解决方案:分布式调用链没那么难搞，好用的开源工具实践在这

　　解决方案:分布式调用链没那么难搞，好用的开源工具实践在这

　　在微服务架构中，一个请求往往会涉及到多个模块、多个中间件，需要多台机器相互协作才能完成。在这一系列的调用请求中，有的是串行的，有的是并行的，那么如何确定这个请求后面调用了哪些应用程序、哪些模块、哪些节点以及调用顺序呢？如何定位各个模块的性能问题？本文将为您揭晓答案。

　　本文将从以下几个方面进行阐述：

　　分布式溯源系统原理与作用

　　如何衡量一个接口的性能，一般我们至少会关注以下三个指标：

　　单体架构

　　早期，公司刚起步的时候，可能会采用如下单体架构。对于单体结构，我们应该如何计算以上三个指标呢？

　　最容易想到的显然是使用AOP

　　使用AOP打印调用具体业务逻辑前后的时间来计算整体调用时间，使用AOP捕获异常，知道是哪里的调用导致了异常。

　　微服务架构

　　在单体架构中，由于所有的服务和组件都在一台机器上，所以这些监控指标相对容易实现。但是随着业务的快速发展，单体架构必然会向微服务架构发展，具体如下：

　　如图：一个稍微复杂的微服务架构

　　如果用户反映某个页面很慢，我们知道这个页面的请求调用链是A -----> C -----> B -----> D，如何定位哪个可能是模块在这个时候出现了问题。每个服务Service A、B、C、D都有几台机器。您如何知道请求在哪台特定机器上调用服务？

　　可以明显看出，由于无法准确定位每个请求的准确路径，微服务架构下存在以下痛点：

　　分布式调用链就是为解决上述问题而诞生的，其主要作用如下：

　　通过分布式跟踪系统，可以很好地定位后续请求的各个具体请求链接，从而轻松实现请求链接跟踪，轻松实现各模块的性能瓶颈定位和分析。

　　分布式调用链标准——OpenTracing

　　了解了分布式调用链的作用，下面我们来看看分布式调用链的实现和原理是如何实现的。首先，为了解决不同分布式跟踪系统API不兼容的问题，OpenTracing规范诞生了。OpenTracing 是一个轻量级的规范化层，位于应用程序/库和跟踪或日志分析器之间。

　　通过这种方式，OpenTracing 使开发人员能够通过提供独立于平台和供应商的 API 轻松添加跟踪系统的实现。

　　说到这里，你有没有想过在 Java 中有类似的实现？还记得JDBC吗，通过提供一套标准的接口供各个厂商实现，程序员可以针对接口进行编程，而不用关心具体的实现。这里的接口其实就是一个标准，所以制定一套标准非常重要，可以实现组件的可插拔性。

　　接下来我们看一下OpenTracing的数据模型。主要有以下三种类型：

　　理解这三个概念非常重要。为了让大家更好的理解这三个概念，我特地画了一张图：

　　如图所示，一个完整的订单请求就是一个Trace。显然，对于这个请求，必须有一个全局标识来标识这个请求。每次调用调用一个Span，每次调用都必须携带全局TraceId，这样全局TraceId才能与每次调用相关联。这个TraceId是通过SpanContext传递过来的。既然要传输，就必须按照协议来调用。如图所示，如果把transport protocol比作汽车，SpanContext比作货物，Span比作公路，应该更容易理解。

　　了解了这三个概念之后，我再来看看分布式追踪系统是如何在统一图中采集

微服务调用链的：

　　我们可以看到底层有一个Collector一直在默默的采集

数据，那么每次调用Collector都会采集

什么信息：

　　有了这些信息，采集

器为每次调用采集

的信息如下：

　　根据这些图表信息，显然可以画出调用链的可视化视图如下：

　　这样就实现了一个完整的分布式跟踪系统。

　　上面的实现看起来很简单，但是有几个问题需要我们仔细思考：

　　下面我就来看看SkyWalking是如何解决以上四个问题的。

　　SkyWalking的原理和架构设计

　　如何自动采集

跨度数据

　　

" />

　　SkyWalking采用插件+javaagent的形式实现span数据的自动采集，可以对代码无侵入。插件意味着可插拔和良好的扩展性（稍后我们将介绍如何定义自己的插件。）。

　　如何跨进程传递上下文

　　我们知道数据一般分为header和body，就像http有header和body一样，RocketMQ也有MessageHeader，Message Body，body一般收录

