轉載:http://bigbully.github.io/Dapper-translation/
附件有 鷹眼下的淘寶-分布式調用跟蹤系統(tǒng)介紹.pdf
附件有 Dapper__a_Large-Scale_Distributed_Systems_Tracing_Infrastructure.pdf
作者：Benjamin H. Sigelman, Luiz Andr′e Barroso, Mike Burrows, Pat Stephenson, Manoj Plakal, Donald Beaver, Saul Jaspan, Chandan Shanbhag
當代的互聯(lián)網的服務，通常都是用復雜的、大規(guī)模分布式集群來實現(xiàn)的?；ヂ?lián)網應用構建在不同的軟件模塊集上，這些軟件模塊，有可能是由不同的團隊開發(fā)、可能使用不同的編程語言來實現(xiàn)、有可能布在了幾千臺服務器，橫跨多個不同的數(shù)據中心。因此，就需要一些可以幫助理解系統(tǒng)行為、用于分析性能問題的工具。
Dapper--Google生產環(huán)境下的分布式跟蹤系統(tǒng)，應運而生。那么我們就來介紹一個大規(guī)模集群的跟蹤系統(tǒng)，它是如何滿足一個低損耗、應用透明的、大范圍部署這三個需求的。當然Dapper設計之初，參考了一些其他分布式系統(tǒng)的理念，尤其是Magpie和X-Trace，但是我們之所以能成功應用在生產環(huán)境上，還需要一些畫龍點睛之筆，例如采樣率的使用以及把代碼植入限制在一小部分公共庫的改造上。
自從Dapper發(fā)展成為一流的監(jiān)控系統(tǒng)之后，給其他應用的開發(fā)者和運維團隊幫了大忙，所以我們今天才發(fā)表這篇論文，來匯報一下這兩年來，Dapper是怎么構建和部署的。Dapper最初只是作為一個自給自足的監(jiān)控工具起步的，但最終進化成一個監(jiān)控平臺，這個監(jiān)控平臺促生出多種多樣的監(jiān)控工具，有些甚至已經不是由Dapper團隊開發(fā)的了。下面我們會介紹一些使用Dapper搭建的分析工具，分享一下這些工具在google內部使用的統(tǒng)計數(shù)據，展現(xiàn)一些使用場景，最后會討論一下我們迄今為止從Dapper收獲了些什么。
我們開發(fā)Dapper是為了收集更多的復雜分布式系統(tǒng)的行為信息，然后呈現(xiàn)給Google的開發(fā)者們。這樣的分布式系統(tǒng)有一個特殊的好處，因為那些大規(guī)模的低端服務器，作為互聯(lián)網服務的載體，是一個特殊的經濟劃算的平臺。想要在這個上下文中理解分布式系統(tǒng)的行為，就需要監(jiān)控那些橫跨了不同的應用、不同的服務器之間的關聯(lián)動作。
下面舉一個跟搜索相關的例子，這個例子闡述了Dapper可以應對哪些挑戰(zhàn)。比如一個前段服務可能對上百臺查詢服務器發(fā)起了一個Web查詢，每一個查詢都有自己的Index。這個查詢可能會被發(fā)送到多個的子系統(tǒng)，這些子系統(tǒng)分別用來處理廣告、進行拼寫檢查或是查找一些像圖片、視頻或新聞這樣的特殊結果。根據每個子系統(tǒng)的查詢結果進行篩選，得到最終結果，最后匯總到頁面上。我們把這種搜索模型稱為“全局搜索”（universal search）?？偟膩碚f，這一次全局搜索有可能調用上千臺服務器，涉及各種服務。而且，用戶對搜索的耗時是很敏感的，而任何一個子系統(tǒng)的低效都導致導致最終的搜索耗時。如果一個工程師只能知道這個查詢耗時不正常，但是他無從知曉這個問題到底是由哪個服務調用造成的，或者為什么這個調用性能差強人意。首先，這個工程師可能無法準確的定位到這次全局搜索是調用了哪些服務，因為新的服務、乃至服務上的某個片段，都有可能在任何時間上過線或修改過，有可能是面向用戶功能，也有可能是一些例如針對性能或安全認證方面的功能改進。其次，你不能苛求這個工程師對所有參與這次全局搜索的服務都了如指掌，每一個服務都有可能是由不同的團隊開發(fā)或維護的。再次，這些暴露出來的服務或服務器有可能同時還被其他客戶端使用著，所以這次全局搜索的性能問題甚至有可能是由其他應用造成的。舉個例子，一個后臺服務可能要應付各種各樣的請求類型，而一個使用效率很高的存儲系統(tǒng)，比如Bigtable，有可能正被反復讀寫著，因為上面跑著各種各樣的應用。
上面這個案例中我們可以看到，對Dapper我們只有兩點要求：無所不在的部署，持續(xù)的監(jiān)控。無所不在的重要性不言而喻，因為在使用跟蹤系統(tǒng)的進行監(jiān)控時，即便只有一小部分沒被監(jiān)控到，那么人們對這個系統(tǒng)是不是值得信任都會產生巨大的質疑。另外，監(jiān)控應該是7x24小時的，畢竟，系統(tǒng)異?；蚴悄切┲匾南到y(tǒng)行為有可能出現(xiàn)過一次，就很難甚至不太可能重現(xiàn)。那么，根據這兩個明確的需求，我們可以直接推出三個具體的設計目標：
1.低消耗：跟蹤系統(tǒng)對在線服務的影響應該做到足夠小。在一些高度優(yōu)化過的服務，即使一點點損耗也會很容易察覺到，而且有可能迫使在線服務的部署團隊不得不將跟蹤系統(tǒng)關停。
2.應用級的透明：對于應用的程序員來說，是不需要知道有跟蹤系統(tǒng)這回事的。如果一個跟蹤系統(tǒng)想生效，就必須需要依賴應用的開發(fā)者主動配合，那么這個跟蹤系統(tǒng)也太脆弱了，往往由于跟蹤系統(tǒng)在應用中植入代碼的bug或疏忽導致應用出問題，這樣才是無法滿足對跟蹤系統(tǒng)“無所不在的部署”這個需求。面對當下想Google這樣的快節(jié)奏的開發(fā)環(huán)境來說，尤其重要。
3.延展性：Google至少在未來幾年的服務和集群的規(guī)模，監(jiān)控系統(tǒng)都應該能完全把控住。
一個額外的設計目標是為跟蹤數(shù)據產生之后，進行分析的速度要快，理想情況是數(shù)據存入跟蹤倉庫后一分鐘內就能統(tǒng)計出來。盡管跟蹤系統(tǒng)對一小時前的舊數(shù)據進行統(tǒng)計也是相當有價值的，但如果跟蹤系統(tǒng)能提供足夠快的信息反饋，就可以對生產環(huán)境下的異常狀況做出快速反應。
做到真正的應用級別的透明，這應該是當下面臨的最挑戰(zhàn)性的設計目標，我們把核心跟蹤代碼做的很輕巧，然后把它植入到那些無所不在的公共組件種，比如線程調用、控制流以及RPC庫。使用自適應的采樣率可以使跟蹤系統(tǒng)變得可伸縮，并降低性能損耗，這些內容將在第4.4節(jié)中提及。結果展示的相關系統(tǒng)也需要包含一些用來收集跟蹤數(shù)據的代碼，用來圖形化的工具，以及用來分析大規(guī)模跟蹤數(shù)據的庫和API。雖然單獨使用Dapper有時就足夠讓開發(fā)人員查明異常的來源，但是Dapper的初衷不是要取代所有其他監(jiān)控的工具。我們發(fā)現(xiàn)，Dapper的數(shù)據往往側重性能方面的調查，所以其他監(jiān)控工具也有他們各自的用處。
