Skywalking原理分析

1. 全链路监控

1.1 什么是全链路监控，为什么我们需要全链路监控？

image-20221013212221829

1.1.1 全链路监控

对请求源头到底层服务的调用链路中间的所有环节进行监控。

1.1.2 为什么需要

对于单体应用，我们可以很容易地监控和分析它的性能。对于微服务，编程语言不同、服务器数量庞大、可能跨多个服务/区域，那么面对复杂的请求调用链路，就会有一系列问题，只有全链路监控才能处理，例如：

• 如何快速发现有问题的服务？
• 如何判断故障影响范围？
• 如何梳理服务间依赖关系？
• 如何分析链路性能问题？
• 对于一次慢请求，如何找到慢请求的来源？

1.1.3 和其他监控组件的定位区别

image-20221013212525804

监控、追踪和日志是可观测性（observability）的基石：

• 和日志监控Logs区别：日志监控侧重于单个业务的代码bug分析。虽然利用MDC可以追踪一个请求，但不能追踪跨线程、跨服务、跨区的情况，且对中间件、数据库的请求无法追踪，当然也可以手动传递MDC，本质上也就是实现了全链路监控的追踪功能。
• 和Prometheus监控Metrics区别：Prometheus监控侧重于报警和业务指标监控。对于接口间的延迟等不能很好地处理，当然也可以在接口出入口计时，本质上也就是实现了一个全链路监控的性能分析功能。

1.2 OpenTracing

1.2.1 OpenTracing定位

image-20221013212759051

微服务架构普及，分布式追踪系统大量涌现，但API互不兼容，难以整合和切换，因此OpenTracing提出了统一的平台无关、厂商无关的API，不同的分布式追踪系统去实现。这种作用与“JDBC”类似。

image-20221013212844829

OpenTracing是一个轻量级的标准化层，位于“应用程序/类库”和“日志/追踪程序”之间。

应用程序/类库层示例：开发者在开发应用代码想要加入追踪数据、ORM类库想要加入ORM和SQL的关系、HTTP负载均衡器使用OpenTracing标准来设置请求、跨进程的任务（gRPC等）使用OpenTracing的标准格式注入追踪数据。所有这些，都只需要对接OpenTracing API，而无需关心后面的追踪、监控、日志等如何采集和实现。

《What is OpenTracing?》

1.2.2 OpenTracing重要概念

场景：购买资源

image-20221013220346650

Span（跨度）指代系统中具有“操作名称”、“开始时间”和“执行时长”的逻辑运行单元。

image-20221013220418278

Trace（追踪）指代一个分布式的、可能存在并行数据和轨迹的系统，直观上看就是一次请求在分布式系统中行进的生命周期，本质上是多个span组成的有向无环图（DAG）。

image-20221013220505151

Operation Names（操作名称）：每个span都有一个操作名称，操作名称应该是一个抽象的、通用的标识，具备统计意义的名称。以数据库插入动作为例：

image-20221013220538115

Inter-Span References（内部跨度引用关系）：1个span可以和1个或多个span存在因果关系，目前只支持父子节点之间的直接因果关系ChildOf和FollowsFrom。

• ChildOf：父span依赖子span，如RPC调用服务器和客户端、ORM的save和mysql的insert、countdownlatch。
• Follows From：父span不以任何形式依赖子span结果

示例：（ChildOf是官方示例，Follows From的示例不太确定，是个人理解，如有想法欢迎指正）

image-20221013220616604

Logs（日志），每个span可以进行多次logs操作，logs反映了瞬间的状态，带有一个时间戳，以及至少一个k-v对。例如msyql访问失败，可能出现这样的信息：

image-20221013220628384

Tags（标签），每个span可以携带多个标签，标签存在于span的整个生命周期里，能够提供很多有效信息。注意tags是不会传递给子span的。例如mysql可能出现这样的信息：