业务数据，所以body不宜传context，应该传入表头，如图：

　　dubbo中的attachment相当于header，所以我们把context放在attachment中，这样就解决了context传递的问题。

　　提示：这里的上下文传递过程都是dubbo插件处理的，业务是不知道的。下面将分析这个插件是如何实现的。

　　traceId如何保证全局唯一性？

　　为了确保全局唯一性，我们可以使用分布式或本地生成的 ID。如果我们使用分布式，我们需要一个数字*敏*感*词*。每个请求必须首先请求数字*敏*感*词*。会有网络调用开销，所以SkyWalking最终采用了本地生成ID的方式，并且采用了著名的snowflow算法，性能较高。

　　图解：雪花算法生成的id

　　但是，雪花算法有一个众所周知的问题：时间回调，可能会导致重复生成id。那么SkyWalking是如何解决时间回调问题的呢？

　　每产生一个id，就会记录这个id产生的时间（lastTimestamp）。如果发现当前时间小于上次生成id的时间（lastTimestamp），说明发生了时间回调，此时会生成一个随机数作为traceId。

　　这里可能有些同学想认真点。他们可能认为生成的随机数也将与生成的全局 id 相同。最好再加一层验证。

　　这里想谈谈系统设计中方案的选择。首先，如果对生成的随机数进行唯一性校验，无疑会多出一层调用，会有一定的性能损失，但实际上时间回调的概率很小。（发生后，由于机器时间的紊乱，业务会受到很大的影响，所以机器时间的调整一定要谨慎），而且生成的随机数重合的概率也很小。综合考虑，确实没有必要再增加一个Layer全局唯一性校验。对于技术方案的选择，一定要避免过度设计，太多就是太多。

　　这么多请求，全部采集

会不会影响性能？

　　如果每一个请求都采集

起来，毫无疑问数据量会非常大，但是反过来想想，是不是真的有必要把每一个请求都采集

起来。其实大可不必。我们可以设置采样频率，只采样部分数据，SkyWalking默认设置为3秒采样3次，其余请求不采样，如图：

　　这样的采样频率其实已经足够我们分析元器件的性能了。以每 3 秒 3 个样本的频率采样数据有什么问题？理想情况下，每次服务调用都是在同一个时间点（如下图），所以每次都在同一个时间点采样真的没问题。

　　但是在生产中，基本上不可能每个服务调用都在同一个时间点被调用，因为期间存在网络调用延迟，实际调用情况很可能如下图所示：

　　在这种情况下，有些调用会在服务A上被采样，而不会在服务B和C上被采样，无法分析调用链的性能。那么SkyWalking是如何解决的呢？

　　是这样解决的：如果上游带了Context（说明上游已经采样），下游会强制采集数据。这使链接保持完整。

　　SkyWalking的基础设施

　　SkyWalking 的基础是以下架构。可以说几乎所有的分布式调用都是由以下几个部分组成的：

　　首先当然是节点数据的定期采样。数据采样后定期上报，存储在ES、MySQL等持久层。有了数据，自然要根据数据做可视化分析。

　　SkyWalking 的表现如何？

　　接下来想必大家比较关心的是SkyWalking的性能表现，那么我们就来看看官方的评测数据吧：

　　图中蓝色代表未使用SkyWalking时的表现，橙色代表使用SkyWalking时的表现。以上是TPS为5000时测得的数据，可以看出无论是CPU、内存，还是响应时间，使用SkyWalking带带来的性能损失几乎可以忽略不计。

　　接下来看一下SkyWalking与业界另一知名分布式追踪工具Zipkin、Pinpoint的对比（采样率为1秒，线程数为500，总请求数时进行对比）是 5000）。可见Zipkin（117ms）和PinPoint（201ms）在临界响应时间上远不如SkyWalking（22ms）！

　　从性能损失来看，SkyWalking 胜出！

　　让我们看另一个指标：代码的侵入性如何？ZipKin需要埋在应用中，代码侵入性大。SkyWalking使用javaagent+插件修改字节码。没有侵入代码。除了代码的性能和侵入性，SkyWaking 表现出色，还有以下优势：

　　我司在分布式调用链上的实践

　　SkyWalking在我司的应用架构

　　从上面可以看出SkyWalking有很多优点，那么它的组件我们都用上了吗？事实上，并非如此。我们来看看它在我们公司的应用架构：

　　从图中可以看出，我们只使用了SkyWalking代理进行采样，而放弃了“数据上报与分析”、“数据存储”、“数据可视化”等其他三个组件。

　　

