關聯可觀測性信號

連接指標、日誌、追蹤以統合除錯，貫通可觀測性三柱。

適用時機

• 查橫跨多系統之複雜事故
• 減 MTTR（平均解決時間）
• 建統一之可觀測性儀表板
• 施分散追蹤
• 由孤立工具移至統一可觀測性

輸入

• 必要：Prometheus（指標）
• 必要：日誌聚合系統（Loki、Elasticsearch、CloudWatch）
• 必要：分散追蹤後端（Tempo、Jaeger、Zipkin）
• 選擇性：Grafana 以行統一可視化
• 選擇性：OpenTelemetry 儀器化

步驟

完整配置檔與範本見 Extended Examples。

步驟一：施追蹤脈絡傳播

以 OpenTelemetry 加追蹤 ID 於所有日誌與指標：

// Go example: Propagate trace context to logs
package main

import (
    "context"
    "log"

    "go.opentelemetry.io/otel"
    "go.opentelemetry.io/otel/trace"
)

func handleRequest(ctx context.Context, userID string) {
    // Extract trace context
    span := trace.SpanFromContext(ctx)
    traceID := span.SpanContext().TraceID().String()

    // Include trace ID in structured logs
    log.Printf("trace_id=%s user_id=%s action=process_request", traceID, userID)

    // Business logic here
    processData(ctx, userID)
}

func processData(ctx context.Context, userID string) {
    tracer := otel.Tracer("my-service")
    ctx, span := tracer.Start(ctx, "processData")
    defer span.End()

    traceID := span.SpanContext().TraceID().String()
    log.Printf("trace_id=%s user_id=%s action=process_data", traceID, userID)

    // More work
}

Python 之例：

# Python: Flask with OpenTelemetry
from flask import Flask, request
from opentelemetry import trace
from opentelemetry.instrumentation.flask import FlaskInstrumentor
import logging

app = Flask(__name__)
FlaskInstrumentor().instrument_app(app)

logging.basicConfig(
    format='%(asctime)s trace_id=%(otelTraceID)s span_id=%(otelSpanID)s %(message)s',
    level=logging.INFO
)

@app.route('/api/users/<user_id>')
def get_user(user_id):
    span = trace.get_current_span()
    trace_id = format(span.get_span_context().trace_id, '032x')

    logging.info(f"Fetching user {user_id}", extra={
        'otelTraceID': trace_id,
        'otelSpanID': format(span.get_span_context().span_id, '016x')
    })

    # Business logic
    return {"user_id": user_id}

預期： 所有日誌含 trace_id 欄，令日誌-追蹤可關聯。

失敗時： 若追蹤 ID 缺，察 OpenTelemetry SDK 初始化及脈絡傳播。

步驟二：配置 Prometheus 中之 exemplars

exemplars 連指標於追蹤：

# prometheus.yml
global:
  scrape_interval: 15s
  # Enable exemplar storage
  exemplars:
    max_exemplars: 100000  # Per TSDB block

scrape_configs:
  - job_name: 'api-service'
    static_configs:
      - targets: ['api-service:8080']
    # Scrape exemplars
    metric_relabel_configs:
      - source_labels: [__name__]
        regex: 'http_request_duration_seconds.*'
        action: keep

儀器化應用以發 exemplars：

// Go: Emit exemplars with Prometheus histogram
package main

import (
    "github.com/prometheus/client_golang/prometheus"
    "github.com/prometheus/client_golang/prometheus/promauto"
    "go.opentelemetry.io/otel/trace"
)

var httpDuration = promauto.NewHistogramVec(
    prometheus.HistogramOpts{
        Name:    "http_request_duration_seconds",
        Help:    "HTTP request duration",
        Buckets: prometheus.DefBuckets,
    },
    []string{"method", "endpoint", "status"},
)

func recordRequest(ctx context.Context, method, endpoint, status string, duration float64) {
    // Get trace ID for exemplar
    span := trace.SpanFromContext(ctx)
    traceID := span.SpanContext().TraceID().String()