image-20221013220646016

SpanContexts（跨度上下文），当需要跨越进程进行传递时（例如RPC调用），需要使用到跨度上下文来延续请求调用链

image-20221013220839226

包含了两部分：

• 区分span和trace的信息：通常是TraceId和SpanId
• baggage（随行数据）：k-v集合，在Trace的所有span内全局传输，可以用来存储业务数据（如customerID等）。存储数量量太大或元素太多，可能降低吞吐量、增加RPC延迟。

image-20221013220906960

OpenTracing - Spans
OpenTracing文档中文版——吴晟（Skywalking创始人）：概念和术语

1.2.3 OpenTracing API相关概念

Tracer的Inject/Extract

我们跨进程调用的方式有很多，HTTP、gRPC、Dubbo、Kafka等，为了抽象出统一的概念，OpenTracing提出了Tracer的API（io.opentracing.Tracer）通过carrier去操作spanContext，有两个方法：

• inject(spanContext, format, carrier)
• extract(format, carrier)

format有几个选项：

• TEXT_MAP：k-v集合
• BINARY：字节数组
• HTTP_HEADERS：和k-v类似，但保证了HTTP Header的安全性（保证了key、value的格式合法）

HTTP Headers 安全性见源码注释 io.opentracing.propagation.ForMat.BuiltIn：
/**
* The HTTP_HEADERS format allows for HTTP-header-compatible String->String map encoding of SpanContext state
* for Tracer.inject and Tracer.extract.
*
* I.e., keys written to the TextMap MUST be suitable for HTTP header keys (which are poorly defined but * certainly restricted); and similarly for values (i.e., URL-escaped and "not too long").
*
* @see io.opentracing.Tracer#inject(SpanContext, Format, Object)
* @see io.opentracing.Tracer#extract(Format, Object)
* @see Format
* @see Builtin#TEXT_MAP
*/
public final static Format<TextMap> HTTP_HEADERS = new Builtin<TextMap>("HTTP_HEADERS");

具体后面怎么注入和提取数据，各自实现即可，本质上这里类似于序列化反序列化。

ActiveSpan（活跃跨度）

activeSpan（io.opentracing.ActiveSpan），当前运行点附近的跨度。当创建新跨度时，这个活跃跨度默认会被当做父节点（Parent Span），每个线程有且只有1个活跃跨度。

为了避免方法之间把ActiveSpan当做参数传递，用Scope作为ActiveSpan的容器，通过ThreadLocal将Scope存储下来，通过ScopeManager进行管理，就能够在任何地方获取该线程的ActiveSpan了。

这里并没有直接存储ActiveSpan到ThreadLocal，因为当当前span结束（close）时，需要弹栈上一个span，因此通过Scope存储上一个Scope的引用组成链表进行弹栈。（Skywalking采用了栈指针的形式进行弹栈，并采用ContextManager管理整个TraceSegement的周期，后面会提到。）

https://wu-sheng.gitbooks.io/opentracing-io/content/pages/api/cross-process-tracing.html

https://opentracing.io/docs/overview/scopes-and-threading/

https://opentracing.io/docs/overview/tracers/

https://opentracing.io/docs/supported-tracers/

https://blog.csdn.net/shuai_wy/article/details/107744631

https://github.com/yurishkuro/opentracing-tutorial/tree/master/java/src/main/java/

1.2.4 OpenTelemetry

image-20221013221029480

OpenTelemetry合并了Goole的OpenCensus和CNCF（Cloud Native Computing Foundation，云原生计算基金会）的OpenTracing，并统一由CNCF管理。

OpenTelemetry的终极目标是做Logging、Metrics、Tracing的融合，作为CNCF可观察性（Observability）的最终解决方案，包含了：

