课完成了链路追踪(Tracing)的完整链路,第28课将进入日志(Logging) 领域——指标告诉你“系统状态如何”,链路告诉你“请求经过了哪些服务”,日志告诉你“系统在某个时刻发生了什么”。三者结合,构成完整的可观测性体系。通过SkyWalking的TraceID与ELK日志的联动,可以实现“一键从链路跳转到日志”的高效排查体验。

🔗《最新版 SpringCloud 2025 从入门到实战》系列课程导航

去订阅

第一部分:微服务前置基础 & 新版环境搭建(第1-5课)
第二部分:注册中心核心(Nacos 最新版)(第6-9课)
第三部分:配置中心核心(Nacos配置中心)(第10-12课)
第四部分:服务通信核心(OpenFeign + LoadBalancer)(第13-16课)
第五部分:网关核心(SpringCloud Gateway 新版)(第17-20课)
第六部分:熔断、限流、降级(Sentinel 新版)(第21-24课)
第七部分:微服务监控、链路追踪、日志体系(第25-28课)
第八部分:微服务高阶特性 & 分布式核心能力(第29-31课)
第九部分:企业级完整项目实战 & 架构复盘(第32-35课)


参考文档


《第27课:SkyWalking全链路追踪实战 & 微服务调用链路分析》 是转载文章,点击查看原文。


相关推荐


A股量化数据工程:从 REST 接口到策略信号(第 17 篇):创新高与新低扫描
泡茶喝茶写代码2026/10/10

A股量化数据工程:从 REST 接口到策略信号(第 17 篇):创新高与新低扫描 前言 创新高 / 新低是个股强度最直观的信号:持续新高说明趋势强,密集新低说明杀跌未止。接口 himk/pzxg(盘中创新高)、himk/pzxd(盘中创新低)直接给出标的与「是否创新高」标记,本篇自研新高强度扫描器,把个股强度汇总成市场温度计。 一、接口原始字段梳理 1)盘中创新高个股 接口地址:https://api.biyingapi.com/himk/pzxg/{LICENCE} 字段说明t日期dm股票代


2026 年 AI Agent 面试到底考什么?这套题库覆盖了 90% 的高频考点
怕浪猫2026/10/2

第一章:Agent 基础概念与架构 1.1 什么是 AI Agent:从概念定义到本质特征 AI Agent 是当前大模型应用领域最受关注的技术范式。要准确理解它,需要回到这个概念的本质。 斯坦福大学教授 Yoav Shoham 在 1993 年的经典论文中给出了一个被广泛引用的定义:Agent 是能够感知环境、自主行动并对其行为负责的计算实体。这个定义虽然朴素,但奠定了后续几十年 Agent 研究的基本框架。 进入大模型时代后,Lilian Weng 在 “LLM Powered Autono


聚合边界:为什么 ProcessTask 没有自己的 Repository
mldong2026/9/26

上一篇(DDD 系列 ①)我用两笔账回答了"贫血和充血差在哪"。后台收到一个很合理的质疑,今天专门回答它: "你说流程任务不能自己改状态,可我翻了你引擎的仓储接口,里面明明就有 saveTask 和 updateTask——这不是自己打脸吗?任务要真没有仓储,这两个方法是哪来的?" 问得好。这篇文章就把这句话掰开:仓储的数量为什么跟着聚合走,而不是跟着表走、跟着类走;以及,如果把 ProcessTask 拆成一个独立聚合、给它配一个独立的仓储,半状态是从哪扇门进来的。 一、先看三个必须"同时


PHP 8.6 只是个小版本,三十项弃用却已在为 PHP 9.0 铺路
BingoGo2026/9/18

PHP 8.6 只是个小版本,三十项弃用却已在为 PHP 9.0 铺路 部分函数应用、Time\Duration,以及一份实质上是为 PHP 9.0 做准备的弃用清单 本文基于 PHP 8.6 beta 3 撰写。特性集已经冻结;若正式版(GA)之前出现变动,文中会予以说明。 PHP 8.6 将于 2026 年 11 月 19 日发布,其变更规模比 8.5 更小。没有 JIT,没有属性钩子(property hooks),没有联合类型——没有任何会重塑类编写方式的改动。 因此,先给出坦率的结论:


