Izmantojot izsekošanas un laiduma ID, lai uzlabotu pavasara sāknēšanas metriku katrā slānī

Metrika un izsekošana pavasara zābakā

Strādājot ar sadalītām sistēmām, ir ļoti svarīgi nodrošināt novērojamību visos slāņos. Pavasara sāknēšanas laikā žurnāli jau var uztvert izsekošanas ID, padarot vieglāku pieprasījumu izsekošanu dažādos pakalpojumos. Tomēr šo izsekošanas un ID integrēšana metrikā joprojām ir izaicinājums. 📊

Iedomājieties, ka atkļūdojat veiktspējas problēmu, un jūs varat redzēt žurnālus ar izsekošanas ID, bet nevarat tos korelēt ar īpašiem metriskiem datiem. Šis ierobežojums apgrūtina sistēmas uzvedības efektīvu analizēšanu. Lai pārvarētu šo plaisu, mums ir nepieciešams veids, kā atzīmēt metriku no dažādiem slāņiem - atgūtiem kontrolieriem un JPA krātuvēm - ar izsekošanu un span ID.

Prometejs, Grafana un Zipkins piedāvā jaudīgas uzraudzības un izsekošanas iespējas. Kamēr žurnāli sniedz ieskatu pieprasījuma plūsmās, izsekošanas konteksta pievienošana metrikai uzlabos redzamību visos slāņos. Tas nozīmē, ka mēs varam korelēt latentumu, kļūdu līmeni un caurlaidspēju ar īpašiem lietotāja pieprasījumiem.

Šajā rokasgrāmatā mēs izpētīsim, kā konfigurēt Spring Boot, lai katrā lietojumprogrammas slānī pievienotu pēdas un aptver IDS metrikai. Neatkarīgi no tā, vai jums ir darīšana ar REST parametru vai datu bāzes mijiedarbību, šī pieeja palīdzēs jums sasniegt pilnīgu novērojamību. 🚀

Novērojamības uzlabošana ar izsekošanas ID metrikā

Mūsdienu izplatītajās sistēmās atkļūdošanas un veiktspējas uzraudzībā ir ļoti svarīgi korelēt žurnālus un metriku. Izstrādātie skripti palīdz integrēties izsekošanas ID un Span ID Spring Boot novērojamības kaudzē. Pirmais skripts iepazīstina ar pielāgotu filtru, izmantojot Vienu reizi Lai pārtvertu ienākošos HTTP pieprasījumus un pievienotu mikroelementu ID mikrometru metrikai. Tas nodrošina, ka katrs HTTP pieprasījums tiek saskaitīts un marķēts ar attiecīgo izsekošanas ID. Bez tā būtu izaicinājums izsekot individuālam pieprasījumam vairākos pakalpojumos. Iedomājieties lēnas API atbildes problēmu novēršanu, nezinot, vai problēma ir kontroliera, pakalpojuma vai datu bāzes slānī! 🚀

Mūsu otrais skripts koncentrējas uz noturības slāni, izmantojot piesaistīšanu Hibernate paziņojumsInSpectorApvidū Šis komponents pirms izpildes pārbauda SQL vaicājumus, ļaujot mums pievienot izsekošanas ID datu bāzes mijiedarbībai. Tas nozīmē, ka mēs varam izsekot ne tikai HTTP pieprasījumiem, bet arī vaicājumiem, ko viņi ģenerē, sniedzot pilnu kaudzes skatu uz sistēmas veiktspēju. Piemēram, ja parametrs, kas sauc par repozitorija metodi, rada lēnus vaicājumus, mūsu marķētais metrika var palīdzēt noteikt galveno cēloni. Izmantojot meterregistry.counter (), mēs palielinām metriku katru reizi, kad tiek izpildīts vaicājums, nodrošinot pilnīgu redzamību datu bāzes veiktspējā.

