【Go可观测性工具箱】：从trace到metrics再到logging，打通OpenTelemetry SDK+Jaeger+Prometheus全链路

第一章：Go可观测性工具箱概览

Go 语言原生对可观测性提供了坚实支撑，其标准库与生态工具共同构成一套轻量、高效、可组合的可观测性工具箱。该工具箱覆盖指标（Metrics）、日志（Logging）、追踪（Tracing）三大支柱，并天然适配云原生环境与 OpenTelemetry 标准。

核心组件定位

• 指标采集：expvar 提供运行时变量导出能力；prometheus/client_golang 是事实标准的指标客户端，支持 Counter、Gauge、Histogram 等核心类型
• 结构化日志：log/slog（Go 1.21+ 内置）替代传统 log 包，支持键值对、层级上下文与结构化输出；第三方如 zerolog 和 zap 提供更高性能选项
• 分布式追踪：go.opentelemetry.io/otel 是官方 OpenTelemetry Go SDK，支持自动注入 trace context、span 创建与 exporter 配置（如 Jaeger、OTLP）

快速启用基础指标服务

以下代码片段启动一个内置 /debug/metrics 端点并注册 Prometheus 指标：

package main

import (
    "log"
    "net/http"
    "runtime/debug"

    "github.com/prometheus/client_golang/prometheus"
    "github.com/prometheus/client_golang/prometheus/promhttp"
)

func main() {
    // 注册自定义指标
    httpRequests := prometheus.NewCounterVec(
        prometheus.CounterOpts{
            Name: "http_requests_total",
            Help: "Total number of HTTP requests",
        },
        []string{"method", "status"},
    )
    prometheus.MustRegister(httpRequests)

    // 启用 /metrics 端点
    http.Handle("/metrics", promhttp.Handler())

    // 启用 /debug/vars（expvar）
    http.HandleFunc("/debug/vars", func(w http.ResponseWriter, r *http.Request) {
        w.Header().Set("Content-Type", "application/json")
        debug.WriteHeapDump(w) // 实际中应使用 debug.ReadBuildInfo() 或 expvar.Publish()
    })

    log.Println("Starting server on :8080")
    log.Fatal(http.ListenAndServe(":8080", nil))
}

执行后访问 http://localhost:8080/metrics 即可获取 Prometheus 格式指标；/debug/vars 则返回 JSON 序列化的运行时变量（需显式导入 expvar 并注册变量）。

工具类型	推荐方案	是否标准库	主要优势
指标	prometheus/client_golang	否	生态成熟、 exporter 插件丰富
日志	log/slog	是（1.21+）	零分配设计、开箱结构化
追踪	go.opentelemetry.io/otel	否	符合 CNCF 标准、多后端兼容

可观测性并非后期补丁，而是 Go 应用从启动即应集成的能力——通过组合上述组件，开发者可在不侵入业务逻辑的前提下，构建可调试、可度量、可追溯的服务体系。

第二章：OpenTelemetry SDK深度实践

2.1 OpenTelemetry Go SDK核心架构与信号抽象模型

OpenTelemetry Go SDK 以“信号（Signal）”为第一抽象，统一建模追踪（Traces）、指标（Metrics）和日志（Logs）三大可观测性支柱，底层通过 sdk 包提供可插拔的导出器、处理器与资源管理。

信号抽象分层结构

• otel.Tracer → 封装 Span 生命周期与上下文传播
• metric.Meter → 提供 Counter、Histogram 等同步/异步观测器
• log.Logger（实验性）→ 结构化日志采集接口

核心初始化示例

import (
    "go.opentelemetry.io/otel"
    "go.opentelemetry.io/otel/sdk/metric"
    "go.opentelemetry.io/otel/sdk/trace"
)

// 构建共享资源（如服务名、环境）
res, _ := resource.Merge(
    resource.Default(),
    resource.NewWithAttributes(semconv.SchemaURL, semconv.ServiceNameKey.String("api-gateway")),
)

// 初始化 trace SDK
tp := trace.NewSDK(
    trace.WithResource(res),
    trace.WithSampler(trace.AlwaysSample()),
    trace.WithSpanProcessor(exporter.NewSpanProcessor()),
)
otel.SetTracerProvider(tp)

此代码构建了带语义约定资源的 TraceProvider，并注册全局 Tracer。WithSpanProcessor 决定采样后 Span 的处理链路（如批处理、过滤），exporter.NewSpanProcessor() 通常包装 gRPC 或 HTTP 导出器。

