14互通有无：如何设计跨语言的APM交互协议？

开源的 APM 产品的跨语言交互协议，以 2010 年 Google 发布 Dapper 论文的时间为节点，切分为两个阶段。

论文发布前，大多数跨语言交互协议的设计能简单解决上下游两个应用无法串联的问题即可；

论文发布后，跨语言交互的协议设计就不仅是为了解决上下游串联的问题。大多数 APM 产品设计出来的跨语言交互协议，还支持全局入口溯源、断链原因分析、核心业务场景追踪等问题的解决。

而 CAT 和 SkyWalking 也分别是前后两个阶段的典型代表性 APM 工具。

所以今天，我会通过讲解这两个 APM 工具的跨语言交互协议的设计，带你纵观 APM 工具的跨语言交互协议的发展历程。

跨语言交互协议的由来和雏形

当代的互联网架构非常复杂，通常的表象是分布式集群、异构语言、横跨多个机房中心等。所以这时我们需要一种中间协议，帮我们快速理解请求在分布式架构中的行为意义，并帮我们分析性能问题。这时，跨语言交互协议就应运而生了。

起初，我们的诉求也很简单：就是可以把多个节点上，处理一次用户行为的日志串联起来就可以了。

通过调研发现，常用的 RPC 框架都是提供了可用于传出的协议头部属性，如 HTTP 消息中的 Header 属性。将任务线程的标识通过 HTTP Header 属性进行传输，就可以实现两个任务线程的串联。这就是最早的标记方案的由来。

关于标记方案，你可以回顾“09 | OpenTracing 解密: Dapper 说它是树，SkyWalking 说它是图”。

【CAT 跨语言交互协议】

CAT 的跨语言交互协议显然就是标记方案的先驱者，CAT 的跨语言交互协议中有三个属性。

_catRootMessageId：用于标识一条链路的唯一 ID，当 HTTP Header 中没有此属性时，开发人员就需要生成此属性，用于请求在全局的染色，这就是全局链路 ID。

_catParentMessageId：用于标识父任务线程的唯一 ID，在 HTTP 请求发生时，告诉方法的提供者，上游是谁。

_catChildMessageId：可以用于告诉下游，是谁在调用。

不难发现，三个属性任选其一，都可以完成分布式链路的串联。

由此可见，分布式链路追踪的实现并不难，难的是真正能经受住生产上考验。

跨语言交互协议的改进

CAT 虽然告诉了开发者“如何实现分布式追踪”，但由于开发量大、展示效果差，所以用户案例上很少见到实战案例，其中最主要的问题有以下两个。

其一是跨语言传输协议不够标准，这也是 Google 公司发布 Dapper 论文对后世影响的真正意义所在。Dapper 论文中提到：跨语言交互协议的重要属性有 ParentID 和 SpanID，ParentID 与 CAT 的 _catParentMessageId 属性如出一辙，而 SpanID 就是发生 RPC 调用的代码段落的标识。

Google 内部通过自实现 RPC 框架，从而无侵入实现链路追踪，这也是 CAT 很少进行分布式链路实战案例的其二原因。

CAT 要实现分布式监控需要手动编写的代码太多了。换句话说就是，只有当集群所有应用，编写分布式追踪代码覆盖的场景足够多时，才能看到收益。

而后来者 SkyWalking 的跨语言交互设计，在采样落地、问题定位上都迈出了很大一步。

SkyWalking 跨语言交互协议

SkyWalking 的跨语言传输协议中，总共有以下六大属性，每个属性在不同场景中都扮演着重要的角色，下面就重要属性的设计进行分析。

1.采样标记

SkyWalking 使用布尔对象来表述采样标记，默认需要采样；只有在不需要采样的场景中，采样标记设置为 false。

而不需要采样的场景有以下两种。

指定忽略部分追踪监控数据：激活采样插件（apm-trace-ignore-plugin），通过设置不采样的端点（Endpoint，可以理解为任务线程的首个 Span 的描述）后，任务线程中监控数据会被渲染为不采样。

那有些同学可能会问了：为什么还要采集监控数据，然后渲染成不采样呢？直接连监控数据都不采集不好吗？这个问题我先埋个“坑”，我将在“16 | 采样设计：资源有限，如何实现数据的低损耗、高收集？”与你讲解。

设置采样率：SkyWalking 探针客户端支持采样率的设置，通过随机固定比例的采样策略，将海量的数据的部分数据，染色成不采样数据。

关于 SkyWalking 的采样场景，我们需要注意的是，没有被采样到的任务线程数据是无法被发送到收集端的。而这与“10 | 亲和线程模型：分布式链路追踪，学习 SkyWalking 就够了”中防止内存泄漏的场景是有区别的：由于监控数据是存储在任务线程的本地线程变量中的，当监控数据过多时，就会无法回收掉监控数据，从而造成内存溢出故障。

