第一章：eBPF与Go分词性能观测的技术背景与价值定位
现代中文信息处理系统普遍依赖高性能分词引擎，而Go语言因其并发模型与编译效率成为主流实现语言之一。然而，在高吞吐场景（如实时搜索、日志解析、NLP预处理流水线）下，分词函数的CPU热点、内存分配模式及锁竞争行为常难以通过传统pprof或perf简单定位——尤其当性能瓶颈隐匿于系统调用边界、GC交互或内核调度延迟中时。
eBPF提供了一种安全、低开销的内核态可观测能力，可在不修改应用代码、不重启服务的前提下，动态注入观测逻辑。结合Go运行时公开的/proc/<pid>/maps与/sys/kernel/debug/tracing/events/go/（需启用go_bpf支持），可精准捕获goroutine调度事件、GC触发点、以及关键分词函数（如github.com/go-ego/gse.(*Segmenter).Seg）的进入/退出耗时。
eBPF观测的独特优势
- 零侵入性：无需在分词库中添加埋点或重新编译
- 跨栈可见性：同时覆盖用户态Go函数调用链与内核态页分配、上下文切换
- 高精度计时：基于
bpf_ktime_get_ns()实现纳秒级时间戳，规避golangtime.Now()的系统调用开销
Go分词性能的关键观测维度
- 每次
Seg()调用的P99延迟分布（含GC暂停影响） - 分词过程中
runtime.mallocgc调用频次与分配大小直方图 - goroutine在
Grunnable→Grunning状态迁移的等待时长（反映调度器压力）
以下为启用Go运行时eBPF事件的最小验证步骤：
# 1. 确保内核启用go_bpf（Linux 6.2+）且Go程序以-gcflags="all=-l"编译（禁用内联便于符号识别）
# 2. 加载eBPF程序捕获go:scheduler:go_start
sudo bpftool prog load ./go_sched.o /sys/fs/bpf/go_sched type tracepoint
sudo bpftool prog attach pinned /sys/fs/bpf/go_sched tracepoint \
/sys/kernel/debug/tracing/events/go/scheduler/go_start
# 3. 使用bpftool map dump查看实时goroutine调度延迟数据
sudo bpftool map dump pinned /sys/fs/bpf/go_sched_delay 该机制使分词服务的性能分析从“黑盒采样”升级为“白盒追踪”，为优化决策提供确定性依据。
第二章：Go分词引擎核心策略解析与可观测性缺口识别
2.1 分词函数调用链路建模：从AST分析到运行时栈追踪
分词函数的调用链路需横跨编译期与运行时两个维度，形成可观测、可追溯的完整路径。
AST 中的分词节点识别
Python 的 ast.parse() 可提取 ast.Call 节点，定位 jieba.cut() 或 tokenizer.tokenize() 调用：
import ast
class TokenizerCallVisitor(ast.NodeVisitor):
def visit_Call(self, node):
if (isinstance(node.func, ast.Attribute) and
node.func.attr == 'cut' and
isinstance(node.func.value, ast.Name) and
node.func.value.id == 'jieba'):
print(f"AST detected jieba.cut at line {node.lineno}")
self.generic_visit(node)该访客遍历抽象语法树，通过 node.func.attr 和 node.func.value.id 精确匹配分词入口；lineno 提供源码定位锚点，支撑静态链路构建。
运行时栈帧注入
借助 sys.setprofile() 捕获实际执行路径：
| 阶段 | 触发条件 | 输出信息 |
|---|---|---|
| 编译期 | ast.parse() |
调用位置、参数字面量 |
| 运行时 | sys.setprofile() |
实际入参、嵌套深度、耗时 |
全链路建模流程
graph TD
A[源码] --> B[ast.parse]
B --> C{是否含分词调用？}
C -->|是| D[记录AST节点]
C -->|否| E[跳过]
F[运行时] --> G[sys.setprofile]
G --> H[捕获call事件]
H --> I[关联AST lineno]
D --> J[链路融合]
I --> J2.2 词典加载与缓存策略的IO路径剖析：mmap vs read+buffer vs mmap+pagefault
词典文件（如 dict.bin）的加载效率直接影响NLP服务首字响应延迟。三种主流IO路径在内存映射粒度、预热成本与缺页开销上存在本质差异。
mmap：零拷贝但惰性触发
int fd = open("dict.bin", O_RDONLY);
void *addr = mmap(NULL, size, PROT_READ, MAP_PRIVATE, fd, 0);