" />

　　那为什么不直接采用SkyWalking完整的解决方案呢，因为我们的Marvin监控生态在接入SkyWalking之前就已经比较完整了。如果换成SkyWalking，就完全没有必要了。两者都能满足我们的需求。其次，系统更换成本高。第三，如果重新连接到用户，学习成本非常高。

　　这也给了我们一个启示：任何产品抓住机会都是非常重要的，后续产品的更换成本会非常高。抢占先机，就是抢占用户心智。国外还是做不了Whatsapp一样的，因为机会没了。

　　另一方面，对于架构，没有最好的，只有最合适的。架构设计的本质是结合当前业务场景进行折衷的平衡。

　　我们公司对SkyWalking做了哪些改造和实践？

　　我公司主要做了以下改造和实践：

　　1）预发布环境因调试需要强制采样

　　从上面的分析可以看出，Collector是在后台定时采样的。这不好吗？为什么我们需要实施强制采样？或者排查定位问题，有时线上出现问题，我们希望在预发布上复现，希望看到这个请求完整的调用链，所以需要在预发布上进行强制采样。所以我们修改了Skywalking的dubbo插件来实现强制采样。

　　我们在request cookie上放一个类似force_flag = true的key-value对，表示我们要强制采样。网关收到这个cookie后，会在dubbo附件中带上键值对force_flag = true，然后skywalking的dubbo插件就可以根据这个来判断是否是强制采样。如果有这个值，就是强制采样。如果没有这个值，则进行正常定时采样。

　　2）实现更细粒度的采样？

　　Ha 称为更细粒度的采样。我们先来看一下skywalking默认的采样方式，即uniform sampling。

　　我们知道这个方法默认是在3秒前采样3次，其他的请求都被丢弃。在这种情况下，有一个问题。假设3秒内本机有多次dubbo、mysql、redis调用，但是如果前3次都是dubbo调用的话，其他像mysql、redis等调用无法采样，所以我们修改了skywalking实现分组抽样，如下：

　　也就是说3秒内采样redis、dubbo、mysql等3次就可以避免这个问题。

　　3）如何在日志中嵌入traceId？

　　在输出日志中嵌入traceId，方便我们排查问题，所以打印traceId是非常有必要的，如何在日志中嵌入traceId呢？我们使用log4j，这里我们需要了解一下log4j的插件机制，log4j允许我们自定义插件输出日志的格式，首先我们需要定义日志的格式，在自定义日志格式，作为账号字符，如下：

　　然后我们实现一个log4j插件，如下：

　　首先，log4j插件需要定义一个类，该类继承LogEventPatternConverter类，并用标准Plugin声明自己为Plugin，通过@ConverterKeys注解指定需要替换的占位符，然后在format方法中替换失去。这样日志中就会出现我们想要的TraceId，如下：

　　4）我司开发了哪些skywalking插件？

　　SkyWalking 实现了很多插件，但是没有提供memcached 和druid 的插件，所以我们按照其规范开发了这两个插件：

　　插件是如何实现的，可以看到主要由三部分组成：

　　可能大家看了还是不太明白，下面就用dubbo plugin来简单说明一下。我们知道，在dubbo服务中，每次请求都会收到来自netty的消息，提交给业务线程池处理，真正调用到业务方法时结束。中间经过十几个Filter处理。

　　而MonitorFilter可以拦截所有客户端请求或者服务端处理请求，所以我们可以增强MonitorFilter，在调用invoke方法之前，将全局traceId注入到它的Invocation attachment中，从而保证请求到达真正业务之前全局traceId已经存在逻辑。

　　那么显然我们需要在插件中指定我们要增强的类（MonitorFilter），并增强它的方法（invoke）。应该对此方法进行哪些改进？这就是*敏*感*词*（Inteceptor）要做的事情。我们来看看Dubbo插件（DubboInstrumentation）中的插桩。

　　我们来看看代码中描述的*敏*感*词*（Inteceptor）是干什么的。关键步骤如下：

　　首先，beforeMethod表示这里的方法会在MonitorFilter的invoke方法执行之前被调用，而afterMethod与之对应，表示invoke方法执行之后才会执行增强逻辑。

　　其次，从第2点和第3点我们可以看出，无论是消费者还是提供者，其全局ID都做了相应的处理，以保证到达真正的业务层时，全局traceid是可用的。在定义了 Instrumentation 和 Interceptor 之后，最后一步是在 skywalking.def 中指定定义的类。