• 规范的指定和统一
• SDK实现和集成
• 采集系统的实现

目前官方推荐的是Logging→Fluentd，Metrics→Prometheus，Tracing→Jaeger。

但现在OpenTelemetry还处于沙盒状态，且Jaeger比Skywalking的使用体验差了非常多，侵入性强，功能缺失，还出过生产事故（因为数据加载耗费太多内存导致节点崩溃），因此目前用skywalking是没有什么问题的。

skywalking本身支持OpenTracing，因此OpenTelemetry的支持也是OK的。

1.3 全链路监控考虑因素

我们对全链路监控有如下要求：

• 低侵入性：代码低侵入，容易切换，且开发工作量小
• 低性能影响：对业务本身机器资源使用和响应延迟影响较小
• 操作简便、接入灵活
• 时效性高：实时或近实时展示数据和报警

1.4 为什么不用Istio做追踪？

image-20221013221334246

请求经过sidecar，sidecar创建span，sidecar直接上报trace信息（如envoyAcessLogService）给trace系统（如jaeger、skywalking）。 旧版本是通过Mixer的Adapter对接的，这里不再提及。

存在问题：

1、业务需要侵入性地为HTTP等协议添加Header，因为跨进程了，类似于SpanContexts的传递。

2、裸机业务无法追踪。

提醒：对于skywalking，只能在istio的tracing和普通agent形式任选其一，否则数据会重复，数据量会翻倍。

《Apache SkyWalking 在 Service Mesh 中的可观察性应用》

2. 字节码增强

问题：在不修改原有Java代码的条件下，如何增加我们的新功能？（例如方法调用前打印一条日志）

2.1 字节码和Java类加载机制

image-20221013221535125

2.2 运行时类的重载

2.2.1 代码AOP

我们在最初，总是会这样来统计方法访问的时间：

public void a() {    
  long startTimeMs = System.currentTimeMillis();    
  log.info("processing...");    
  long runningTimeMs = System.currentTimeMillis() - startTimeMs;
}

当有很多个方法都要修改，我们可能用到一些AOP切面，统一去处理。但这样是需要修改代码的，有侵入性。

2.2.2 静态重写

为了保证无侵入，如果我们在类被加载前，将这些语句写入.class字节码文件，就OK了。

image-20221013221727101

利用ASM和Javassist等工具很容易做到。问题是，这样的操作我们需要一个一个文件手动修改，如何让它自动化呢？

2.2.3 动态重载

JVMTI、Instrumentation、Bytebuddy

JVM不允许在运行时动态重载一个类（加载1个类2次），因此考虑使用Java类库Instrument，对已加载类进行修改。

• JVMTI（JVM Tool Interface），是JVM暴露出来供用户扩展的接口集合，类似于JVM的后门。实现上面就是运行到逻辑点后就插入回调接口的执行，例如前面的“加载”，就插入一些“before加载”，"after加载"等回调钩子。
• Java Instrumentation（java.lang.instrument.Instrumentation）是利用JVMTI的接口提供了代理加载的动态库，JDK1.5支持“JVM启动时加载Agent”（premain，-javaagent:yourAgent.jar，例如skywalking），JDK1.6支持“JVM运行时加载Agent”（agentmain，com.sun.tools.attach，例如Arthas）。Agent可以翻译为“代理”或者“探针”
• Bytebuddy基于ASM实现，封装了非常友好的API，避免接触JVM底层细节。skywalking正是利用Bytebuddy进行了字节码增强

1. skywalking和其他使用java agent技术的组件兼容性不是特别好，例如Arthas：when use skywalking agent ,arthas is can‘t work well。在8.1.0版本已利用Cache机制修复，稳定性没有验证过：[Java Agent：Core] Support instrumented class cached in memory or file, to be compatible with other agents, such as Arthas.
   