// addr 可立即访问，但实际页未加载——仅建立VMA，首次访问触发page fault逻辑分析：mmap() 仅注册虚拟内存区域（VMA），不读磁盘；size 需对齐 getpagesize()；MAP_PRIVATE 保证写时复制隔离。
read+buffer：可控预热，确定性开销
- 分块读取（如 64KB/次）
- 显式
posix_fadvise(fd, 0, 0, POSIX_FADV_WILLNEED)提示内核预读 - 内存由应用分配，无缺页中断抖动
性能对比（1GB词典，SSD）
| 策略 | 首次访问延迟 | 内存占用 | 预热可控性 |
|---|---|---|---|
| mmap | 高（page fault链） | 低（仅VMA） | ❌ |
| read+buffer | 低（预读完成） | 高（全驻留） | ✅ |
| mmap+pagefault | 中（可madvise优化） | 中（按需） | ⚠️（需手动触发） |
graph TD
A[加载请求] --> B{策略选择}
B -->|mmap| C[建立VMA→首次访问触发page fault→磁盘I/O]
B -->|read+buffer| D[同步读入用户buffer→立即可用]
B -->|mmap+madvice| E[预设MADV_WILLNEED→内核异步预读→减少后续fault]2.3 并发分词场景下的goroutine调度干扰实测（pprof vs eBPF tracepoint对比）
在高并发中文分词服务中，runtime.gosched() 频繁调用导致调度器抖动。我们部署了两种观测路径：
- pprof CPU profile：采样间隔 10ms，仅捕获用户态栈，丢失调度点上下文
- eBPF tracepoint
sched:sched_switch：内核级零丢失追踪，关联goid与pid/tid
数据同步机制
使用 perf_event_open + BPF map 实时聚合 goroutine 迁移频次：
// bpf_trace.c（精简）
SEC("tracepoint/sched/sched_switch")
int trace_sched_switch(struct trace_event_raw_sched_switch *ctx) {
u64 goid = get_goid_from_stack(ctx->next_comm); // 通过 comm 字符串反查 runtime.g
u64 *cnt = bpf_map_lookup_elem(&mig_count, &goid);
if (cnt) (*cnt)++;
return 0;
}逻辑说明：
next_comm含go#前缀进程名，需结合/proc/pid/cmdline反向映射 goroutine ID；mig_count是BPF_MAP_TYPE_HASH，键为u64 goid，值为迁移次数。
观测结果对比
| 指标 | pprof | eBPF tracepoint |
|---|---|---|
| 调度事件捕获率 | ~68% | 100% |
| goroutine 级别归属 | 不可分辨 | 精确到 goid |
| 采样开销（QPS=5k） | +12% CPU | +2.3% CPU |
调度干扰根因链
graph TD
A[分词协程阻塞 syscall] --> B[主动 Gosched]
B --> C[调度器选择新 P]
C --> D[跨 NUMA 节点迁移]
D --> E[LLC cache miss ↑ 40%]2.4 正则分词器与Trie树分词器的CPU指令级毛刺特征提取（eBPF perf_event + BTF符号解析）
在高吞吐NLP流水线中，分词器的微秒级延迟毛刺常源于分支预测失败或缓存行争用。我们利用 perf_event 的 PERF_TYPE_HARDWARE 接口捕获 PERF_COUNT_HW_INSTRUCTIONS 与 PERF_COUNT_HW_BRANCH_MISSES，结合BTF解析获取正则引擎（如RE2）与Trie遍历函数的精确符号边界。
毛刺关联定位流程
// eBPF程序片段：在re2::RE2::Match()入口处采样寄存器状态
SEC("perf_event")
int trace_misbranch(struct bpf_perf_event_data *ctx) {
u64 ip = ctx->sample_ip; // 获取触发采样的指令地址
if (!bpf_core_read(&func_name, sizeof(func_name),
(void*)ip - 8)) // 向前回溯8字节定位函数名符号
return 0;
bpf_perf_event_output(ctx, &events, BPF_F_CURRENT_CPU, &ip, sizeof(ip));
return 0;
}该eBPF程序在每次分支误预测中断时捕获指令指针，并通过BTF的btf_find_by_name_kind()动态映射至源码函数，避免硬编码偏移。
特征对比维度
| 特征项 | 正则分词器（RE2） | Trie树分词器 |
|---|---|---|
| 典型毛刺位置 | 回溯循环内跳转 | 字符查表访存 |
| L1d缓存未命中率 | > 18% | |
| 分支误预测率 | 12.7% | 3.1% |