【Windows】《深入浅出Windows API程序设计:编程基础篇》笔记-Chapter10-通用对话框
江湖人称菠萝包2026/9/9

第10章 通用对话框 通用对话框库包含一组用于执行常见应用程序任务的对话框,例如打开文件、选择颜色和打印文档等,通用对话框实现了应用程序用户界面的一致性,例如单击不同程序的文件菜单下的打开文件子菜单项,通常都会弹出相同的打开文件对话框。要弹出打开文件、选择颜色和打印文档等通用对话框用的是不同的函数,在使用这些函数时,基本上都要初始化一个结构的一些字段并将该结构的指针传递给这些函数。函数会创建并显示相应的对话框,当用户关闭对话框时,函数将控制权返还给程序,然后程序可以从先前传递给函数的结构中获取需


从零创建一个 Django 项目
2601_962065252026/9/1

1. 准备环境在开始之前,确保你的开发环境满足以下要求:* 安装了 Python (推荐 3.8 或更高版本)。* 安装 pip 包管理工具。* 如果要使用 MySQL 或 PostgreSQL,确保对应的数据库已安装。#### 创建虚拟环境在项目目录中创建并激活虚拟环境,保证项目依赖隔离: # 创建虚拟环境 python -m venv env # 激活虚拟环境 # Windows envScriptsactivate # Linux/Mac source env/bin/activate *


算法二叉树(一)
纪念 2292026/8/24

༺ 个人主页 · 纪念229 ༻ 🏠我的博客主页🏠 ༒专栏目录:《数据结构》༒ ༒专栏目录:《算法》༒ ༒专栏目录:《MySQL数据库》༒ ༒专栏目录:《前端开发》༒ ༒其它有趣的计算机知识༒ ༺世上本没有路,走的人多了自然就有了༻ 本节讲的是有关二叉树的OJ题,希望对你有所帮助 题目链接 二叉树前序遍历 二叉树中序遍历 二叉树的后序遍历 单值二叉树 对称二叉树 文章目录 1.二叉树前序遍历2.单值二叉树3.对称二叉树 文章开始前我与大家讨论一


AI agent学习之一基础知识
风之清扬2026/8/11

AI agent学习之一基础知识 一、基础知识案例1:获取 GitHub 用户粉丝数案例2:YAML文件的读写案例3:Git操作(git clone、commit和push)1)git clone2)先将修改文件暂存3)提交4)推送5)转换分支(checkout) 案例4:文件操作Linux端:Windows端: 案例5:API auth验证带token和不带token区别 AI agent的使用已经成为一个趋势,尽早入行才是王道。面对海量资料,如何入门确实是一个


Vue项目创建与入口配置全攻略
En^_^Joy2026/8/2

文章目录 一、vue项目创建二、入口界面配置 一、vue项目创建 创建项目:npm create vue@latest 执行后输入项目名(VueDemo),包名称(VueDemo),是否使用typeScript语法 E:\CODE\vueDemo>npm create vue@latest // 执行的指令 Need to install the following packages: create-vue@3.22.4 Ok to proceed? (y


C++ async 异步学习
小侯不躺平.2026/7/25

创建异步任务、延迟任务。任务或操作可以独立于主线程运行,主线程无需等待任务完成便可执行其他的任务,当异步的任务完成的时候可以通过某种机制获取其结果(std::future) 1、异步任务--async 正常使用环境 future.get #include<iostream> #include<thread> #include<chrono> #include<future> int task(int number) { // 抛出异常 或 返回正常结果 std::cout<

首页编辑器站点地图

本站内容在 CC BY-SA 4.0 协议下发布

Copyright © 2026 聚合阅读