分布式系統(tǒng)跟蹤工具的設計空間已經被一些優(yōu)秀文章探索過了，其中的Pinpoint[9]、Magpie[3]和X-Trace[12]和Dapper最為相近。這些系統(tǒng)在其發(fā)展過程的早起傾向于寫入研究報告中，即便他們還沒來得及清楚地評估系統(tǒng)當中一些設計的重要性。相比之下，由于Dapper已經在大規(guī)模生產環(huán)境中摸爬滾打了多年，經過這么多生產環(huán)境的驗證之后，我們認為這篇論文最適合重點闡述在部署Dapper的過程中我們有那些收獲，我們的設計思想是如何決定的，以及以什么樣的方式實現(xiàn)它才會最有用。Dappe作為一個平臺，承載基于Dapper開發(fā)的性能分析工具，以及Dapper自身的監(jiān)測工具，它的價值在于我們可以在回顧評估中找出一些意想不到的結果。
雖然Dapper在許多高階的設計思想上吸取了Pinpoint和Magpie的研究成果，但在分布式跟蹤這個領域中，Dapper的實現(xiàn)包含了許多新的貢獻。例如，我們想實現(xiàn)低損耗的話，特別是在高度優(yōu)化的而且趨于極端延遲敏感的Web服務中，采樣率是很必要的?；蛟S更令人驚訝的是，我們發(fā)現(xiàn)即便是1/1000的采樣率，對于跟蹤數(shù)據的通用使用層面上，也可以提供足夠多的信息。
我們的系統(tǒng)的另一個重要的特征，就是我們能實現(xiàn)的應用級的透明。我們的組件對應用的侵入被先限制在足夠低的水平上，即使想Google網頁搜索這么大規(guī)模的分布式系統(tǒng)，也可以直接進行跟蹤而無需加入額外的標注(Annotation)。雖然由于我們的部署系統(tǒng)有幸是一定程度的同質化的，所以更容易做到對應用層的透明這點，但是我們證明了這是實現(xiàn)這種程度的透明性的充分條件。
圖1：這個路徑由用戶的X請求發(fā)起，穿過一個簡單的服務系統(tǒng)。用字母標識的節(jié)點代表分布式系統(tǒng)中的不同處理過程。
分布式服務的跟蹤系統(tǒng)需要記錄在一次特定的請求后系統(tǒng)中完成的所有工作的信息。舉個例子，圖1展現(xiàn)的是一個和5臺服務器相關的一個服務，包括：前端（A），兩個中間層（B和C），以及兩個后端（D和E）。當一個用戶（這個用例的發(fā)起人）發(fā)起一個請求時，首先到達前端，然后發(fā)送兩個RPC到服務器B和C。B會馬上做出反應，但是C需要和后端的D和E交互之后再返還給A，由A來響應最初的請求。對于這樣一個請求，簡單實用的分布式跟蹤的實現(xiàn)，就是為服務器上每一次你發(fā)送和接收動作來收集跟蹤標識符(message identifiers)和時間戳(timestamped events)。
為了將所有記錄條目與一個給定的發(fā)起者（例如，圖1中的RequestX）關聯(lián)上并記錄所有信息，現(xiàn)在有兩種解決方案，黑盒(black-box)和基于標注(annotation-based)的監(jiān)控方案。黑盒方案[1，15，2]假定需要跟蹤的除了上述信息之外沒有額外的信息，這樣使用統(tǒng)計回歸技術來推斷兩者之間的關系?；跇俗⒌姆桨竅3，12，9，16]依賴于應用程序或中間件明確地標記一個全局ID，從而連接每一條記錄和發(fā)起者的請求。雖然黑盒方案比標注方案更輕便，他們需要更多的數(shù)據，以獲得足夠的精度，因為他們依賴于統(tǒng)計推論?；跇俗⒌姆桨缸钪饕娜秉c是，很明顯，需要代碼植入。在我們的生產環(huán)境中，因為所有的應用程序都使用相同的線程模型，控制流和RPC系統(tǒng)，我們發(fā)現(xiàn)，可以把代碼植入限制在一個很小的通用組件庫中，從而實現(xiàn)了監(jiān)測系統(tǒng)的應用對開發(fā)人員是有效地透明。
我們傾向于認為，Dapper的跟蹤架構像是內嵌在RPC調用的樹形結構。然而，我們的核心數(shù)據模型不只局限于我們的特定的RPC框架，我們還能跟蹤其他行為，例如Gmail的SMTP會話，外界的HTTP請求，和外部對SQL服務器的查詢等。從形式上看，我們的Dapper跟蹤模型使用的樹形結構，Span以及Annotation。
在Dapper跟蹤樹結構中，樹節(jié)點是整個架構的基本單元，而每一個節(jié)點又是對span的引用。節(jié)點之間的連線表示的span和它的父span直接的關系。雖然span在日志文件中只是簡單的代表span的開始和結束時間，他們在整個樹形結構中卻是相對獨立的，任何RPC相關的時間數(shù)據、零個或多個特定應用程序的Annotation的相關內容會在2.3節(jié)中討論。
圖2：5個span在Dapper跟蹤樹種短暫的關聯(lián)關系
在圖2中說明了span在一個大的跟蹤過程中是什么樣的。Dapper記錄了span名稱，以及每個span的ID和父ID，以重建在一次追蹤過程中不同span之間的關系。如果一個span沒有父ID被稱為root span。所有span都掛在一個特定的跟蹤上，也共用一個跟蹤id（在圖中未示出）。所有這些ID用全局唯一的64位整數(shù)標示。在一個典型的Dapper跟蹤中，我們希望為每一個RPC對應到一個單一的span上，而且每一個額外的組件層都對應一個跟蹤樹型結構的層級。
圖3：在圖2中所示的一個單獨的span的細節(jié)圖
圖3給出了一個更詳細的典型的Dapper跟蹤span的記錄點的視圖。在圖2中這種某個span表述了兩個“Helper.Call”的RPC(分別為server端和client端)。span的開始時間和結束時間，以及任何RPC的時間信息都通過Dapper在RPC組件庫的植入記錄下來。如果應用程序開發(fā)者選擇在跟蹤中增加他們自己的注釋（如圖中“foo”的注釋）(業(yè)務數(shù)據)，這些信息也會和其他span信息一樣記錄下來。
記住，任何一個span可以包含來自不同的主機信息，這些也要記錄下來。事實上，每一個RPC span可以包含客戶端和服務器兩個過程的注釋，使得鏈接兩個主機的span會成為模型中所說的span。由于客戶端和服務器上的時間戳來自不同的主機，我們必須考慮到時間偏差。在我們的分析工具，我們利用了這個事實：RPC客戶端發(fā)送一個請求之后，服務器端才能接收到，對于響應也是一樣的（服務器先響應，然后客戶端才能接收到這個響應）。這樣一來，服務器端的RPC就有一個時間戳的一個上限和下限。
Dapper可以以對應用開發(fā)者近乎零浸入的成本對分布式控制路徑進行跟蹤，幾乎完全依賴于基于少量通用組件庫的改造。如下：
Dapper的跟蹤數(shù)據是獨立于語言的，很多在生產環(huán)境中的跟蹤結合了用C++和Java寫的進程的數(shù)據。在3.2節(jié)中，我們討論應用程序的透明度時我們會把這些理論的是如何實踐的進行討論。