2. 一些破解程序也是利用premain的形式，对校验部分的方法体进行修改，完成破解的

image-20221013222045100

3. 著名的BTrace正是利用agent+ASM进行动态调试的，但操作复杂，因此2018年阿里开源了Arthas，可以线上体验，动态调试非常好用。

4. 阿里著名的混沌测试工具chaosblade也是通过java agent的agentmain注入故障的。

premain和agentmain

2.2.2.1 premain

image-20221013222241730

public static void premain(String agentArgs, Instrumentation inst) {
    inst.addTransformer(new ClassFileTransformer() {
      @Override
      public byte[] transform(……){
        ……
      }
    }, true);
  }

1. 在类加载前，注册自己的classFileTransformer到Instrumention实例中，在classFileTransformer中通过targetClassName可以指定要修改的类限定名；

2. class文件读入内存后，触发ClassFileLoadHook回调，在该回调中会遍历所有的Instrumentation实例，并执行其中所有的ClassFileTransformer的transform方法，修改字节码

这样指定类的字节码就被我们动态修改了，且这些代码都是在agent里面，不会影响原有业务代码。

2.2.2.2 agentmain

image-20221013222439217

public static void agentmain(String agentArgs, Instrumentation inst) {
    inst.addTransformer(new ClassFileTransformer() {
      @Override
      public byte[] transform(……) {
          ……
      }
    }, true);
    inst.retransformClasses(xxxxxxxx.class);
  }

1. 通过另一个进程JVM，利用Attach API，在native函数的Agent_OnAttach中请求目标加载agent，创建InstrumentationImpl对象、监听ClassFileLoadHook事件，注册机的transformer。

2. 触发retransformClasses方法，然后会去读取ClassFile，触发ClassFileLoadHook事件，后面的流程与premain一致。

1. 动态替换时，如果该类的方法正处于运行点怎么办？
   redefineClasses依赖VMThread单线程操作，该线程维护一个vm操作队列，执行vm操作必须在安全点（safepoint）执行。常见的安全点如方法调用前、方法返回、for循环调用前等等。常见的vm操作例如GC，或者这里的redefineClasses。通过SafepointSynchronize使得所有线程进入安全点，再执行vm操作，完成之后再唤醒所有线程。因此该类正在运行的线程会被挂起，且是STW的。
   当线程恢复后，旧类中正在执行的方法仍然会使用旧类的定义，后续代码均使用新类定义。
2. retransformClasses对类的修改有限制，只能修改方法体、常量池和属性，不能添加、删除、重命名字段或者方法，不能更改方法签名，不能更改继承关系。

访问者模式
《Arthas原理系列(一)：利用JVM的attach机制实现一个极简的watch命令》
《美团：Java字节码增强探秘》
《Java程序员必知：深入理解Instrument》

2.3 字节码增强

总结一下：

• 字节码增强（bytecode-enhance）指的是在Java字节码生成之后，对其进行修改，从而增强其功能。
• 字节码增强有很多方式，例如编译期增强，直接使用ASM等工具修改字节码，或者运行期增强，例如使用Java Agent等技术。
• 字节码增强可以用来做很多事情，例如开发期间热部署、或者测试时做一些Mock（如Mockito利用了ASM），或者做一些Trace、性能诊断、故障注入等等。

3. Skywalking实现

Skywalking是一个可观测性分析平台（Observability Analysis Platform，OAP）和一个应用性能管理（Application Performance Management，APM）系统。

3.1 skywalking整体架构

image-20221013222759888

Skywalking目前想要做成跟踪、监控、日志一体的解决方案（Tracing, Metrics and Logging all-in-one solution）。

• 数据收集：Tracing依赖探针（Agent），Metrics依赖Prometheus或者新版的Open Telemetry，日志通过ES或者Fluentd。
• 数据传输：通过kafka、Grpc、HTTP传输到Skywalking Reveiver
• 数据解析和分析：OAP系统进行数据解析和分析。
• 数据存储：后端接口支持多种存储实现，例如ES。
• UI模块：通过GraphQL进行查询，然后通过VUE搭建的前端进行展示。
• 告警：可以对接多种告警，最新版已经支持钉钉。

这里着重提一下新版本已经支持日志收集和查询，但功能有限（可以在线体验：用户名skywalking，密码skywalking），本质上是利用日志框架直接传输日志到Skywalking后端（OAP）

image-20221013223309579

3.2 追踪实现原理

3.2.1 Agent和Plugin

skywalking agent为了能够让更多开发者加入开发，并且能够有足够的自由度（比如一些私有协议），使用了插件机制。 agent启动时会加载所有plugins，进行字节码增强。

