[说明：本文是阅读Google论文“Dapper, a Large-Scale Distributed Systems Tracing Infrastructure”之后的一个简要总结，完整译文可参考此处。 另论文“Uncertainty in Aggregate Estimates from Sampled Distributed Traces”中有关于采样的更详细分析。此外，Twitter开源的Zipkin就是参考Google Dapper而开发。]
Dapper最初是为了追踪在线服务系统的请求处理过程。比如在搜索系统中，用户的一个请求在系统中会经过多个子系统的处理，而且这些处理是发生在不同机器甚至是不同集群上的，当请求处理发生异常时，需要快速发现问题，并准确定位到是哪个环节出了问题，这是非常重要的，Dapper就是为了解决这样的问题。
对系统行为进行跟踪必须是持续进行的，因为异常的发生是无法预料的，而且可能是难以重现的。同时跟踪需要是无所不在，遍布各处的，否则可能会遗漏某些重要的点。基于此Dapper有如下三个最重要的设计目标：低的额外开销，对应用的透明性，可扩展。同时产生的跟踪数据需要可以被快速分析，这样可以帮助用户实时获取在线服务状态。
实现方法
低的额外开销：不是对所有的请求进行跟踪而是要采样，收集跟踪数据时进行二次采样
对应用的透明性：修改多线程，控制流，RPC等基础库代码，插入负责跟踪的代码。在Google，应用使用的是相同的多线程，控制流，RPC等基础库代码，所以仅通过修改它们就可以实现跟踪功能。当线程进行一个被跟踪的处理时，Dapper会将一个trace context关联到线程本地化存储中。trace context中包含了span相关属性，比如trace和span id。对于需要进行异步处理的情况，Google开发者通常都会采用一个通用的控制流库来实现回调，并将它们调度到一个线程池或是执行器中调用。Dapper保证所有回调都会保存它们创建者的trace context，同时在该回调被调用时该trace context也会被关联到对应线程。这样，Dapper就可以实现这种异步处理过程的跟踪。对于被跟踪的RPC调用，span和trace id也会跟着被从客户端传到服务端。从功能上看这部分代码主要包括span的创建，采样，本地磁盘日志写入，但是因为它会被很多应用所依赖，维护和bug fix难度高，需要非常高的稳定性和健壮性。同时还要轻量，实际上这部分代码的C++实现也总共不到1000行。
Dapper支持用户直接获取Tracer对象，并输出自己的自定义信息，用户可以输出自己任意想输出的内容，为防止用户过度输出，提供用户可配置参数来控制其上限。
跟踪时需要对请求进行标记，会产生一个唯一ID(在Dapper中是一个64位整数)用来标识该请求。对于Dapper来说，一个trace(跟踪过程)实际上是一颗树，树中的节点被称为一个span，根节点被称为root span。如下图所述：
跟踪开销
如果跟踪带来的额外开销太高，用户通常会选择关掉它，因此低开销非常重要。采样可以降低开销，但是简单的采样可能导致采样结果无代表性，Dapper通过采用自适应的采样机制来满足性能和代表性两方面的需求。
trace的生成开销对Dapper来说是最关键的，因为数据的收集和分析可以临时关掉，只要数据一直生成就可以后面再进行收集分析。在trace生成中，最大头的地方在于span和annotation的创建和销毁上。根span的创建和销毁平均需要204ns，普通span只需要176ns，区别在于根span需要产生一个全局唯一的trace id。如果span没有被采样到，那么对它添加annotation的开销基本可忽略，大概需要9ns。但是如果是被采样到的话，那么平均开销是40ns。这些测试是在一个2.2GHZ的x86服务器上进行的。本地磁盘写入是Dapper运行库中最昂贵的操作，但是它们可以异步化，批量化，因此它们基本上只会影响到那些高吞吐率的应用。
将跟踪数据通过Dapper后台进程读出也会产生一些开销。但是根据我们的观察，Dapper daemon的CPU开销始终在0.3%之下，内存占用也很少，此外也会带来轻量的网络开销，但是每个span平均只有426字节大小，网络开销只占了整个产品系统流量的0.01%不到。
对于那些每个请求都可能产生大量跟踪数据的应用来说，我们还会通过采样来降低开销。我们通过保证跟踪开销可以始终保持在很低的水平上，使得用户可以放心大胆的使用它。最初我们的采样策略很简单，是在每1024个请求中选择一个进行跟踪，这种模式对于那种请求量很高的服务来说，可以保证跟踪到有价值的信息，但是对于那些负载不高的服务来说，可能会导致采样频率过低，从而遗漏重要信息。因此我们决定以时间为采样单位，保证单位时间内可以进行固定次数的采样，这样采样频率和开销都更好控制了。
应用
用户可以通过DAPI(Dapper“Depot API”)直接访问跟踪数据。DAPI提供如下几种访问方式：指定trace id进行访问；大规模批量访问，用户可以通过MapReduce job并行访问，用户只需要实现一个以Dapper trace为参数的虚函数，在该函数内完成自己的处理即可，框架负责为用户指定时间段内的所有trace调用该函数；通过索引进行访问，Dapper会为跟踪数据建立索引，用户可通过索引进行查询，因为trace id是随机生成的，因此用户通常需要通过服务名或机器名进行检索(实际上Dapper是按照(服务名，机器名，时间戳)进行索引的)。