所以任务线程中的监控数据超过一定容量时，接下来的监测点所产生的监控数据，会通过原子模式，将引用指向原子对象以防内存溢出。所以这个任务线程的监控数据，依然会被发送到收集端，但是服务端只会接收到部分数据。

2.追踪 ID（globalTraceID）

也是全链路跟踪 ID，内容类型为数组类型。

还记得“09 | OpenTracing 解密: Dapper 说它是树，SkyWalking 说它是图”中的 SkyWalking 图形追踪模型么？SkyWalking 的链路追踪模型，为了兼容分布式事务或是消息队列等批处理框架，所以将全链路追踪 ID 的内容类型扩展为数组类型。

实现方案不仅体现在任务线程中的本地线程变量中，还会在跨语言调用时，将全链路信息封装在交互协议中；而且 SkyWalking 为了更高效、优雅传递，所以将大串的数组，通过 BASE 64 编码成一个字符串。

3.父跟踪段 ID（parentSegmentId）

可以理解为调用服务的任务线程的唯一标识，所以和 CAT 跨链路交互协议中的 PARENT 所表述的意思是一样的。区别是在实现方案上，SkyWalking 通过使用探针无侵入的技术方案，在调用服务的任务线程开始被监控时，通过雪花算法生成唯一的跟踪段 ID。

雪花算法用于生成全局标识，SkyWalking 的实现方案是环境标识+线程标识+自增 ID 实现。

因为在最终调用时，永远是一个任务线程发起的远程调用，所以与协议中的追踪 ID 内容类型不同的是，父跟踪段 ID 的内容类型是字符串类型。

4.父段 ID（parentSpanId）

在一个任务线程监控数据中，监控着很多代码段，如 SpringMVC 的监控、RPC 调用监控、Mysql 调用监控。常见的如上游应用服务，通过 RPC 框架组件调用下游应用服务时，当前调用服务使用的 RPC 调用代码段的 SpanID 就是父段 ID，传递此属性有助于链路数据更好地在 UI 页面上渲染。

5.父服务（parentApplicationInstanceId）

当被调用方在接收到请求时，通过识别父服务属性，可以快速解释两个应用服务的调用关系。

6.入口服务（entryApplicationInstanceId）

区别于传统的跨语言交互协议，SkyWalking 将入口的部分属性也放入了交互协议中。除了入口服务属性，还有入口端点（entryOperationName）属性，协议增加这两个参数极大提高了稳定性。

断链场景诊断

通过调用入口信息，可以根据每个应用服务的交互协议数据入口信息，并再结合业务流量在集群中的流转状况，判断出哪个应用服务没有上报监控数据。如果是流量高，可以适当增加发送客户端性能；如果是数据无法上报，可以估计内存泄漏的排查办法，进行故障修复。

循环调用依赖问题诊断

在之前的单体应用中，如果出现死循环，我们很容易根据 CPU 的负载情况发现问题，然后通过 Dump 线程诊断死循环所在。但当微服务中出现了循环调用依赖，怎么一下子观测出问题所在呢？

首先当循环依赖发生时，参与其中的每个调用链路的耗时特别长，这与单一节点垂直架构的死循环的表象一样。但在微服务集群中，最简单的案例是：用户调用 A 应用的 a 方法，a 方法调用 B 应用的 b 方法，b 方法调用 C 应用的 c 方法，c 方法调用 A 应用的 a 方法。

这种案例下，每个方法的耗时都无限长，但是每个应用服务的负责方都在指责下游超时，而没有人能指出问题的所在。我们通过在线剖析工具拿到入口属性，我们会发现所有请求的入口指向一个应用的一个方法，这样所有的定位思路从入口方法开始往下梳理，这样就很容易开展问题的定位。

综上，可以看出 SkyWalking 的交互协议，不仅包含了实现分布式追踪的父链路的简单描述信息，还包含了很多更实用的属性。这些在拓扑图、链路绘制、问题诊断上都有着用武之地。

不仅如此，SkyWalking 的最新版本还扩展出更自定义的交互协议 sw8-x。通过此属性，你可以设计出更丰富的监控场景。如我们可以在消息队列场景中，使用 sw8-x 存储生产者生产消息的时间；在消费者消费消息时，根据当前时间和发送时间计算出消费延迟等。

如果你想进行更加深入的学习，可以点击链接。

小结与思考

今天的课程，我带你回顾了跨语言交互协议的发展历史。

以 CAT 为例，早期的跨语言交互协议主要以串联为主，所以通过 HTTP Header 传递任务线程标识即可。

而后 Google 的 Dapper 论文提出了Span 概念，并通过改造RPC 框架来无侵入地传输调用方的任务线程标识和 Span 信息。

后来者 SkyWalking 的交互协议吸取了很多经验，其设计在采样落地、问题定位都有显著提效。

今天的课程，说了同步的循环调用依赖问题如何诊断。那异步场景，如 A、B、C 改为异步消息队列调用，问题现场会是什么样子呢？又如何诊断呢？

欢迎在评论区写下你的思考，期待与你的讨论。

-– ### 精选评论