组件	职责	可替换性
Exporter	协议适配（OTLP/Zipkin/Jaeger）	✅
Processor	批处理、采样、属性过滤	✅
Resource	描述服务元数据	✅

graph TD
    A[API Layer] -->|otel.Tracer/Meter| B[SDK Core]
    B --> C[Processor Chain]
    C --> D[Exporter]
    D --> E[OTLP/gRPC Endpoint]

2.2 Trace上下文传播与Span生命周期管理实战

数据同步机制

OpenTracing规范要求跨进程调用时透传trace_id、span_id与parent_id。主流框架通过TextMap注入/提取实现：

// 使用B3 Propagation注入上下文
tracer.inject(span.context(), Format.B3_TEXT_MAP, carrier);
// carrier 是Map<String, String>，含"x-b3-traceid"等键

carrier作为轻量载体，避免序列化开销；B3_TEXT_MAP兼容Zipkin生态，确保跨语言链路对齐。

Span生命周期关键节点

• 创建：tracer.buildSpan("api-call").start()
• 激活：scope = tracer.scopeManager().activate(span)
• 结束：span.finish()（自动解绑Scope）

阶段	触发条件	状态变更
STARTED	start()调用	spanId生成
ACTIVE	activate()后	成为当前Span
FINISHED	finish()或GC回收	不再接受log/tag

graph TD
    A[buildSpan] --> B[start]
    B --> C[activate]
    C --> D[业务执行]
    D --> E[finish]
    E --> F[上报至Collector]

2.3 Metrics指标建模：Counter、Gauge、Histogram在微服务中的落地

微服务可观测性依赖三类核心指标原语：计数器（Counter）、瞬时值（Gauge）、分布统计（Histogram）。

Counter：请求总量与错误累积

适用于单调递增场景，如HTTP总请求数、失败次数：

// Prometheus Java Client 示例
Counter requestTotal = Counter.build()
    .name("http_requests_total")
    .help("Total HTTP requests.")
    .labelNames("method", "status")
    .register();
requestTotal.labels("GET", "200").inc(); // 原子自增1

inc() 线程安全；labels() 提供多维切片能力；不可重置或减小——这是其语义约束。

Gauge：动态状态快照

反映可升可降的瞬时值，如活跃连接数、JVM内存使用率。

Histogram：延迟与大小分布

自动分桶统计请求耗时（如 le="0.1" 表示 ≤100ms 的请求数），支持计算 P90/P99。

指标类型	重置行为	典型用途	是否支持标签
Counter	不可重置	总请求数、错误数	✅
Gauge	可设任意值	CPU使用率、队列长度	✅
Histogram	自动分桶	响应延迟、Payload大小	✅

graph TD
    A[HTTP Handler] --> B{Metric Type}
    B --> C[Counter: inc on every request]
    B --> D[Gauge: set current active connections]
    B --> E[Histogram: observe(latencyMs)]

2.4 Logging与trace/metrics的语义关联：LogRecord注入TraceID与SpanID

日志、追踪与指标需共享统一上下文，才能实现跨维度可观测性对齐。核心在于将分布式追踪的标识注入日志记录器生命周期。

LogRecord增强机制

现代日志框架（如Python logging 或 Java SLF4J + MDC）支持在日志事件生成前动态注入字段：

import logging
from opentelemetry.trace import get_current_span

# 自定义LogRecord工厂，自动注入trace_id/span_id
def inject_trace_context(record):
    span = get_current_span()
    if span and span.is_recording():
        ctx = span.get_span_context()
        record.trace_id = f"{ctx.trace_id:032x}"
        record.span_id = f"{ctx.span_id:016x}"
    else:
        record.trace_id = "00000000000000000000000000000000"
        record.span_id = "0000000000000000"
    return record

逻辑分析：该函数在日志格式化前调用，通过 OpenTelemetry SDK 获取当前活跃 Span 的上下文；trace_id 和 span_id 均以十六进制小写字符串形式注入，符合 W3C Trace Context 规范；未追踪上下文时填充零值，避免空字段导致解析失败。

关键字段映射表

日志字段	来源	格式示例	用途
trace_id	SpanContext	4bf92f3577b34da6a3ce929d0e0e4736	关联全链路Trace
span_id	SpanContext	00f067aa0ba902b7	定位具体操作节点
service.name	Resource	auth-service	支持按服务聚合日志