大部分用户都是通过一个交互式web接口来使用Dapper的，典型流程如下图所示：
1.用户输入他感兴趣的服务和时间窗口，选择相应跟踪模式(这里是span名称)，以及他最关心的某个度量参数(这里是服务延迟)
2.页面上会展示一个指定服务的所有分布式执行过程的性能摘要，用户可能会对这些执行过程根据需要进行排序，然后选择一个详细看
3.一旦用户选定了某个执行过程后，将会有一个关于该执行过程的图形化描述展现出来，用户可以点击选择自己关心的那个过程
4.系统根据用户在1中选择的度量参数，以及3中选择的具体过程，显示一个直方图。在这里显示的是有关getdocs的延迟分布的直方图，用户可以点击右侧的example，选择具体的一个执行过程进行查看
5.显示关于该执行过程的具体信息，上方是一个时间轴，下方用户可以进行展开或折叠，查看该执行过程各个组成部分的开销，其中绿色代表处理时间，蓝色代表花在网络上的时间。
经验教训
在开发过程中使用Dapper，可以帮助用户提高性能(分析请求延迟，发现关键路径上不必要的串行化)，进行正确性检查(用户请求是否正确发送给了服务提供者)，理解系统(请求处理可能依赖很多其他系统，Dapper帮助用户了解总体延迟，重新设计最小化依赖)，测试(新代码release前要通过一个Dapper跟踪测试，验证系统行为和性能)。比如，通过使用Dapper，Ads Review团队将延迟降低了两个数量级。
同时我们还将跟踪系统与异常监控系统进行集成，如果异常发生在一个采样到的Dapper tracer上下文中，那么相应的trace和span id还会被作为异常报告的元数据，前端的异常监控服务还会提供相应链接指向跟踪系统。这样可以帮助用户了解异常发生时的情况。
解决长尾延迟，帮助用户分析复杂系统环境下的延迟问题。网络性能的瞬时下降不会影响系统的吞吐率，但是对延迟有很大影响。很多开销昂贵的查询模式是由于未预料到的服务间的交互造成的，Dapper的出现使得这种问题的发现变得非常容易。
帮助用户进行服务间依赖的推理。Google维护了非常多的集群，每个集群上承载了各种各样的任务，而任务间可能存在依赖关系。但是各个任务需要精确知道它所依赖的服务信息，以帮助发现瓶颈或进行服务的移动。服务间的依赖是复杂的而且是动态的，单纯依赖配置文件很难判断。但是通过使用Dapper的trace信息和DAPI MapReduce接口可以自动化的确定服务间依赖关系。
帮助网络管理员对跨集群的网络活动进行应用层的分析。帮助发现某些昂贵的网络请求开销的产生原因。
很多存储系统都是共享的。比如GFS，会有很多用户，有的可能是直接访问GFS，有的可能是比如通过Bigtable产生对GFS的访问，如果没有Dapper，对这种共享式系统将会很难调试，通过Dapper提供的数据，共享服务的owner可以方便的对用户根据各项指标(比如网络负载，请求耗时)进行排序。
救火。但是不是所有的救火，都可以使用Dapper来完成。比如，那些正在救火的Dapper用户需要访问最新的数据，但是他可能根本没有时间写一个新的DAPI代码或者等待周期性报告的产生。对于那些正在经历高延迟的服务，Dapper的用户接口并不适于用来快速定位延迟瓶颈。但是可以直接与Dapper daemon进行交互，通过它可以很容易地收集最新数据。在发生灾难性的故障时，通常没有必要去看统计结果，单个例子就可以说明问题。但是对于那些共享存储服务来说，信息聚合会很重要。对于共享服务来说，Dapper的聚合信息可以用来做事后分析。但是如果这些信息的聚合无法在问题爆发后的10分钟之内完成，那么它的作用将会大大削弱，因此对于共享服务来说，Dapper在救火时的效果没有想象中的那么好。
通过开放跟踪数据给用户，激发了用户创造力，产生了很多意料之外的应用。那些没有跟踪功能的应用只需要用新的库重新编译下它们的程序，就获得了跟踪功能，迁移非常方便。
但是还存在如下一些需要改进的地方：
合并产生的影响。我们通常假设各种子系统会一次处理一个请求。但是某些情况下，请求会被缓存，然后一次性地在一组请求上执行某个操作(比如磁盘写入)。在这种情况下，被追踪的请求拿到的实际上并不是它本身的处理过程。
对批量处理进行跟踪。虽然Dapper是为在线服务系统而设计，最初是为了理解用户发送请求给Google后产生的一系列系统行为。但是离线的数据处理实际上也有这样的需求。在这种情况下，我们可以将trace id与某些有意义的工作单元进行关联，比如输入数据里的一个key(或者是一个key range)。
寻找根本原因。Dapper可以迅速找到系统短板，但是在寻找根本原因时并不那么高效。比如某个请求变慢可能并不是因为它自己的原因，而是因为在它之前已经有很多请求在排队。用户可以在应用层将某些参数，比如队列大小交给跟踪系统。
记录内核级信息。我们有很多工具可以进行内核执行过程的跟踪和profiling，但是直接将内核级信息捆绑到一个应用层的trace context中很难优雅的实现。我们打算采用一种折中的解决方案，通过在应用层获取内核活动参数的快照，然后将它们与一个活动span关联起来。