上述植入點足夠推導出復雜的分布式系統(tǒng)的跟蹤細節(jié)，使得Dapper的核心功能在不改動Google應用的情況下可用。然而，Dapper還允許應用程序開發(fā)人員在Dapper跟蹤的過程中添加額外的信息，以監(jiān)控更高級別的系統(tǒng)行為，或幫助調試問題。我們允許用戶通過一個簡單的API定義帶時間戳的Annotation，核心的示例代碼入圖4所示。這些Annotation可以添加任意內容。為了保護Dapper的用戶意外的過分熱衷于日志的記錄，每一個跟蹤span有一個可配置的總Annotation量的上限。但是，應用程序級的Annotation是不能替代用于表示span結構的信息和記錄著RPC相關的信息。
除了簡單的文本Annotation，Dapper也支持的key-value映射的 Annotation，提供給開發(fā)人員更強的跟蹤能力，如持續(xù)的計數(shù)器，二進制消息記錄和在一個進程上跑著的任意的用戶數(shù)據。鍵值對的Annotation方式用來在分布式追蹤的上下文中定義某個特定應用程序的相關類型。
低損耗的是Dapper的一個關鍵的設計目標，因為如果這個工具價值未被證實但又對性能有影響的話，你可以理解服務運營人員為什么不愿意部署它。況且，我們想讓開發(fā)人員使用Annotation的API，而不用擔心額外的開銷。我們還發(fā)現(xiàn)，某些類型的Web服務對植入帶來的性能損耗確實非常敏感。因此，除了把Dapper的收集工作對基本組件的性能損耗限制的盡可能小之外，我們還有進一步控制損耗的辦法，那就是遇到大量請求時只記錄其中的一小部分。我們將在4.4節(jié)中討論跟蹤的采樣率方案的更多細節(jié)。
圖5：Dapper收集管道的總覽
Dapper的跟蹤記錄和收集管道的過程分為三個階段（參見圖5）。首先，span數(shù)據寫入（1）本地日志文件中。然后Dapper的守護進程和收集組件把這些數(shù)據從生產環(huán)境的主機中拉出來（2），最終寫到（3）Dapper的Bigtable倉庫中。一次跟蹤被設計成Bigtable中的一行，每一列相當于一個span。Bigtable的支持稀疏表格布局正適合這種情況，因為每一次跟蹤可以有任意多個span。跟蹤數(shù)據收集的平均延遲--即從應用中的二進制數(shù)據傳輸?shù)街醒雮}庫（Bigtable）所花費的時間--不多于15秒。The 98th percentile latency is itself bimodal over time; approximately 75% of the time, 98th percentile collection latency is less than two minutes, but the other approximately 25% of the time it can grow to be many hours。（統(tǒng)計學相關，不會翻譯）
Dapper還提供了一個API來簡化訪問我們倉庫中的跟蹤數(shù)據。 Google的開發(fā)人員用這個API，以構建通用和特定應用程序的分析工具。第5.1節(jié)包含更多如何使用它的信息。
tip1:帶外數(shù)據:傳輸層協(xié)議使用帶外數(shù)據(out-of-band，OOB)來發(fā)送一些重要的數(shù)據,如果通信一方有重要的數(shù)據需要通知對方時,協(xié)議能夠將這些數(shù)據快速地發(fā)送到對方。為了發(fā)送這些數(shù)據，協(xié)議一般不使用與普通數(shù)據相同的通道,而是使用另外的通道。
tip2:這里指的in-band策略是把跟蹤數(shù)據隨著調用鏈進行傳送，out-of-band是通過其他的鏈路進行跟蹤數(shù)據的收集，Dapper的寫日志然后進行日志采集的方式就屬于out-of-band策略
Dapper系統(tǒng)請求樹樹自身進行跟蹤記錄和收集帶外數(shù)據。這樣做是為兩個不相關的原因。首先，帶內收集方案--這里跟蹤數(shù)據會以RPC響應頭的形式被返回--會影響應用程序網絡動態(tài)。在Google里的許多規(guī)模較大的系統(tǒng)中，一次跟蹤成千上萬的span并不少見。然而，RPC回應大小--甚至是接近大型分布式的跟蹤的根節(jié)點的這種情況下-- 仍然是比較小的：通常小于10K。在這種情況下，帶內Dapper的跟蹤數(shù)據會讓應用程序數(shù)據和傾向于使用后續(xù)分析結果的數(shù)據量相形見絀。其次，帶內收集方案假定所有的RPC是完美嵌套的。我們發(fā)現(xiàn)，在所有的后端的系統(tǒng)返回的最終結果之前，有許多中間件會把結果返回給他們的調用者。帶內收集系統(tǒng)是無法解釋這種非嵌套的分布式執(zhí)行模式的。
記錄一定量的RPC有效負載信息將豐富Dapper的跟蹤能力，因為分析工具能夠在有效載荷數(shù)據（方法傳遞的參數(shù)）中找到相關的樣例，這些樣例可以解釋被監(jiān)控系統(tǒng)的為何表現(xiàn)異常。然而，有些情況下，有效載荷數(shù)據可能包含的一些不應該透露給未經授權用戶(包括正在debug的工程師)的內部信息。
由于安全和隱私問題是不可忽略的，dapper中的雖然存儲RPC方法的名稱，但在這個時候不記錄任何有效載荷數(shù)據。相反，應用程序級別的Annotation提供了一個方便的可選機制：應用程序開發(fā)人員可以在span中選擇關聯(lián)那些為以后分析提供價值的數(shù)據。
Dapper還提供了一些安全上的便利，是它的設計者事先沒有預料到的。通過跟蹤公開的安全協(xié)議參數(shù)，Dapper可以通過相應級別的認證或加密，來監(jiān)視應用程序是否滿足安全策略。例如。Dapper還可以提供信息，以基于策略的的隔離系統(tǒng)按預期執(zhí)行，例如支撐敏感數(shù)據的應用程序不與未經授權的系統(tǒng)組件進行了交互。這樣的測算提供了比源碼審核更強大的保障。
Dapper作為我們生產環(huán)境下的跟蹤系統(tǒng)已經超過兩年。在本節(jié)中，我們會匯報系統(tǒng)狀態(tài)，把重點放在Dapper如何滿足了我們的目標——無處不在的部署和應用級的透明。
也許Dapper代碼中中最關鍵的部分，就是對基礎RPC、線程控制和流程控制的組件庫的植入，其中包括span的創(chuàng)建，采樣率的設置，以及把日志寫入本地磁盤。除了做到輕量級，植入的代碼更需要穩(wěn)定和健壯，因為它與海量的應用對接，維護和bug修復變得困難。植入的核心代碼是由未超過1000行的C++和不超過800行Java代碼組成。為了支持鍵值對的Annotation還添加了額外的500行代碼。