    // Record metric with exemplar
    observer := httpDuration.WithLabelValues(method, endpoint, status)
    observer.(prometheus.ExemplarObserver).ObserveWithExemplar(
        duration,
        prometheus.Labels{"trace_id": traceID},
    )
}

於 Prometheus 查 exemplars：

# Histogram with exemplars
histogram_quantile(0.95, rate(http_request_duration_seconds_bucket[5m]))

於 Grafana，exemplars 顯為直方圖上之點，可連至追蹤。

預期： Grafana 於指標圖中顯 exemplars，點之則開對應追蹤。

失敗時： 驗 Prometheus 版本 ≥2.26（支援 exemplar），察 Grafana 資料源配置啟 exemplars。

步驟三：以 RED 法建統一儀表板

RED 法：率（Rate）、誤（Errors）、延（Duration）——用於服務。

{
  "dashboard": {
    "title": "API Service - RED Dashboard",
    "panels": [
      {
        "title": "Request Rate (req/s)",
        "type": "graph",
        "targets": [
          {
            "expr": "sum(rate(http_requests_total{job=\"api-service\"}[5m])) by (endpoint)",
            "legendFormat": "{{ endpoint }}"
          }
        ],
        "exemplars": true
      },
      {
        "title": "Error Rate (%)",
        "type": "graph",
        "targets": [
          {
            "expr": "sum(rate(http_requests_total{job=\"api-service\", status=~\"5..\"}[5m])) / sum(rate(http_requests_total{job=\"api-service\"}[5m])) * 100",
            "legendFormat": "Error %"
          }
        ],
        "exemplars": true
      },
      {
        "title": "Request Duration (p50, p95, p99)",
        "type": "graph",
        "targets": [
          {
            "expr": "histogram_quantile(0.50, rate(http_request_duration_seconds_bucket{job=\"api-service\"}[5m]))",
            "legendFormat": "p50"
          },
          {
            "expr": "histogram_quantile(0.95, rate(http_request_duration_seconds_bucket{job=\"api-service\"}[5m]))",
            "legendFormat": "p95"
          },
          {
            "expr": "histogram_quantile(0.99, rate(http_request_duration_seconds_bucket{job=\"api-service\"}[5m]))",
            "legendFormat": "p99"
          }
        ],
        "exemplars": true
      },
      {
        "title": "Correlated Logs",
        "type": "logs",
        "datasource": "Loki",
        "targets": [
          {
            "expr": "{job=\"api-service\"} |= \"error\""
          }
        ],
        "options": {
          "showTime": true,
          "enableLogDetails": true
        }
      }
    ]
  }
}

預期： 單一儀表板顯率、誤、延與關聯日誌。

失敗時： 若面板顯「No Data」，驗指標名合儀器化。

步驟四：以 USE 法施於資源

USE 法：利用（Utilization）、飽和（Saturation）、誤（Errors）——用於資源如 CPU、記憶體、磁碟。

{
  "dashboard": {
    "title": "Node Resources - USE Dashboard",
    "panels": [
      {
        "title": "CPU Utilization (%)",
        "type": "graph",
        "targets": [
          {
            "expr": "100 - (avg(rate(node_cpu_seconds_total{mode=\"idle\"}[5m])) * 100)",
            "legendFormat": "CPU Usage %"
          }
        ]
      },
      {
        "title": "CPU Saturation (Load Average)",
        "type": "graph",
        "targets": [
          {
            "expr": "node_load1",
            "legendFormat": "1min load"
          },
          {
            "expr": "node_load5",
            "legendFormat": "5min load"
          },
          {
            "expr": "count(node_cpu_seconds_total{mode=\"idle\"})",
            "legendFormat": "CPU cores (threshold)"
          }
        ]
      },
      {
        "title": "Memory Utilization (%)",
        "type": "graph",
        "targets": [
          {
            "expr": "(node_memory_MemTotal_bytes - node_memory_MemAvailable_bytes) / node_memory_MemTotal_bytes * 100",
            "legendFormat": "Memory Usage %"
          }
        ]
      },
      {
        "title": "Memory Saturation (Page Faults)",
        "type": "graph",
        "targets": [
          {
            "expr": "rate(node_vmstat_pgmajfault[5m])",
            "legendFormat": "Major page faults/s"
          }
        ]
      },
      {
        "title": "Disk Utilization (%)",
        "type": "graph",
        "targets": [
          {
            "expr": "(node_filesystem_size_bytes - node_filesystem_free_bytes) / node_filesystem_size_bytes * 100",
            "legendFormat": "{{ device }}"
          }
        ]
      },
      {
        "title": "Disk Saturation (IO Wait %)",
        "type": "graph",
        "targets": [
          {
            "expr": "rate(node_cpu_seconds_total{mode=\"iowait\"}[5m]) * 100",
            "legendFormat": "IO Wait %"
          }
        ]
      }
    ]
  }
}