graph TD A[perf_event_open] –> B[PERF_COUNT_HW_BRANCH_MISSES] B –> C{BTF符号解析} C –> D[re2::Prog::SearchLoop] C –> E[trie_node_t::next[]访存路径] D & E –> F[指令地址→源码行号映射]
2.5 分词结果一致性校验框架设计：基于eBPF kprobe拦截的输入-输出黄金路径染色
为保障NLP服务在内核态调度中分词结果的端到端一致性，本框架在do_syscall_64入口与sys_write返回点部署kprobe，对同一请求上下文注入唯一trace_id，实现跨模块染色追踪。
核心染色机制
trace_id由用户空间通过perf_event_open传递，经bpf_get_current_pid_tgid()绑定至task_struct；- 所有分词调用栈（含
libmmseg.so符号）通过bpf_kprobe_multi动态挂载，避免硬编码偏移。
eBPF校验逻辑示例
SEC("kprobe/do_syscall_64")
int BPF_KPROBE(trace_entry, unsigned long nr, struct pt_regs *regs) {
u64 pid_tgid = bpf_get_current_pid_tgid();
u32 trace_id = (u32)(pid_tgid >> 32); // 高32位复用为trace_id
bpf_map_update_elem(&trace_map, &pid_tgid, &trace_id, BPF_ANY);
return 0;
}该代码在系统调用入口提取PID-TGID，将高32位作为轻量级trace_id写入哈希映射，供后续kretprobe读取比对。BPF_ANY确保并发安全覆盖，避免重复插入失败。
黄金路径验证流程
graph TD
A[用户进程发起分词请求] --> B[kprobe@do_syscall_64染色]
B --> C[分词引擎执行]
C --> D[kretprobe@sys_write校验输出长度/哈希]
D --> E[对比trace_map中原始输入指纹]第三章：eBPF观测探针的设计与Go运行时协同机制
3.1 Go 1.21+ runtime/trace与eBPF ringbuf的双通道事件对齐方案
为解决Go运行时事件与内核侧eBPF追踪事件的时间漂移与顺序错位问题，Go 1.21起支持runtime/trace与eBPF ringbuf双通道协同采样。
数据同步机制
采用单调时钟（CLOCK_MONOTONIC）统一时间基线，并通过共享traceClockSync结构体实现纳秒级对齐：
// traceClockSync 定义于 runtime/trace/trace.go
type traceClockSync struct {
goNs uint64 // Go runtime 纳秒时间戳（基于 monotonic clock）
bpfNs uint64 // eBPF ringbuf 写入时读取的 ktime_get_ns()
delta int64 // bpfNs - goNs，用于后续事件时间校正
}该结构在进程启动时由runtime/trace初始化一次，并通过bpf_map_update_elem()写入eBPF侧全局map，供所有ringbuf事件消费。
对齐流程
graph TD
A[Go runtime 启动] --> B[读取 CLOCK_MONOTONIC → goNs]
B --> C[eBPF 加载时读取 ktime_get_ns() → bpfNs]
C --> D[计算 delta = bpfNs - goNs]
D --> E[写入 sync_map]
E --> F[所有 ringbuf 事件用 delta 校正时间戳]关键参数说明
| 字段 | 类型 | 作用 |
|---|---|---|
goNs |
uint64 |
Go侧高精度单调时间起点 |
bpfNs |
uint64 |
eBPF侧对应时刻内核纳秒时间 |
delta |
int64 |
单次对齐偏移量，误差 |
3.2 GC STW期间分词延迟归因：通过bpf_get_current_task()关联GMP状态机
在Go运行时GC的STW阶段，分词服务常出现毫秒级延迟尖刺。根源在于goroutine调度器（GMP）状态与内核任务视图脱节。
关键钩子：内核态获取GMP上下文
// BPF程序片段：在memcg_charge路径中捕获当前goroutine ID
struct task_struct *task = (struct task_struct *)bpf_get_current_task();
u64 goid = 0;
bpf_probe_read_kernel(&goid, sizeof(goid), &task->group_leader->pid);
// 注意：实际需解析G结构体偏移（依赖Go版本符号）bpf_get_current_task()返回内核task_struct指针；group_leader->pid在Go 1.21+中近似对应G.goid（需结合runtime.g符号校准），实现跨运行时/内核边界的状态对齐。
GMP状态映射表
| 内核task_state | Go G.status | 含义 |