Dapper的滲透可以總結為兩個方面：一方面是可以創(chuàng)建Dapper跟蹤的過程(與Dapper植入的組件庫相關)，和生產環(huán)境下的服務器上在運行Dapper跟蹤收集守護進程。Dapper的守護進程的分布相當于我們服務器的簡單的拓撲圖，它存在于Google幾乎所有的服務器上。這很難確定精確的Dapper-ready進程部分，因為過程即便不產生跟蹤信息Dapper也是無從知曉的。盡管如此，考慮到無處不在Dapper組件的植入庫，我們估計幾乎每一個Google的生產進程都是支持跟蹤的。
在某些情況下Dapper的是不能正確的跟蹤控制路徑的。這些通常源于使用非標準的控制流，或是Dapper的錯誤的把路徑關聯(lián)歸到不相關的事件上。Dapper提供了一個簡單的庫來幫助開發(fā)者手動控制跟蹤傳播作為一種變通方法。目前有40個C++應用程序和33個Java應用程序需要一些手動控制的追蹤傳播，不過這只是上千個的跟蹤中的一小部分。也有非常小的一部分程序使用的非組件性質的通信庫（比如原生的TCP Socket或SOAP RPC），因此不能直接支持Dapper的跟蹤。但是這些應用可以單獨接入到Dapper中，如果需要的話。
考慮到生產環(huán)境的安全，Dapper的跟蹤也可以關閉。事實上，它在部署的早起就是默認關閉的，直到我們對Dapper的穩(wěn)定性和低損耗有了足夠的信心之后才把它開啟。Dapper的團隊偶爾會執(zhí)行審查尋找跟蹤配置的變化，來看看那些服務關閉了Dapper的跟蹤。但這種情況不多見，而且通常是源于對監(jiān)控對性能消耗的擔憂。經過了對實際性能消耗的進一步調查和測量，所有這些關閉Dapper跟蹤都已經恢復開啟了，不過這些已經不重要了。
程序員傾向于使用特定應用程序的Annotation，無論是作為一種分布式調試日志文件，還是通過一些應用程序特定的功能對跟蹤進行分類。例如，所有的Bigtable的請求會把被訪問的表名也記錄到Annotation中。目前，70％的Dapper span和90％的所有Dapper跟蹤都至少有一個特殊應用的Annotation。
41個Java應用和68個C++應用中都添加自定義的Annotation為了更好地理解應用程序中的span在他們的服務中的行為。值得注意的是，迄今為止我們的Java開發(fā)者比C++開發(fā)者更多的在每一個跟蹤span上采用Annotation的API。這可能是因為我們的Java應用的作用域往往是更接近最終用戶(C++偏底層);這些類型的應用程序經常處理更廣泛的請求組合，因此具有比較復雜的控制路徑。
跟蹤系統(tǒng)的成本由兩部分組成：1.正在被監(jiān)控的系統(tǒng)在生成追蹤和收集追蹤數(shù)據的消耗導致系統(tǒng)性能下降，2。需要使用一部分資源來存儲和分析跟蹤數(shù)據。雖然你可以說一個有價值的組件植入跟蹤帶來一部分性能損耗是值得的，我們相信如果基本損耗能達到可以忽略的程度，那么對跟蹤系統(tǒng)最初的推廣會有極大的幫助。
在本節(jié)中，我們會展現(xiàn)一下三個方面：Dapper組件操作的消耗，跟蹤收集的消耗，以及Dapper對生產環(huán)境負載的影響。我們還介紹了Dapper可調節(jié)的采樣率機制如何幫我們處理低損耗和跟蹤代表性之間的平衡和取舍。
生成跟蹤的開銷是Dapper性能影響中最關鍵的部分，因為收集和分析可以更容易在緊急情況下被關閉。Dapper運行庫中最重要的跟蹤生成消耗在于創(chuàng)建和銷毀span和annotation，并記錄到本地磁盤供后續(xù)的收集。根span的創(chuàng)建和銷毀需要損耗平均204納秒的時間，而同樣的操作在其他span上需要消耗176納秒。時間上的差別主要在于需要在跟span上給這次跟蹤分配一個全局唯一的ID。
如果一個span沒有被采樣的話，那么這個額外的span下創(chuàng)建annotation的成本幾乎可以忽略不計，他由在Dapper運行期對ThreadLocal查找操作構成，這平均只消耗9納秒。如果這個span被計入采樣的話，會用一個用字符串進行標注--在圖4中有展現(xiàn)--平均需要消耗40納秒。這些數(shù)據都是在2.2GHz的x86服務器上采集的。
在Dapper運行期寫入到本地磁盤是最昂貴的操作，但是他們的可見損耗大大減少，因為寫入日志文件和操作相對于被跟蹤的應用系統(tǒng)來說都是異步的。不過，日志寫入的操作如果在大流量的情況，尤其是每一個請求都被跟蹤的情況下就會變得可以察覺到。我們記錄了在4.3節(jié)展示了一次Web搜索的負載下的性能消耗。
讀出跟蹤數(shù)據也會對正在被監(jiān)控的負載產生干擾。表1展示的是最壞情況下，Dapper收集日志的守護進程在高于實際情況的負載基準下進行測試時的cpu使用率。在生產環(huán)境下，跟蹤數(shù)據處理中，這個守護進程從來沒有超過0.3%的單核cpu使用率，而且只有很少量的內存使用（以及堆碎片的噪音）。我們還限制了Dapper守護進程為內核scheduler最低的優(yōu)先級，以防在一臺高負載的服務器上發(fā)生cpu競爭。
Dapper也是一個帶寬資源的輕量級的消費者，每一個span在我們的倉庫中傳輸只占用了平均426的byte。作為網絡行為中的極小部分，Dapper的數(shù)據收集在Google的生產環(huán)境中的只占用了0.01%的網絡資源。
表1：Dapper守護進程在負載測試時的CPU資源使用率
每個請求都會利用到大量的服務器的高吞吐量的線上服務，這是對有效跟蹤最主要的需求之一；這種情況需要生成大量的跟蹤數(shù)據，并且他們對性能的影響是最敏感的。在表2中我們用集群下的網絡搜索服務作為例子，我們通過調整采樣率，來衡量Dapper在延遲和吞吐量方面對性能的影響。
表2：網絡搜索集群中，對不同采樣率對網絡延遲和吞吐的影響。延遲和吞吐的實驗誤差分別是2.5%和0.15%。
我們看到，雖然對吞吐量的影響不是很明顯，但為了避免明顯的延遲，跟蹤的采樣還是必要的。然而，延遲和吞吐量的帶來的損失在把采樣率調整到小于1/16之后就全部在實驗誤差范圍內。在實踐中，我們發(fā)現(xiàn)即便采樣率調整到1/1024仍然是有足夠量的跟蹤數(shù)據的用來跟蹤大量的服務。保持Dapper的性能損耗基線在一個非常低的水平是很重要的，因為它為那些應用提供了一個寬松的環(huán)境使用完整的Annotation API而無懼性能損失。使用較低的采樣率還有額外的好處，可以讓持久化到硬盤中的跟蹤數(shù)據在垃圾回收機制處理之前保留更長的時間，這樣為Dapper的收集組件給了更多的靈活性。
任何給定進程的Dapper的消耗和每個進程單位時間的跟蹤的采樣率成正比。Dapper的第一個生產版本在Google內部的所有進程上使用統(tǒng)一的采樣率，為1/1024。這個簡單的方案是對我們的高吞吐量的線上服務來說是非常有用，因為那些感興趣的事件(在大吞吐量的情況下)仍然很有可能經常出現(xiàn)，并且通常足以被捕捉到。
然而，在較低的采樣率和較低的傳輸負載下可能會導致錯過重要事件，而想用較高的采樣率就需要能接受的性能損耗。對于這樣的系統(tǒng)的解決方案就是覆蓋默認的采樣率，這需要手動干預的，這種情況是我們試圖避免在dapper中出現(xiàn)的。