預期： 儀表板顯各 USE 維度之資源健康。

失敗時： 確保 node_exporter 運行，擷取系統指標。

步驟五：Loki 中連日誌於追蹤

配 Loki 以萃取追蹤 ID：

# loki-config.yml
schema_config:
  configs:
    - from: 2024-01-01
      store: boltdb-shipper
      object_store: s3
      schema: v11
      index:
        prefix: index_
        period: 24h

# Derived fields for trace linking
query_config:
  derived_fields:
    - name: TraceID
      source: trace_id
      url: 'https://tempo.company.com/trace/${__value.raw}'
      urlDisplayLabel: 'View Trace'

於 Grafana，配 Loki 資料源：

{
  "name": "Loki",
  "type": "loki",
  "url": "http://loki:3100",
  "jsonData": {
    "derivedFields": [
      {
        "datasourceUid": "tempo-uid",
        "matcherRegex": "trace_id=(\\w+)",
        "name": "TraceID",
        "url": "$${__value.raw}"
      }
    ]
  }
}

預期： 點 Loki 日誌中之追蹤 ID 則於 Tempo 中開對應追蹤。

失敗時： 驗正則合日誌格式，察 Tempo 資料源 UID。

步驟六：建統一事故視圖

造一儀表板，集所有信號：

{
  "dashboard": {
    "title": "Incident Investigation",
    "templating": {
      "list": [
        {
# ... (see EXAMPLES.md for complete configuration)

事故時之工作流：

1. 告警觸於高誤率
2. 值班工程師開 Grafana 儀表板
3. 辨特定時之誤率尖峰
4. 點延遲直方圖上之 exemplar 點——開追蹤
5. 追蹤顯緩之資料庫查詢
6. 點 span 上之「View Logs」——開該追蹤之日誌
7. 日誌揭致逾時之具體 SQL 查詢
8. 2 分內辨根因

預期： 單一視窗以除錯，可於指標、日誌、追蹤間跳。

失敗時： 若連結不行，察資料源配置與追蹤 ID 傳播。

驗證

• 追蹤 ID 存於所有應用日誌
• Prometheus 擷取 exemplars
• Grafana 儀表板於直方圖顯 exemplar 點
• 點 exemplar 則於 Tempo/Jaeger 開對應追蹤
• Loki 日誌有可用之「View Trace」連結
• 已為關鍵服務建 RED 儀表板
• 已為基礎設施建 USE 儀表板
• GameDay 時已測統一事故儀表板

常見陷阱

• 追蹤 ID 格式不一：OpenTelemetry 用 32 字十六進制，Jaeger 用 16 字。擇一
• 脈絡傳播缺失：追蹤 ID 若不跨服務流，分散追蹤崩。用 OpenTelemetry 自動儀器化
• exemplar 過載：exemplars 過多（>100k）可緩 Prometheus。取樣高量指標
• 時鐘偏移：追蹤跨多服務。確保 NTP 已配；時鐘漂致追蹤序錯
• 資料保留不配：追蹤若先於指標過期，關聯斷。對齊保留策略

相關技能

• setup-prometheus-monitoring - 關聯之指標基礎
• configure-log-aggregation - 關聯之日誌基礎
• instrument-distributed-tracing - 關聯之追蹤基礎
• build-grafana-dashboards - 統一之可視化層