|---|---|---|
| TASK_RUNNING | _Grunnable | 可被M抢占调度 |
| TASK_INTERRUPTIBLE | _Gwaiting | 等待channel/IO |
| TASK_UNINTERRUPTIBLE | _Gsyscall | 执行系统调用中 |
延迟归因流程
graph TD
A[STW触发] --> B[bpf_tracepoint: mem_cgroup_charge]
B --> C{bpf_get_current_task()}
C --> D[提取goid + task_state]
D --> E[匹配runtime.G状态机]
E --> F[定位阻塞在sync.Pool Put的G]3.3 用户态symbol解析优化：利用Go binary DWARF信息动态生成eBPF probe点
Go 程序因函数内联、栈帧省略及无传统 .symtab，导致传统 kprobe/uprobe 符号定位失效。DWARF 调试信息则完整保留了 Go runtime 的符号名、源码行号与变量布局。
核心流程
// 使用 github.com/go-delve/delve/pkg/proc 读取 DWARF
bi, err := proc.NewBinaryInfo(arch, "/path/to/go-binary")
bi.LoadBinaryInfo(nil, nil, true) // 启用 DWARF 解析
funcs := bi.Functions() // 获取所有含 DW_TAG_subprogram 的函数该调用触发 DWARF
.debug_info解析，Functions()返回按 PC 区间索引的*Function列表，每个含Name()（如"main.httpHandler"）、Entry()（入口地址）和SourceLine()。
关键字段映射
| DWARF 属性 | eBPF uprobe 目标 | 说明 |
|---|---|---|
DW_AT_low_pc |
offset in uprobe:binary:offset |
函数实际代码起始 RVA |
DW_AT_name |
symbol hint for trace output | 用于生成 human-readable event labels |
动态 probe 注入流程
graph TD
A[Load Go binary] --> B[Parse .debug_info/.debug_line]
B --> C[Filter functions by source file & name regex]
C --> D[Resolve virtual address via PT_LOAD + bias]
D --> E[Attach uprobe with perf_event_open]此方案绕过 Go linker 符号擦除，将 DWARF 转为可执行 probe 指令，精度达函数级。
第四章：分词性能瓶颈实时诊断系统构建与工程落地
4.1 毛刺检测引擎：基于滑动窗口P99.99耗时突变的eBPF内核态告警触发
传统用户态采样易受调度延迟影响，无法捕获亚毫秒级毛刺。本引擎在eBPF内核态直采tcp_sendmsg/tcp_recvmsg返回时间戳，构建无锁环形缓冲区聚合请求耗时。
核心数据结构
struct {
__u64 timestamps[SLIDING_WIN_SIZE]; // 循环写入，原子索引
__u32 head, tail; // 无锁双指针
__u64 p9999_threshold; // 动态基线（上一窗口P99.99 × 1.8）
} __attribute__((packed)) latency_win;SLIDING_WIN_SIZE=65536保障1s窗口（假设100k QPS），p9999_threshold由用户态定期通过bpf_map_update_elem()推送，避免内核计算开销。
告警触发逻辑
- 每次完成请求时，eBPF程序计算耗时并写入窗口；
- 当前耗时 >
p9999_threshold且连续3次超阈值 → 触发bpf_ringbuf_output()投递告警事件； - 用户态守护进程消费ringbuf，转发至Prometheus Alertmanager。
| 指标 | 值 | 说明 |
|---|---|---|
| 窗口长度 | 1s | 覆盖典型服务RTT波动周期 |
| P99.99更新频率 | 5s | 平衡灵敏度与基线漂移风险 |
| 内核态延迟 | 纯原子操作，无函数调用 |
graph TD
A[socket syscall exit] --> B{耗时 > p9999_threshold?}
B -->|Yes| C[计数器++]
B -->|No| D[计数器重置]
C --> E{计数器 ≥ 3?}
E -->|Yes| F[bpf_ringbuf_output alarm]
E -->|No| B4.2 词典IO瓶颈定位：page-cache miss率、readahead失效、ext4 journal阻塞三维度聚合视图
词典服务高频随机读场景下，IO性能退化常源于三类底层协同失效：
数据同步机制
ext4 journal 在高并发写入时可能阻塞 fsync() 调用，导致词典热更新延迟。可通过以下命令观测 journal 等待：