我們在部署可變采樣的過程中，參數(shù)化配置采樣率時，不是使用一個統(tǒng)一的采樣方案，而是使用一個采樣期望率來標識單位時間內采樣的追蹤。這樣一來，低流量低負載自動提高采樣率，而在高流量高負載的情況下會降低采樣率，使損耗一直保持在控制之下。實際使用的采樣率會隨著跟蹤本身記錄下來，這有利于從Dapper的跟蹤數(shù)據中準確的分析。
新的Dapper用戶往往覺得低采樣率--在高吞吐量的服務下經常低至0.01％--將會不利于他們的分析。我們在Google的經驗使我們相信，對于高吞吐量服務，積極采樣(aggressive sampling)并不妨礙最重要的分析。如果一個顯著的操作在系統(tǒng)中出現(xiàn)一次，他就會出現(xiàn)上千次。低吞吐量的服務--也許是每秒請求幾十次，而不是幾十萬--可以負擔得起跟蹤每一個請求，這是促使我們下決心使用自適應采樣率的原因。
上述采樣機制被設計為盡量減少與Dapper運行庫協(xié)作的應用程序中明顯的性能損耗。Dapper的團隊還需要控制寫入中央資料庫的數(shù)據的總規(guī)模，因此為達到這個目的，我們結合了二級采樣。
目前我們的生產集群每天產生超過1TB的采樣跟蹤數(shù)據。Dapper的用戶希望生產環(huán)境下的進程的跟蹤數(shù)據從被記錄之后能保存至少兩周的時間。逐漸增長的追蹤數(shù)據的密度必須和Dapper中央倉庫所消耗的服務器及硬盤存儲進行權衡。對請求的高采樣率還使得Dapper收集器接近寫入吞吐量的上限。
為了維持物質資源的需求和漸增的Bigtable的吞吐之間的靈活性，我們在收集系統(tǒng)自身上增加了額外的采樣率的支持。我們充分利用所有span都來自一個特定的跟蹤并分享同一個跟蹤ID這個事實，雖然這些span有可能橫跨了數(shù)千個主機。對于在收集系統(tǒng)中的每一個span，我們用hash算法把跟蹤ID轉成一個標量Z，這里0<=Z<=1。如果Z比我們收集系統(tǒng)中的系數(shù)低的話，我們就保留這個span信息，并寫入到Bigtable中。反之，我們就拋棄他。通過在采樣決策中的跟蹤ID，我們要么保存、要么拋棄整個跟蹤，而不是單獨處理跟蹤內的span。我們發(fā)現(xiàn)，有了這個額外的配置參數(shù)使管理我們的收集管道變得簡單多了，因為我們可以很容易地在配置文件中調整我們的全局寫入率這個參數(shù)。
如果整個跟蹤過程和收集系統(tǒng)只使用一個采樣率參數(shù)確實會簡單一些，但是這就不能應對快速調整在所有部署的節(jié)點上的運行期采樣率配置的這個要求。我們選擇了運行期采樣率，這樣就可以優(yōu)雅的去掉我們無法寫入到倉庫中的多余數(shù)據，我們還可以通過調節(jié)收集系統(tǒng)中的二級采樣率系數(shù)來調整這個運行期采樣率。Dapper的管道維護變得更容易，因為我們就可以通過修改我們的二級采樣率的配置，直接增加或減少我們的全局覆蓋率和寫入速度。
幾年前，當Dapper還只是個原型的時候，它只能在Dapper開發(fā)者耐心的支持下使用。從那時起，我們逐漸迭代的建立了收集組件，編程接口，和基于Web的交互式用戶界面，幫助Dapper的用戶獨立解決自己的問題。在本節(jié)中，我們會總結一下哪些的方法有用，哪些用處不大，我們還提供關于這些通用的分析工具的基本的使用信息。
Dapper的“Depot API”或稱作DAPI，提供在Dapper的區(qū)域倉庫中對分布式跟蹤數(shù)據一個直接訪問。DAPI和Dapper跟蹤倉庫被設計成串聯(lián)的，而且DAPI意味著對Dapper倉庫中的元數(shù)據暴露一個干凈和直觀的的接口。我們使用了以下推薦的三種方式去暴露這樣的接口：
所有這三種訪問模式把用戶指向不同的Dapper跟蹤記錄。正如第2.1節(jié)所述的，Dapper的由span組成的跟蹤數(shù)據是用樹形結構建模的，因此，跟蹤數(shù)據的數(shù)據結構，也是一個簡單的由span組成遍歷樹。Span就相當于RPC調用，在這種情況下，RPC的時間信息是可用的。帶時間戳的特殊的應用標注也是可以通過這個span結構來訪問的。
選擇一個合適的自定義索引是DAPI設計中最具挑戰(zhàn)性的部分。壓縮存儲要求在跟蹤數(shù)據種建立一個索引的情況只比實際數(shù)據小26%，所以消耗是巨大的。最初，我們部署了兩個索引：第一個是主機索引，另一個是服務名的索引。然而，我們并沒有找到主機索引和存儲成本之間的利害關系。當用戶對每一臺主機感興趣的時候，他們也會對特定的服務感興趣，所以我們最終選擇把兩者相結合，成為一個組合索引，它允許以服務名稱，主機，和時間戳的順序進行有效的查找。
DAPI在谷歌的使用有三類：使利用DAPI的持續(xù)的線上Web應用，維護良好的可以在控制臺上調用的基于DAPI的工具，可以被寫入，運行、不過大部分已經被忘記了的一次性分析工具。我們知道的有3個持久性的基于DAPI的應用程序，8個額外的按需定制的基于DAPI分析工具，以及使用DAPI框架構建的約15~20一次性的分析工具。在這之后的工具就這是很難說明了，因為開發(fā)者可以構建、運行和丟棄這些項目，而不需要Dapper團隊的技術支持。
絕大多數(shù)用戶使用發(fā)生在基于web的用戶交互接口。篇幅有限，我們不能列出每一個特點，而只能把典型的用戶工作流在圖6中展示。
圖6
為了讓用戶查詢實時數(shù)據，Dapper的用戶界面能夠直接與Dapper每一臺生產環(huán)境下的服務器上的守護進程進行交互。在該模式下，不可能指望能看到上面所說的系統(tǒng)級的圖表展示，但仍然可以很容易基于性能和網絡特性選取一個特定的跟蹤。在這種模式下，可在幾秒鐘內查到實時的數(shù)據。
根據我們的記錄，大約有200個不同的Google工程師在一天內使用的Dapper的UI;在一周的過程中，大約有750-1000不同的用戶。這些用戶數(shù)，在新功能的內部通告上，是按月連續(xù)的。通常用戶會發(fā)送特定跟蹤的連接，這將不可避免地在查詢跟蹤情況時中產生很多一次性的，持續(xù)時間較短的交互。
Dapper在Google被廣泛應用，一部分直接通過Dapper的用戶界面，另一部分間接地通過對Dapper API的二次開發(fā)或者建立在基于api的應用上。在本節(jié)中，我們并不打算羅列出每一種已知的Dapper使用方式，而是試圖覆蓋Dapper使用方式的“基本向量”，并努力來說明什么樣的應用是最成功的。
Google AdWords系統(tǒng)是圍繞一個大型的關鍵詞定位準則和相關文字廣告的數(shù)據庫搭建的。當新的關鍵字或廣告被插入或修改時，它們必須通過服務策略術語的檢查（如檢查不恰當?shù)恼Z言，這個過程如果使用自動復查系統(tǒng)來做的話會更加有效）。