Plugins的核心问题有2个：

（1）创建span，让它能够显示Trace调用链

（2）考虑如何传输，例如Kafka需要考虑如何把它加入kafka header中；HTTP需要考虑加入Http Header中。

org.apache.skywalking.apm.plugin.kafka.KafkaProducerInterceptor 
public class KafkaProducerInterceptor implements InstanceMethodsAroundInterceptor {
 
    @Override
    public void beforeMethod(EnhancedInstance objInst, Method method, Object[] allArguments, Class<?>[] argumentsTypes,
                             MethodInterceptResult result) throws Throwable {
		……
		// 创建span信息
        AbstractSpan activeSpan = ContextManager.createExitSpan(OPERATE_NAME_PREFIX + topicName + PRODUCER_OPERATE_NAME_SUFFIX, contextCarrier, (String) objInst
                .getSkyWalkingDynamicField());
 
        Tags.MQ_BROKER.set(activeSpan, (String) objInst.getSkyWalkingDynamicField());
        Tags.MQ_TOPIC.set(activeSpan, topicName);
        SpanLayer.asMQ(activeSpan);
        activeSpan.setComponent(ComponentsDefine.KAFKA_PRODUCER);
 
        ……
		// 加入Kafka头部
        while (next.hasNext()) {
            next = next.next();
            record.headers().add(next.getHeadKey(), next.getHeadValue().getBytes());
        }
		……
    }
 
    @Override
    public Object afterMethod(EnhancedInstance objInst, Method method, Object[] allArguments, Class<?>[] argumentsTypes,
                              Object ret) throws Throwable {
        ContextManager.stopSpan();
        return ret;
    }
 
    @Override
    public void handleMethodException(EnhancedInstance objInst, Method method, Object[] allArguments,
                                      Class<?>[] argumentsTypes, Throwable t) {
    }
}

3.2.2 TraceSegment设计

skywalking没有使用传统的span模型，处于性能考虑，将span保存为数组，存放到TraceSegment结构中批量发送；同时Segment可以很好地在UI上展示信息。

一个TraceSegment是Trace在一个进程内所有span的集合。如果是多个线程协同产生1个Trace（例如多次RPC调用不同的方法），它们只会共同创建1个TraceSegment。

由于支持多个入口，因此skywalking去掉了RootSpan的概念，skywalking提出了3种span类型：

• EntrySpan：进入TraceSegment的请求，一般为HTTP/RPC服务，如SpringMVC。
• LocalSpan：内部请求，一般为方法调用，或者跨线程调用。
• ExitSpan：从TraceSegment调出，一般为httpClient。

跨度类型可以从UI上观察到：

image-20221013223540504

当Kafka等进行批量消费时，消费的数据可能来自于不同的生产者，由于skywalking的TraceSegment支持多个EntrySpan，使得生产和消费的调用链可以保存在同一个Trace中。

skywalking的TraceSegment从UI上看，可以通过颜色区分：

image-20221013223605486

3.2.3 TraceId设计

org.apache.skywalking.apm.agent.core.context.ids：GlobalIdGenerator.java

类似雪花算法的原理（在《Apache Skywalking实战》中，作者直接称其为雪花算法）

image-20221013223629503

（1）32位去掉横线的UUID，表示应用实例的ID

（2）当前线程ID

（3）当前毫秒时间戳，例如这里的1621825236671时间为：2021-05-24 11:00:36

（4）4位从0000到9999的，循环单调递增的随机数。实现上采用ThreadLocal保证线程安全。

时钟回拨（time-shift-back）问题：机器依赖NTP服务进行时间校准，当出现问题时，可能发生新生成的ID时间戳比旧ID时间戳更小，导致可能产生2个完全相同的时间戳。

skywalking的解决方法是：产生一个随机数字替代时间戳。但它的实现上面使用了random.nextInt()的方法，注意实际上可能产生负数，这里比较迷。

image-20221013223710517

3.2.4 请求采样设计

org.apache.skywalking.apm.agent.core.sampling：SamplingService

image-20221013223742349

有两种方式可以调整请求采样：

（1）skywalking agent调整采样率，减少数据上传

通过agent.sample_n_per_3_secs设置3秒内采样的数量，一般500~2000是合适的值。默认-1全采样。 在设置agent采样率后，如果调用链上游进行了采样，那么下游会忽略采样率进行强制采样，保证Trace调用链完整。