数据同步机制

graph TD
    A[HTTP Request] --> B[Start Span]
    B --> C[LogRecord created]
    C --> D{inject_trace_context}
    D --> E[Formatted log with trace_id/span_id]
    E --> F[Export to Loki/ELK]

2.5 自定义Exporter开发：对接自研后端与协议适配（OTLP/HTTP/gRPC）

为支撑统一可观测性平台，需将 OpenTelemetry SDK 采集的指标/追踪数据导出至自研后端。核心在于实现 Exporter<T> 接口并桥接 OTLP 协议栈。

协议选型对比

协议	传输层	压缩支持	调试友好性	适用场景
OTLP/gRPC	HTTP/2	ProtoBuf	较低	高吞吐、生产环境
OTLP/HTTP	HTTP/1.1	JSON/ProtoBuf	高	开发调试、网关穿透

数据同步机制

采用异步批处理 + 可重入重试策略，避免阻塞采集链路：

func (e *CustomExporter) Export(ctx context.Context, req metric.ExportRequest) error {
    payload, _ := proto.Marshal(req.ToProto()) // 序列化为 OTLP Protobuf
    resp, err := e.client.Post(e.endpoint, "application/x-protobuf", bytes.NewReader(payload))
    // e.client 为预置的 http.Client 或 grpc.ClientConn，由初始化时注入
    return handleResponse(resp, err)
}

req.ToProto() 将 SDK 内部数据结构转为标准 OTLP ExportMetricsServiceRequest；e.endpoint 支持动态切换 /v1/metrics（HTTP）或 gRPC 地址（如 dns:///otel-backend:4317）。

graph TD
    A[OTel SDK] -->|ExportRequest| B[CustomExporter]
    B --> C{Protocol Router}
    C -->|gRPC| D[gRPC Client]
    C -->|HTTP| E[HTTP Client]
    D & E --> F[自研后端 OTLP 接入层]

第三章：分布式追踪全链路构建

3.1 Jaeger部署拓扑与Go客户端集成最佳实践

Jaeger 的典型生产拓扑包含 Agent（Sidecar/Host-level）→ Collector → Kafka/Storage → Query 四层，推荐采用 Sidecar 模式降低网络跃点，提升采样稳定性。

推荐部署模式对比

模式	网络开销	配置灵活性	适用场景
All-in-One	低	极低	开发/测试
Agent+Collector	中	高	Kubernetes 生产
Direct gRPC	高	中	小规模无Agent环境

Go 客户端初始化示例

import "github.com/jaegertracing/jaeger-client-go/config"

cfg := config.Configuration{
    ServiceName: "user-api",
    Sampler: &config.SamplerConfig{
        Type:  "ratelimiting", // 每秒限采样2000个span
        Param: 2000.0,
    },
    Reporter: &config.ReporterConfig{
        LocalAgentHostPort: "jaeger-agent:6831", // UDP endpoint
        FlushInterval:      1 * time.Second,
    },
}
tracer, _ := cfg.NewTracer(config.Logger(jaeger.StdLogger))

该配置启用速率限制采样器，避免高流量服务压垮后端；LocalAgentHostPort 指向同Pod Sidecar Agent，规避DNS解析延迟与连接复用问题。FlushInterval 控制批量上报节奏，平衡延迟与吞吐。

数据流向示意

graph TD
    A[Go App] -->|UDP/thrift| B[Jaeger Agent]
    B -->|gRPC| C[Jaeger Collector]
    C --> D[(Kafka/Jaeger Storage)]
    D --> E[Jaeger Query UI]

3.2 跨进程/跨语言Trace透传：HTTP gRPC中间件与Context注入详解

在分布式系统中，Trace上下文需跨越进程边界与语言壁垒持续传递。HTTP与gRPC作为主流通信协议，其透传机制存在显著差异。

HTTP中间件注入（Go示例）

func TraceMiddleware(next http.Handler) http.Handler {
    return http.HandlerFunc(func(w http.ResponseWriter, r *http.Request) {
        // 从HTTP Header提取trace_id、span_id、trace_flags
        traceID := r.Header.Get("X-Trace-ID")
        spanID := r.Header.Get("X-Span-ID")
        flags := r.Header.Get("X-Trace-Flags")