當輪到從頭重新設計一個廣告審查服務時，這個團隊迭代的從第一個系統(tǒng)原型開始使用Dapper，并且，最終用Dapper一直維護著他們的系統(tǒng)。Dapper幫助他們從以下幾個方面改進了他們的服務：
廣告審查團隊廣泛使用了Dapper Annotation API。Guice[13]開源的AOP框架用來在重要的軟件組件上標注“@Traced”。這些跟蹤信息可以進一步被標注，包含：重要子路徑的輸入輸出大小、基礎信息、其他調試信息，所有這些信息將會額外發(fā)送到日志文件中。
同時，我們也發(fā)現(xiàn)了一些廣告審查小組在使用方面的不足。比如：他們想根據他們所有跟蹤的Annotation信息，在一個交互時間段內進行搜索，然而這就必須跑一個自定義的MapReduce或進行每一個跟蹤的手動檢查。另外，在Google還有一些其他的系統(tǒng)在也從通用調試日志中收集和集中信息，把那些系統(tǒng)的海量數(shù)據和Dapper倉庫整合也是有價值的。
總的來說，即便如此，廣告審查團隊仍然對Dapper的作用進行了以下評估，通過使用Dapper的跟蹤平臺的數(shù)據分析，他們的服務延遲性已經優(yōu)化了兩個數(shù)量級。
Google維護了一個從運行進程中不斷收集并集中異常信息報告的服務。如果這些異常發(fā)生在Dapper跟蹤采樣的上下文中，那么相應的跟蹤ID和span的ID也會作為元數(shù)據記錄在異常報告中。異常監(jiān)測服務的前端會提供一個鏈接，從特定的異常信息的報告直接導向到他們各自的分布式跟蹤。廣告審查團隊使用這個功能可以了解bug發(fā)生的更大范圍的上下文。通過暴露基于簡單的唯一ID構建的接口，Dapper平臺被集成到其他事件監(jiān)測系統(tǒng)會相對容易。
考慮到移動部件的數(shù)量、代碼庫的規(guī)模、部署的范圍，調試一個像全文搜索那樣服務（第1節(jié)里提到過）是非常具有挑戰(zhàn)性的。在這節(jié)，我們描述了我們在減輕全文搜索的延遲分布的長尾效應上做的各種努力。Dapper能夠驗證端到端的延遲的假設，更具體地說，Dapper能夠驗證對于搜索請求的關鍵路徑。當一個系統(tǒng)不僅涉及數(shù)個子系統(tǒng)，而是幾十個開發(fā)團隊的涉及到的系統(tǒng)的情況下，端到端性能較差的根本原因到底在哪，這個問題即使是我們最好的和最有經驗的工程師也無法正確回答。在這種情況下，Dapper可以提供急需的數(shù)據，而且可以對許多重要的性能問題得出結論。
圖7：全局搜索的跟蹤片段，在不常遇到高網絡延遲的情況下，在沿著關鍵路徑的端到端的請求延遲，如圖所示。
在調試延遲長尾效應的過程中，工程師可以建立一個小型庫，這個小型庫可以根據DAPI跟蹤對象來推斷關鍵路徑的層級結構。這些關鍵路徑的結構可以被用來診斷問題，并且為全文搜索提供可優(yōu)先處理的預期的性能改進。Dapper的這項工作導致了下列發(fā)現(xiàn)：
在任何給定的時間內，Google內部的一個典型的計算集群是一個匯集了成千上萬個邏輯“任務”的主機，一套的處理器在執(zhí)行一個通用的方法。Google維護著許多這樣的集群，當然，事實上，我們發(fā)現(xiàn)在一個集群上計算著的這些任務通常依賴于其他的集群上的任務。由于任務們之間的依賴是動態(tài)改變的，所以不可能僅從配置信息上推斷出所有這些服務之間的依賴關系。不過，除了其他方面的原因之外，在公司內部的各個流程需要準確的服務依賴關系信息，以確定瓶頸所在，以及計劃服務的遷移。Google的可稱為“Service Dependencies”的項目是通過使用跟蹤Annotation和DAPI MapReduce接口來實現(xiàn)自動化確定服務依賴歸屬的。
Dapper核心組件與Dapper跟蹤Annotation一并使用的情況下，“Service Dependencies”項目能夠推算出任務各自之間的依賴，以及任務和其他軟件組件之間的依賴。比如，所有的BigTable的操作會加上與受影響的表名稱相關的標記。運用Dapper的平臺，Service Dependencies團隊就可以自動的推算出依賴于命名的不同資源的服務粒度。
Google投入了大量的人力和物力資源在他的網絡結構上。從前網絡管理員可能只關注獨立的硬件信息、常用工具及以及搭建出的各種全局網絡鳥瞰圖的dashboard上的信息。網絡管理員確實可以一覽整個網絡的健康狀況，但是，當遇到問題時，他們很少有能夠準確查找網絡負載的工具，用來定位應用程序級別的罪魁禍首。
雖然Dapper不是設計用來做鏈路級的監(jiān)控的，但是我們發(fā)現(xiàn)，它是非常適合去做集群之間網絡活動性的應用級任務的分析。Google能夠利用Dapper這個平臺，建立一個不斷更新的控制臺，來顯示集群之間最活躍的網絡流量的應用級的熱點。此外，使用Dapper我們能夠為昂貴的網絡請求提供指出的構成原因的跟蹤，而不是面對不同服務器之間的信息孤島而無所適從。建立一個基于Dapper API的dashboard總共沒花超過2周的時間。
在Google的許多存儲系統(tǒng)是由多重獨立復雜層級的分布式基礎設備組成的。例如，Google的App Engine[5]就是搭建在一個可擴展的實體存儲系統(tǒng)上的。該實體存儲系統(tǒng)在基于BigTable上公開某些RDBMS功能。 BigTable的同時使用Chubby[7]（分布式鎖系統(tǒng)）及GFS。再者，像BigTable這樣的系統(tǒng)簡化了部署，并更好的利用了計算資源。
在這種分層的系統(tǒng)，并不總是很容易確定最終用戶資源的消費模式。例如，來自于一個給定的BigTable單元格的GFS大信息量主要來自于一個用戶或是由多個用戶產生，但是在GFS層面，這兩種明顯的使用場景是很難界定。而且，如果缺乏一個像Dapper一樣的工具的情況下，對共享服務的競爭可能會同樣難于調試。
第5.2節(jié)中所示的Dapper的用戶界面可以聚合那些調用任意公共服務的多個客戶端的跟蹤的性能信息。這就很容易讓提供這些服務的源從多個維度給他們的用戶排名。（例如，入站的網絡負載，出站的網絡負載，或服務請求的總時間）
對于一些“救火”任務，Dapper可以處理其中的一部分?！熬然稹比蝿赵谶@里是指一些有風險很高的在分布式系統(tǒng)上的操作。通常情況下，Dapper用戶當正在進行“救火”任務時需要使用新的數(shù)據，并且沒有時間寫新的DAPI代碼或等待周期性的報告運行。
對于那些高延遲，不，可能更糟糕的那些在正常負載下都會響應超時的服務，Dapper用戶界面通常會把這些延遲瓶頸的位置隔離出來。通過與Dapper守護進程的直接通信，那些特定的高延遲的跟蹤數(shù)據輕易的收集到。當出現(xiàn)災難性故障時，通常是沒有必要去看統(tǒng)計數(shù)據以確定根本原因，只查看示例跟蹤就足夠了(因為前文提到過從Dapper守護進程中幾乎可以立即獲得跟蹤數(shù)據)。