（2）collector调整采样率，丢弃数据

通过sampleRate调整采样率，丢弃部分数据。默认10000是全采样，如果设置为5000则会有50%数据被丢弃。 丢弃数据只会影响Trace功能，不会影响Metric功能，Metric的所有数据都是根据全量数据计算的。

• Trace功能：调用链。
• Metric功能：性能检测指标，如成功率等等。

8.4.0开始支持Agent参数配置动态调整，在修改agent采样率时不必重启应用。

3.2.5 数据收集和消费（轻量级队列内核）

org.apache.skywalking.apm.commons.datacarrier.buffer

为了解耦数据上传和消费，平衡上传速度和消费速度，skywalking在内部构建了一个轻量级的消息队列。

image-20221013223838689

channel可以类比为Topic，Buffer可以类比为Partition。

（1）生产数据，先判断存储在哪个Buffer中，再判断存储在Buffer的哪个位置。

Partition：默认实现为从第一个到最后一个Buffer轮询。

判断存储位置：Buffer维护了一个从0开始的循环索引，记录下个可用位置：

BLOCKING：如果当前位置还有数据未消费，则阻塞新数据写入，且产生回调事件

OVERRIDE：如果当前位置还有数据未消费，直接覆盖新数据

IF_POSSIBLE：从当前index往后找n位，如果有空闲位置，则保留，如果没有，则丢弃。

（2）消费消息，每个消费者可以有多个消费线程

如果Buffer队列数量>消费线程数量，则1个线程可以消费多个Buffer，和普通消息队列一样；

如果Buffer队列数量<消费线程数量，则部分Buffer可能对应多个线程，对应的方式是平分Buffer长度，例如长度500，平分0~249给Thead4，250~499给Thread3。 在消息消费时，消费线程会初始化一个1500长度的consumeList，然后把Buffer从头到尾遍历，遇到非null值就存入consumeList中，并将index置为null可写，然后调用consume方法执行具体的消费逻辑。

3.3 性能剖析实现原理

当线上代码运行缓慢时，我们希望找出缓慢的原因。一种常见的方式就是增加日志打印→重新编译→重新提测→上线观察→找到问题后修改代码→重新编译……一套流程走下来一周就过去了。 因此skywalking利用自身tracing优势+java agent技术，实现了“性能剖析”功能。

（1）线程堆栈分析

image-20221013223926019

当性能剖析开始后，会对执行线程周期性地创建线程栈快照，并将所有快照进行汇总分析。当两个连续的快照含有同样的方法栈，说明大概率这段时间都在执行这个方法，估算出方法执行时间，就能够帮助判断性能问题出在哪里。

另外，LineNumberTable也是在方法信息里的，因此可以直接看到代码行数，实现代码级别的性能问题定位：

image-20221013223957992

（2）性能损耗控制 由于操作的是生产环境，不能对现有代码产生严重影响，所以需要控制性能损耗。

• 相比于侵入性地编写log打印，skywalking的性能剖析不需要埋点，也就不会增加额外的日志打印开销，也不会对日志系统/监控系统产生压力（例如有些应用会要求线上开启debug进行调试）。
• 采样间隔、采样数量，采样时间段，采样接口等都可以配置，且大于指定执行时间的调用链才会被监控
• 监控时间可以设置定时，在业务低谷期进行处理 几乎是无损耗。

参考文章

Skywalking原理分析