　　// skywalking-plugin.def 文件

　　dubbo=org.apache.skywalking.apm.plugin.asf.dubbo.DubboInstrumentation

　　这样封装的插件会增强MonitorFilter的invoke方法，在invoke方法执行前，将全局的traceId等操作注入到attachment中，对代码都是静默无侵入的。

　　总结

　　本文由浅入深地介绍了分布式跟踪系统的原理。相信大家对它的作用和工作机制有了更深入的了解。尤其需要注意的是，在引入某项技术时，一定要结合现有的技术架构，做出最佳方案。一个合理的选择，就像SkyWalking有四个模块，而我们公司只使用它的代理采样功能。

　　没有最好的技术，只有最合适的技术。通过这篇文章，相信大家应该对SkyWalking的实现机制有了清晰的认识。本文只介绍SkyWalking的插件实现，但毕竟是工业级软件。要了解它的深奥，还需要多阅读源码。

　　作者丨码海源丨公众号：码海（ID：seaofcode）dbaplus社区欢迎技术人员投稿，投稿邮箱：

　　操作方法:流量工具流量宝使用方法

　　流量工具是用来辅助网站增加流量的。有很多交通工具。在之前的文章《辅助网站提升流量有哪些工具》中也提到了几种工具，那么今天我们就来说说其中的一种，说说使用方法以及使用过程中需要注意的事项使用它，这个工具也是很多站长经常使用的，它就是“流量宝”。

　　FlowBao在一些免费工具中算是比较强大的，包括提升流量、增加人气、广告优化、提升电商人气、关键词排名、使用Alexa等功能。功能很多，但是在我们seo行业用到的就那么几个，所以就说说seo行业相关功能的使用，其他的就不多说了。

　　1.刷流量

　　刷流量可以提高网站的pv。在流量刷卡界面，有基础设置、来源URL设置、点击设置、流量时间控制、ua设置、流量区域设置。

　　1.基本设置

　　把我们要刷的网站复制粘贴到“网页地址”写入框里，ip/pv比就是你要刷的ip和pv的比值，比如1:3，那么一个ip被浏览了3次，这里我们设置1:3就好了，PV停留时间可以根据自己的情况选择，我一般是随机选择3-30秒。

　　2. 源地址设置

　　如果我们要访问百度用户，可以在“自定义来源”中选择“百度搜索词”。比如我们要增加长沙seo这个词的流量，那么我们就在上面写上“长沙seo”就可以了。注意后面的%，是根据我们自己的字数分配的。比如你想让那个词的流量高，就可以多给分。如果只有一个字，建议不要超过50%。

　　

" />

　　3.点击设置

　　如果您不在此处设置点击 URL，该工具将默认刷新主页。如果添加点击网址，它会点击我们填写的网址。点击的百分比要适当添加，同样不要超过50%。如果要点击的页面排名不错，您可以添加更多。

　　4.流动时间控制

　　通过流量时间控制，我们可以控制点击的流量。网民可以在上网的时候多浏览，其他时间少用。这样比较自然，效果也不错。

　　5.ua设置

　　一般这里不用设置

　　6.交通区域设置

　　首先我们要去掉国外和港澳台地区，根据自己的网站选择国内地区。比如我的关键词是“长沙seo”，那么我要选择的地区就是湖南，其他地区就不用选了。，如果你滑动的词不是区域词，你也可以选择更多的区域。

　　2. 关键词 排名

　　基本设置：这里的基本设置同上，复制我们要扫描的页面排名的网址关键词，可以扫描专栏，可以扫描文章页，也可以扫描首页页面，然后在“搜索引擎”中选择，比如我们使用360搜索引擎，那就选择360搜索引擎，百度等搜索引擎也一样。

　　

" />

　　注意：我们刷的页面关键词一定要收录

进去，否则没有效果，否则会影响我们的网站。

　　3.刷Alexa

　　刷Alexa并没有那么复杂，填写我们的主域名即可。

　　4. 最后一步

　　流量宝首页左下角和右下角都有“优化速度选择”。如果网站SEO基础好，选择高速模式。一般我们选择普通模式，差一点就选择低速模式。

　　也就是说，一个普通家庭养育一个孩子至少要花费70万元。

　　对于大多数普通工薪家庭来说，确实是一笔不小的数目。

　　小夏SEO有话要说：其实不管是什么工具，我们都不能太依赖它。该工具可以在短时间内提高网站的排名，但网站仍然需要优化。没有优化的网站如果只用一些手段，成本会很大，这样就失去了seo的意义。做seo的网站都希望低成本带来转化。

　　最后提醒，新站一定不要用这些工具，新站要好好优化！