但是，如在6.5節(jié)中描述的共享的存儲服務，要求當用戶活動過程中突然中斷時能盡可能快的匯總信息。對于事件發(fā)生之后，共享服務仍然可以利用匯總的的Dapper數(shù)據，但是，除非收集到的Dapper數(shù)據的批量分析能在問題出現(xiàn)10分鐘之內完成，否則Dapper面對與共享存儲服務相關的“救火”任務就很難按預想的那般順利完成。
雖然迄今為止，我們在Dapper上的經驗已經大致符合我們的預期，但是也出現(xiàn)了一些積極的方面是我們沒有充分預料到的。首先，我們獲得了超出預期的Dapper使用用例的數(shù)量，對此我們可謂歡心鼓舞。另外，在除了幾個的在第6節(jié)使用經驗中提到過的一些用例之外，還包括資源核算系統(tǒng)，對指定的通訊模式敏感的服務的檢查工具，以及一種對RPC壓縮策略的分析器，等等。我們認為這些意想不到的用例一定程度上是由于我們向開發(fā)者以一種簡單的編程接口的方式開放了跟蹤數(shù)據存儲的緣故，這使得我們能夠充分利用這個大的多的社區(qū)的創(chuàng)造力。除此之外，Dapper對舊的負載的支持也比預期的要簡單，只需要在程序中引入一個用新版本的重新編譯過的公共組件庫(包含常規(guī)的線程使用，控制流和RPC框架)即可。
Dapper在Google內部的廣泛使用還為我們在Dapper的局限性上提供了寶貴的反饋意見。下面我們將介紹一些我們已知的最重要的Dapper的不足：
在分布式系統(tǒng)跟蹤領域，有一套完整的體系，一部分系統(tǒng)主要關注定位到故障位置，其他的目標是針對性能進行優(yōu)化。 Dapper確實被用于發(fā)現(xiàn)系統(tǒng)問題，但它更通常用于探查性能不足，以及提高全面大規(guī)模的工作負載下的系統(tǒng)行為的理解。
與Dapper相關的黑盒監(jiān)控系統(tǒng)，比如Project5[1]，WAP5[15]和Sherlock[2]，可以說不依賴運行庫的情況下，黑盒監(jiān)控系統(tǒng)能夠實現(xiàn)更高的應用級透明。黑盒的缺點是一定程度上不夠精確，并可能在統(tǒng)計推斷關鍵路徑時帶來更大的系統(tǒng)損耗。
對于分布式系統(tǒng)監(jiān)控來說，基于Annotation的中間件或應用自身是一個可能是更受歡迎的解決辦法.拿Pip[14]和Webmon[16]系統(tǒng)舉例，他們更依賴于應用級的Annotation，而X-Trace[12]，Pinpoint[9]和Magpie[3]大多集中在對庫和中間件的修改。Dapper更接近后者。像Pinpoint，X-Trace，和早期版本的Magpie一樣，Dapper采用了全局標識符把分布式系統(tǒng)中各部分相關的事件聯(lián)系在一起。和這些系統(tǒng)類似，Dapper嘗試避免使用應用級Annotation，而是把的植入隱藏在通用組件模塊內。Magpie放棄使用全局ID，仍然試圖正確的完成請求的正確傳播，他通過采用應用系統(tǒng)各自寫入的事件策略，最終也能精確描述不同事件之間關系。但是目前還不清楚Magpie在實際環(huán)境中實現(xiàn)透明性這些策略到底多么有效。 X-Trace的核心Annotation比Dapper更有野心一些，因為X-Trace系統(tǒng)對于跟蹤的收集，不僅在跟蹤節(jié)點層面上，而且在節(jié)點內部不同的軟件層也會進行跟蹤。而我們對于組件的低性能損耗的要求迫使我們不能采用X-Trace這樣的模型，而是朝著把一個請求連接起來完整跟蹤所能做到的最小代價而努力。而Dapper的跟蹤仍然可以從可選的應用級Annotation中獲益。
在本文中，我們介紹Dapper這個Google的生產環(huán)境下的分布式系統(tǒng)跟蹤平臺，并匯報了我們開發(fā)和使用它的相關經驗。 Dapper幾乎在部署在所有的Google系統(tǒng)上，并可以在不需要應用級修改的情況下進行跟蹤，而且沒有明顯的性能影響。Dapper對于開發(fā)人員和運維團隊帶來的好處，可以從我們主要的跟蹤用戶界面的廣泛使用上看出來，另外我們還列舉了一些Dapper的使用用例來說明Dapper的作用，這些用例有些甚至都沒有Dapper開發(fā)團隊參與，而是被應用的開發(fā)者開發(fā)出來的。
據我們所知，這是第一篇匯報生產環(huán)境下分布式系統(tǒng)跟蹤框架的論文。事實上，我們的主要貢獻源于這個事實：論文中回顧的這個系統(tǒng)已經運行兩年之久。我們發(fā)現(xiàn)，結合對開發(fā)人員提供簡單API和對應用系統(tǒng)完全透明來增強跟蹤的這個決定，是非常值得的。
我們相信，Dapper比以前的基于Annotation的分布式跟蹤達到更高的應用透明度，這一點已經通過只需要少量人工干預的工作量得以證明。雖然一定程度上得益于我們的系統(tǒng)的同質性，但它本身仍然是一個重大的挑戰(zhàn)。最重要的是，我們的設計提出了一些實現(xiàn)應用級透明性的充分條件，對此我們希望能夠對更錯雜環(huán)境下的解決方案的開發(fā)有所幫助。
最后，通過開放Dapper跟蹤倉庫給內部開發(fā)者，我們促使更多的基于跟蹤倉庫的分析工具的產生，而僅僅由Dapper團隊默默的在信息孤島中埋頭苦干的結果遠達不到現(xiàn)在這么大的規(guī)模，這個決定促使了設計和實施的展開。
We thank Mahesh Palekar, Cliff Biffle, Thomas Kotzmann, Kevin Gibbs, Yonatan Zunger, Michael Kleber, and Toby Smith for their experimental data and feedback about Dapper experiences. We also thank Silvius Rus for his assistance with load testing. Most importantly, though, we thank the outstanding team of engineers who have continued to develop and improve Dapper over the years; in order of appearance, Sharon Perl, Dick Sites, Rob von Behren, Tony DeWitt, Don Pazel, Ofer Zajicek, Anthony Zana, Hyang-Ah Kim, Joshua MacDonald, Dan Sturman, Glenn Willen, Alex Kehlenbeck, Brian McBarron, Michael Kleber, Chris Povirk, Bradley White, Toby Smith, Todd Derr, Michael De Rosa, and Athicha Muthitacharoen. They have all done a tremendous amount of work to make Dapper a day-to-day reality at Google.