Priekšējā pusē mēs izveidojām vienkāršu React informācijas paneli, kas atnes un parāda Prometheus metriku, kas marķēta ar izsekošanas ID. Izmantot atnest () Ļauj mūsu lietojumprogrammai iegūt datus no Prometheus reālā laikā. Kad lietotājs atver informācijas paneli, viņi redz pieprasījumu skaitu, kas iesniegts katram izsekošanas ID, palīdzot komandām korelēt aizmugures aktivitāti ar lietotāja uzvedību. Izstrādātājs, atkļūdojot konkrētu pieprasījumu, var ātri meklēt savu izsekošanas ID un redzēt, cik daudz vaicājumu tas izraisīja. Šī pieeja uzlabo uzraudzību un padara atkļūdošanas sesiju daudz efektīvāku. 📊

Galu galā šie risinājumi darbojas kopā, lai izveidotu nemanāmu izsekošanas pieredzi visos lietojumprogrammu slāņos. Apvienojot Spring Boot novērojamības rīkus ar Prometheus, Grafana un Zipkin, mēs sasniedzam pilna kaudzes uzraudzību. Izstrādātāji tagad var viegli izsekot pieprasījumiem no ieejas punktiem līdz datu bāzes vaicājumiem. Tas ne tikai uzlabo sistēmas uzticamību, bet arī samazina atkļūdošanas laiku. Reālās pasaules scenārijā tas palīdzētu atklāt veiktspējas sašaurinājumus un optimizēt resursu sadalījumu, pirms jautājumi saasinās. Šādas novērojamības paraugprakses ieviešana nodrošina labāku sniegumu, ātrāku traucējummeklēšanu un uzlabotu lietotāju pieredzi. 🚀

// Import necessary packages
import io.micrometer.core.instrument.MeterRegistry;
import org.springframework.stereotype.Component;
import org.springframework.web.filter.OncePerRequestFilter;
import javax.servlet.FilterChain;
import javax.servlet.ServletException;
import javax.servlet.http.HttpServletRequest;
import javax.servlet.http.HttpServletResponse;
import java.io.IOException;
import java.util.Optional;
@Component
public class TraceIdMetricFilter extends OncePerRequestFilter {
    private final MeterRegistry meterRegistry;
    public TraceIdMetricFilter(MeterRegistry meterRegistry) {
        this.meterRegistry = meterRegistry;
    }
    @Override
    protected void doFilterInternal(HttpServletRequest request, HttpServletResponse response, FilterChain filterChain)
            throws ServletException, IOException {
        String traceId = Optional.ofNullable(request.getHeader("traceId")).orElse("unknown");
        meterRegistry.counter("http.requests", "traceId", traceId).increment();
        filterChain.doFilter(request, response);
    }
}

Viens

Rādītājs

Uzlabota izsekojamība pavasara zābaku metrikā

Kamēr mēs esam izpētījuši integrēšanu izsekošanas ID Atpūtas un datu bāzes metrikā vēl viens būtisks aspekts ir izplatītu darījumu uzraudzība. Mikropakalpojumu arhitektūrā viens lietotāja pieprasījums bieži aptver vairākus pakalpojumus, padarot būtisku izsekot, kā pieprasījums izplatās. Pavasara zābaks, apvienojot ar tādiem rīkiem kā OpentElemetry, ļauj mums uztvert detalizētus laikus katrai pakalpojumu mijiedarbībai. Tas nodrošina, ka frontend UI pieprasījumi aizmugures API un datu bāzēs ir savstarpēji saistīti ar vienu pēdu. Bez tā atkļūdošanas veiktspējas sašaurināšanās kļūst ievērojami grūtāka. 🔍

Vēl viens svarīgs aspekts ir izsekojamības piemērošana asinhronajām operācijām. Mūsdienu lietojumprogrammās fonā darbojas daudzi procesi, piemēram, uz notikumiem balstītas darbības ar Kafku vai Rabbitmq. Konfigurējot pavasara sāknēšanu, lai izplatītu izsekošanas ID ziņojumu rindās, mēs varam nodrošināt, ka pat asinhronie uzdevumi ir pareizi izsekoti. Piemēram, kad pasūtījums tiek veikts e-komercijas sistēmā, vairāki pakalpojumi apstrādā krājumus, maksājumus un paziņojumus. Ja rodas jautājums vienā no šiem posmiem, galveno cēloņu izsekošana būtu gandrīz neiespējama bez pienācīgas laiduma izplatīšanās.

Drošības un datu integritāte ir arī galvenais, ieviešot izsekošanu. Izsekošanas ID pakļaušana ārēji var izraisīt drošības riskus, ja tā netiek pareizi apstrādātas. Pie labākās prakses ietilpst sensitīvas informācijas filtrēšana un nodrošināšana, ka žurnāli un metrika netīšām neattiecas uz personas datiem. Turklāt izsekojamības apvienošana ar lomu balstītu piekļuves kontroli nodrošina, ka tikai pilnvarots personāls var vaicāt detalizētu informāciju par izsekošanu. Šo drošības pasākumu ieviešana nodrošina, ka novērojamība joprojām ir priekšrocība, nevis atbildība. 🚀