        // 构建SpanContext并注入全局Context
        sc := trace.SpanContext{
            TraceID:       trace.TraceID(traceID),
            SpanID:        trace.SpanID(spanID),
            TraceFlags:    trace.TraceFlags(flags),
            TraceState:    trace.TraceState{},
        }
        ctx := trace.ContextWithRemoteSpanContext(r.Context(), sc)
        r = r.WithContext(ctx)
        next.ServeHTTP(w, r)
    })
}

该中间件从标准HTTP头（X-Trace-ID等）解析W3C Trace Context字段，构造SpanContext后注入r.Context()，确保下游业务逻辑可沿用同一追踪链路。

gRPC拦截器透传对比

协议	透传载体	标准支持	语言兼容性
HTTP	X-Trace-ID等Header	W3C Trace Context	高（无依赖）
gRPC	metadata.MD	OpenTelemetry原生适配	中（需客户端/服务端一致实现）

Trace Context注入流程

graph TD
    A[Client发起请求] --> B{协议类型}
    B -->|HTTP| C[注入X-Trace-* Header]
    B -->|gRPC| D[写入Metadata]
    C & D --> E[Server中间件/拦截器解析]
    E --> F[重建SpanContext]
    F --> G[绑定至Request Context]

3.3 追踪采样策略调优：动态采样率配置与性能影响实测分析

在高吞吐微服务场景中，固定采样率易导致低流量链路丢失关键异常或高流量链路产生可观测性噪声。动态采样需兼顾精度与开销。

基于QPS自适应的采样率控制器

def dynamic_sample_rate(qps: float, base_rate: float = 0.1) -> float:
    # 当前QPS低于50时提升采样率至0.5，保障调试精度
    if qps < 50:
        return min(0.5, base_rate * (50 / max(qps, 1)))
    # QPS超500时线性衰减至0.01，抑制Span爆炸
    return max(0.01, base_rate * (500 / qps))

逻辑说明：以当前服务QPS为输入，通过分段函数实现“低流量保精度、高流量控体积”；base_rate为基准值，max(qps, 1)防除零，min/max确保边界安全。

实测性能对比（单实例，4c8g）

QPS	采样率	CPU增量	Span/秒	P99延迟增幅
100	0.2	+3.2%	20	+1.8ms
1000	0.02	+0.7%	20	+0.3ms

决策流程示意

graph TD
    A[接收Span] --> B{QPS统计窗口更新？}
    B -->|是| C[计算最新dynamic_sample_rate]
    B -->|否| D[复用缓存采样率]
    C --> E[生成随机数 < 采样率？]
    D --> E
    E -->|true| F[上报Span]
    E -->|false| G[丢弃]

第四章：指标采集与可观测闭环建设

4.1 Prometheus Go Client集成与指标命名规范（OpenMetrics语义）

Prometheus Go Client 是构建可观测 Go 服务的核心依赖，其指标注册、暴露与序列化严格遵循 OpenMetrics 语义。

安装与基础注册

import (
    "github.com/prometheus/client_golang/prometheus"
    "github.com/prometheus/client_golang/prometheus/promhttp"
)

var (
    httpRequestsTotal = prometheus.NewCounterVec(
        prometheus.CounterOpts{
            Name: "http_requests_total",           // 必须为 snake_case
            Help: "Total number of HTTP requests",
            Namespace: "myapp",                   // 可选，自动前缀
            Subsystem: "http",                    // 可选，二级分组
        },
        []string{"method", "status_code"},       // 标签维度
    )
)

func init() {
    prometheus.MustRegister(httpRequestsTotal)
}

Name 字段必须使用 snake_case 并避免单位后缀（如 _seconds）；Namespace 与 Subsystem 构成指标全名前缀（myapp_http_requests_total），符合 OpenMetrics 命名层级约定。

标签设计原则

• 标签应为高基数低变动性维度（如 method, status_code）
• 避免嵌入业务 ID 等超高基数字段
• job 和 instance 由 Prometheus Server 自动注入，不应手动设置

指标类型对照表

类型	适用场景	示例名称
Counter	单调递增事件计数	http_requests_total
Gauge	可增可减的瞬时值	go_goroutines
Histogram	观测分布（带 bucket）	http_request_duration_seconds
Summary	客户端计算分位数（已弃用）	—