# 检测 ext4 journal 提交延迟（毫秒级）
cat /proc/fs/ext4/$(df . | tail -1 | awk '{print $1}' | sed 's/[^a-z0-9]//g')/journal_stats | grep "avg commit time"avg commit time > 50ms 表明 journal 成为瓶颈，需调优 data=ordered → data=writeback 或增大 journal=1G。
缓存行为分析
page-cache miss 率与 readahead 失效需联合诊断：
| 指标 | 健康阈值 | 触发原因 |
|---|---|---|
pgpgin/pgpgout ratio |
频繁冷读，readdhead未命中 | |
pgmajfault/s |
page-cache miss 高频 |
IO路径协同视图
graph TD
A[词典mmap读取] --> B{page-cache hit?}
B -->|No| C[触发readahead]
C --> D{readahead覆盖后续页?}
D -->|No| E[反复majfault+disk seek]
B -->|Yes| F[高速返回]
E --> G[ext4 journal锁竞争加剧]
G --> E4.3 分词函数级火焰图生成：eBPF stack trace + Go runtime.FuncForPC联合符号化
传统 eBPF 堆栈采样仅提供原始 PC 地址，缺乏 Go 运行时函数元信息。本方案通过双通道符号化实现精准定位：
双通道符号化流程
- 内核态：
bpf_get_stack()获取原始调用栈（含 PC 数组） - 用户态：遍历 PC 地址，调用
runtime.FuncForPC(pc)解析函数名、文件与行号
func symbolizePC(pc uintptr) (name, file string, line int) {
f := runtime.FuncForPC(pc)
if f == nil {
return "unknown", "", 0
}
name = f.Name() // 如 "github.com/xxx/tokenizer.Split"
file, line = f.FileLine(pc)
return
}
runtime.FuncForPC依赖 Go 编译器嵌入的pclntab表，需确保二进制未 strip；pc必须是有效函数入口偏移（非内联指令地址）。
符号化结果对比表
| PC 地址 | 原始符号 | FuncForPC 解析结果 |
|---|---|---|
0x4d2a1c |
runtime.morestack |
runtime.morestack_noctxt |
0x6f8b30 |
0x6f8b30 |
github.com/xxx/splitter.Tokenize |
graph TD
A[eBPF kprobe on tokenize] --> B[Raw stack: [pc1, pc2, pc3]]
B --> C{User-space symbolizer}
C --> D[FuncForPC(pc1) → Tokenize]
C --> E[FuncForPC(pc2) → splitRunes]
D & E --> F[Flame graph node: Tokenize ▶ splitRunes]4.4 观测数据流管道：libbpf-go采集 → Prometheus remote write → Grafana分词SLI看板
数据采集层：libbpf-go 高效抓取内核事件
使用 libbpf-go 绑定 eBPF 程序，实时捕获网络延迟、连接状态等 SLI 原始指标：
// 创建 perf event ring buffer 监听 TCP connect 事件
rd, err := bpfModule.GetMap("tcp_connect_events")
// "tcp_connect_events" 是 eBPF map 名，类型为 BPF_MAP_TYPE_PERF_EVENT_ARRAY
// rd.Read() 返回字节流，需按自定义 struct 解析（含时间戳、PID、IP、端口）远程写入：标准化指标推送
通过 Prometheus remote_write 协议将结构化样本批量发送至 Mimir/Thanos：
| 字段 | 示例值 | 说明 |
|---|---|---|
__name__ |
tcp_connect_latency_ms |
指标名称（SLI语义化） |
service |
payment-api |
服务标识 |
sli_type |
p99 |
分位数维度标签 |
可视化：Grafana 分词 SLI 看板
graph TD
A[libbpf-go eBPF] -->|perf event| B[Go metrics exporter]
B -->|remote_write| C[Prometheus-compatible TSDB]
C --> D[Grafana: label_values(sli_type)]
D --> E[动态分词面板：p50/p90/p99/p999]关键设计点
- 所有指标携带