[1] M. K. Aguilera, J. C. Mogul, J. L. Wiener, P. Reynolds, and A. Muthitacharoen. Performance Debugging for Distributed Systems of Black Boxes. In Proceedings of the 19th ACM Symposium on Operating Systems Principles, December 2003.
[2] P. Bahl, R. Chandra, A. Greenberg, S. Kandula, D. A. Maltz, and M. Zhang. Towards Highly Reliable Enterprise Network Services Via Inference of Multi-level Dependencies. In Proceedings of SIGCOMM, 2007.
[3] P. Barham, R. Isaacs, R. Mortier, and D. Narayanan. Magpie: online modelling and performance-aware systems. In Proceedings of USENIX HotOS IX, 2003.
[4] L. A. Barroso, J. Dean, and U. Holzle. Web Search for a Planet: The Google Cluster Architecture. IEEE Micro, 23(2):22–28, March/April 2003.
[5] T. O. G. Blog. Developers, start your engines. http://googleblog.blogspot.com/2008/04/developers-start-your-engines.html,2007.
[6] T. O. G. Blog. Universal search: The best answer is still the best answer. http://googleblog.blogspot.com/2007/05/universal-search-best-answer-is-still.html, 2007.
[7] M. Burrows. The Chubby lock service for loosely-coupled distributed systems. In Proceedings of the 7th USENIX Symposium on Operating Systems Design and Implementation, pages 335 – 350, 2006.
[8] F. Chang, J. Dean, S. Ghemawat, W. C. Hsieh, D. A. Wallach, M. Burrows, T. Chandra, A. Fikes, and R. E. Gruber. Bigtable: A Distributed Storage System for Structured Data. In Proceedings of the 7th USENIX Symposium on Operating Systems Design and Implementation (OSDI’06), November 2006.
[9] M. Y. Chen, E. Kiciman, E. Fratkin, A. fox, and E. Brewer. Pinpoint: Problem Determination in Large, Dynamic Internet Services. In Proceedings of ACM International Conference on Dependable Systems and Networks, 2002.
[10] J. Dean and S. Ghemawat. MapReduce: Simplified Data Processing on Large Clusters. In Proceedings of the 6th USENIX Symposium on Operating Systems Design and Implementation (OSDI’04), pages 137 – 150, December 2004.
[11] J. Dean, J. E. Hicks, C. A. Waldspurger, W. E. Weihl, and G. Chrysos. ProfileMe: Hardware Support for Instruction-Level Profiling on Out-of-Order Processors. In Proceedings of the IEEE/ACM International Symposium on Microarchitecture, 1997.
[12] R. Fonseca, G. Porter, R. H. Katz, S. Shenker, and I. Stoica. X-Trace: A Pervasive Network Tracing Framework. In Proceedings of USENIX NSDI, 2007.
[13] B. Lee and K. Bourrillion. The Guice Project Home Page. http://code.google.com/p/google-guice/, 2007.
[14] P. Reynolds, C. Killian, J. L. Wiener, J. C. Mogul, M. A. Shah, and A. Vahdat. Pip: Detecting the Unexpected in Distributed Systems. In Proceedings of USENIX NSDI, 2006.
[15] P. Reynolds, J. L. Wiener, J. C. Mogul, M. K. Aguilera, and A. Vahdat. WAP5: Black Box Performance Debugging for Wide-Area Systems. In Proceedings of the 15th International World Wide Web Conference, 2006.
[16] P. K. G. T. Gschwind, K. Eshghi and K. Wurster. WebMon: A Performance Profiler for Web Transactions. In E-Commerce Workshop, 2002.