指标暴露端点

http.Handle("/metrics", promhttp.Handler())

promhttp.Handler() 自动按 OpenMetrics 文本格式（text/plain; version=0.0.4; charset=utf-8）序列化，兼容 v1.0.0+ Prometheus Server。

4.2 Service-Level Indicator（SLI）指标设计：延迟、错误率、饱和度三维度建模

SLI 是可观测性的基石，需从延迟、错误率、饱和度三个正交维度协同建模，避免单一指标失真。

延迟：P95 响应时间采集示例

# Prometheus 指标定义（服务端 HTTP 请求延迟）
http_request_duration_seconds_bucket{
  job="api-gateway",
  le="0.2"  # ≤200ms 的请求数
}

le（less than or equal）为直方图分桶边界；P95 需通过 histogram_quantile(0.95, ...) 聚合计算，反映尾部体验。

错误率与饱和度联动分析

维度	典型指标	健康阈值
错误率	rate(http_requests_total{code=~"5.."}[5m])
饱和度	container_cpu_usage_seconds_total / cpu_limit

SLI 关联性验证流程

graph TD
  A[原始指标采集] --> B[延迟/错误/饱和度归一化]
  B --> C{是否满足 SLO？}
  C -->|否| D[触发容量或容错干预]
  C -->|是| E[持续监控闭环]

4.3 Grafana看板联动：从Prometheus查询到告警规则与Trace下钻联动

数据同步机制

Grafana 通过变量（$service, $job）实现跨数据源联动：Prometheus 查询驱动告警面板，同时将 traceID 注入 Jaeger/Tempo 数据源。

告警上下文透传示例

# Prometheus 查询（用于告警触发与面板过滤）
rate(http_request_duration_seconds_sum{job=~"$job", service=~"$service"}[5m]) 
  / rate(http_request_duration_seconds_count{job=~"$job", service=~"$service"}[5m])

此查询计算 P90 延迟，$job 和 $service 变量由看板全局筛选器注入，确保告警触发时上下文与视图一致；后续可直接用于 Trace 下钻的 tempo_search 查询参数。

联动流程

graph TD
  A[Prometheus告警触发] --> B[Grafana跳转至告警实例面板]
  B --> C[点击traceID字段]
  C --> D[自动打开Tempo Trace详情页]

功能模块	数据源	关键字段
延迟监控	Prometheus	instance, job
分布式追踪	Tempo	traceID
告警标注	Alertmanager	annotations

4.4 指标+Trace+Log三位一体关联分析：基于TraceID的全栈日志检索与火焰图叠加

核心关联机制

TraceID 是贯穿指标（Metrics）、链路追踪（Trace）和日志（Log）的唯一纽带。现代可观测性平台通过统一上下文注入，在 HTTP Header、RPC carrier 及日志 MDC 中自动透传 X-B3-TraceId，实现三端语义对齐。

日志实时检索示例

// Spring Boot 日志增强配置（logback-spring.xml）
<appender name="CONSOLE" class="ch.qos.logback.core.ConsoleAppender">
  <encoder>
    <pattern>%d{HH:mm:ss.SSS} [%thread] [%X{X-B3-TraceId:-N/A}] %-5level %logger{36} - %msg%n</pattern>
  </encoder>
</appender>

逻辑说明：%X{X-B3-TraceId:-N/A} 从 MDC（Mapped Diagnostic Context）中提取 TraceID；若未设置则默认填充 N/A，确保日志结构一致，为 Elasticsearch 的 trace_id 字段索引提供可靠来源。

关联分析能力对比

能力维度	仅日志	+TraceID	+指标+火焰图叠加
故障定位耗时	>5min	~90s
调用栈可视化	❌	✅（分布式链路）	✅（火焰图+Span堆叠）

数据同步机制

graph TD
  A[应用埋点] -->|HTTP/RPC透传| B(Trace Collector)
  A -->|MDC写入| C(Log Shipper)
  A -->|Prometheus Client| D(Metrics Exporter)
  B & C & D --> E[(统一ID索引：Elasticsearch + Jaeger + Prometheus)]
  E --> F[前端：TraceID搜索 → 联动展示Log列表 + 火焰图]