sli_type,service,endpoint标签，支撑多维下钻； remote_write启用queue_config流控，避免背压导致丢数；- Grafana 使用
$__rate_interval自适应计算速率，保障 SLI 时间窗口一致性。
第五章：方案演进边界与多语言分词可观测体系展望
在真实生产环境中，某跨境电商平台的搜索中台曾遭遇一次典型演进瓶颈：当将原有基于 Jieba 的中文分词模块升级为支持中/英/日/泰四语种的混合分词服务（基于 spaCy + LTP + PyThaiNLP 组合架构）后，线上 query 解析耗时 P95 从 8ms 飙升至 42ms，且日志中出现 3.7% 的“空分词序列”异常——即输入非空 query 却返回空 tokens。根因分析显示，多语言路由逻辑未对 ISO 639-1 语言码做可信校验，导致日语混杂中文标点的短句（如「買いました！👍」）被错误识别为泰语，触发 PyThaiNLP 的非法字符 panic。
分词链路的不可观测断点
传统日志埋点仅记录 input, output, duration 三元组，缺失中间态：
- 语言检测置信度（如 fasttext 模型输出
[zh:0.82, ja:0.11, en:0.05]） - 分词器选择决策路径（规则匹配 → 模型预测 → 回退策略）
- 子词级 token 对齐状态（是否发生 Unicode 归一化、标点剥离、emoji 拆分）
多语言分词可观测性三层数据模型
| 数据层级 | 字段示例 | 采集方式 | 存储目标 |
|---|---|---|---|
| 请求级 | lang_hint=auto, route_policy=confidence_threshold |
OpenTelemetry Tracer | Jaeger TraceID 关联 |
| token级 | token="買い", origin_offset=0, norm_type=unicode_nfc |
自定义 TokenObserver Hook | Elasticsearch nested object |
| 系统级 | ltp_cpu_usage=78%, pythainlp_cache_hit_ratio=0.41 |
Prometheus Exporter | Grafana 实时看板 |
# 生产环境已落地的可观测增强代码片段
class MultilingualTokenizer:
def tokenize(self, text: str) -> TokenizedResult:
trace = get_current_span()
trace.set_attribute("tokenizer.input_len", len(text))
lang_pred = self.language_detector.predict(text)
trace.set_attribute("lang.prediction", lang_pred.code)
trace.set_attribute("lang.confidence", lang_pred.confidence)
# 动态注入 token 级 span
for i, token in enumerate(tokens):
with tracer.start_as_current_span(f"token.{i}") as token_span:
token_span.set_attribute("token.text", token.surface)
token_span.set_attribute("token.norm", token.normalized)
return result跨语言分词一致性校验机制
在 CI/CD 流水线中嵌入双盲比对任务：对同一测试集（含 12 种语言、18 类特殊符号组合），并行运行新旧分词器，生成 diff 报告。2023 年 Q4 的 37 次发布中，该机制拦截了 5 次破坏性变更，包括：
- 日语动词「行く」在新版本中被错误切分为「行」「く」（旧版正确保留为单 token）
- 泰语无空格文本「สวัสดีครับ」在启用新缓存策略后出现 22% 的重复 token
边界收敛的工程实践
团队定义了三条硬性演进红线：
- 任意语言单次分词 P99 ≤ 15ms（硬件：AWS c6i.2xlarge）
- 多语言混合 query 的 token 序列长度误差率 ≤ 0.3%（对比人工标注黄金标准）
- 所有分词器必须提供
explain()接口，返回可序列化的决策证据链（含特征向量摘要、规则匹配路径、fallback 触发条件）
mermaid
flowchart LR
A[原始Query] –> B{Language Detection}
B –>|zh| C[Jieba+LTP融合]
B –>|ja| D[MeCab+Neologd]
B –>|th| E[PyThaiNLP-NEW]
C & D & E –> F[Token Normalizer]
F –> G[Observability Injector]
G –> H[Unified Token Stream]
H –> I[Elasticsearch Analyzer]
当前系统已在新加坡、东京、法兰克福三地 AZ 部署，支撑日均 2.4 亿次多语言搜索请求，分词结果一致性达 99.992%，可观测数据日均写入 1.7TB token-level trace event。