第五章：可观测性演进与未来方向

从日志中心化到语义化分析的跃迁

某头部电商在双十一大促期间遭遇偶发性订单延迟，传统 ELK 栈仅能定位到“下游服务响应超时”，但无法识别根本原因。团队引入 OpenTelemetry + Jaeger + Prometheus + Loki 联动方案，并为关键业务链路（如支付回调验签、库存扣减）注入结构化语义标签：payment_status="pending"、inventory_lock_type="optimistic"、retry_count="3"。通过 Grafana 中自定义的「异常链路热力图」面板，发现 92% 的延迟集中在 inventory_lock_type="pessimistic" 的旧分支——该分支因数据库行锁竞争在高并发下平均阻塞 840ms。团队于 4 小时内完成灰度切流，将该路径流量降至 5%，P99 延迟下降 67%。

可观测性即代码：GitOps 驱动的监控即基础设施

某金融 SaaS 平台将全部告警规则、仪表盘 JSON、SLO 目标及服务依赖拓扑图统一托管于 Git 仓库，采用 Argo CD 实现声明式同步。当新增微服务 risk-scoring-v2 上线时，其 Helm Chart 中嵌入了预置的 observability.yaml 片段：

slo:
  error_budget: 0.1%
  indicators:
    - name: "http_5xx_rate"
      query: 'sum(rate(http_request_total{code=~"5..",service="risk-scoring-v2"}[5m])) / sum(rate(http_request_total{service="risk-scoring-v2"}[5m])) > 0.001'

CI 流水线自动触发 Prometheus Rule Linter 与 Grafana Dashboard Schema 校验，确保 SLO 定义符合公司 SLI 白皮书规范。

AI 增强型根因推荐系统实战

某云厂商在 2023 年 Q4 上线基于时序异常检测（PyOD）与因果图推理（DoWhy）的 AIOps 模块。当 Kubernetes 集群中 kube-apiserver CPU 使用率突增时，系统不再仅展示指标曲线，而是生成可执行诊断建议：

• ✅ 排查 etcd 延迟：etcd_disk_wal_fsync_duration_seconds_bucket{le="0.01"} < 0.95
• ⚠️ 检查 admission webhook 超时：apiserver_admission_webhook_admission_latencies_seconds_count{webhook="cert-manager-validation"} > 1000
• ❌ 排除网络问题（依据 node_network_receive_bytes_total 无同比突变）
  该模块上线后，SRE 平均故障定位时间（MTTD）从 18.3 分钟缩短至 4.1 分钟。

边缘场景下的轻量化可观测性架构

某智能车载系统受限于车机端 256MB 内存与 4G 网络带宽，放弃全量 trace 上报。采用 eBPF 技术在内核态实现 tcp_connect/tcp_close 事件采样（采样率 1:100），并通过自研协议压缩 trace span 为 <src_ip, dst_port, duration_ms, status> 元组（平均体积 vehicle_id + hour 分区写入 TimescaleDB，支撑全国 23 万辆车实时网络健康度看板。

组件	传统方案内存占用	轻量化方案内存占用	压缩率
trace agent	128MB	8MB	94%
log forwarder	64MB	3MB	95%
metrics collector	32MB	1.2MB	96%

flowchart LR
    A[eBPF Probe] -->|sampled TCP events| B(Edge Aggregator)
    B --> C{Compress & Batch}
    C --> D[MQTT over TLS]
    D --> E[Cloud Ingestion Gateway]
    E --> F[TimescaleDB]
    F --> G[Grafana Fleet Dashboard]

开源工具链的协同边界演进

CNCF Landscape 2024 显示，Prometheus 生态正与 OpenTelemetry Collector 深度集成：prometheusremotewriteexporter 支持原生写入 VictoriaMetrics；otlphttpexporter 可将指标转换为 OTLP 格式直连 Grafana Cloud。某物流平台利用此能力，将遗留 Java 应用的 Dropwizard Metrics 通过 Micrometer Bridge 导出为 OTLP，再经 Collector 的 transformprocessor 重写标签：application_name → service.name，实现与新 Go 微服务的 trace 关联。

隐私合规驱动的数据分级采集策略

GDPR 和《个人信息保护法》倒逼可观测性设计变革。某国际医疗平台对日志字段实施三级脱敏：

• L1（明文）：timestamp, service_name, http_status
• L2（哈希）：user_id → sha256(user_id + salt)
• L3（丢弃）：patient_name, diagnosis_code
  所有脱敏逻辑在 OpenTelemetry Collector 的 filterprocessor 中以 WASM 模块加载，支持热更新且不重启进程。