Go微服务可观测性落地全链路，从Metrics到Tracing再到Logging——一套生产级OpenTelemetry方案

第一章：Go微服务可观测性全景与OpenTelemetry核心理念

现代Go微服务架构中，可观测性已不再是可选能力，而是系统韧性、故障定位与性能优化的基石。它由日志（Logging）、指标（Metrics）和链路追踪（Tracing）三大支柱构成，三者协同提供从宏观系统健康到微观请求路径的完整洞察视图。

OpenTelemetry作为云原生可观测性的事实标准，其核心理念在于统一采集协议、解耦数据生产与后端消费，并通过语言原生SDK实现零侵入式接入。它不绑定任何特定后端（如Jaeger、Prometheus、Loki），而是通过Exporter灵活对接，真正践行“一次埋点、多端投递”。

在Go项目中集成OpenTelemetry SDK，需引入官方模块并初始化全局Tracer与MeterProvider：

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

func initTracer() {
    // 创建控制台导出器，便于本地验证
    exporter, _ := stdouttrace.New(stdouttrace.WithPrettyPrint())
    tp := trace.NewTracerProvider(
        trace.WithBatcher(exporter),
    )
    otel.SetTracerProvider(tp)

    // 初始化指标提供者
    mp := metric.NewMeterProvider()
    otel.SetMeterProvider(mp)
}

该初始化逻辑应在main()或服务启动早期调用，确保后续HTTP中间件、gRPC拦截器及业务代码能自动注入上下文追踪。值得注意的是，OpenTelemetry强调语义约定（Semantic Conventions），例如HTTP状态码、RPC方法名等属性必须遵循统一命名规范，以保障跨服务、跨语言的数据一致性。

可观测性能力成熟度可划分为三个层级：

• 基础层：单点日志记录与基础CPU/内存指标
• 协同层：请求级TraceID透传、Span关联与指标标签化（如http.method=GET, http.status_code=200）
• 智能层：基于Trace与Metric联合分析的异常检测、根因推荐与SLI/SLO自动计算

Go生态已具备完善支持：gin-gonic/gin可通过ginotrace中间件注入Span；grpc-go原生兼容otelgrpc拦截器；prometheus/client_golang与OTel Meter无缝桥接。关键在于设计阶段即规划上下文传播策略（如B3或W3C TraceContext格式），避免后期补丁式改造带来的数据断点。

第二章：Metrics采集与指标体系设计（Go原生实践）

2.1 Go运行时指标与自定义业务指标建模

Go 运行时通过 runtime/metrics 包暴露了近百个底层指标（如 mem/heap/allocs:bytes），而业务指标需基于 prometheus/client_golang 显式建模。

指标分类对比

类型	数据源	更新频率	适用场景
运行时指标	runtime/metrics	每次 GC 后	内存、Goroutine 健康诊断
自定义业务指标	prometheus.New...	事件驱动	订单成功率、API 响应分位数

构建可组合的指标注册器

var (
    // 业务指标：订单处理延迟（直方图）
    orderDuration = prometheus.NewHistogramVec(
        prometheus.HistogramOpts{
            Name:    "order_processing_duration_seconds",
            Help:    "Latency distribution of order processing",
            Buckets: prometheus.ExponentialBuckets(0.01, 2, 8), // 10ms~12.8s
        },
        []string{"status", "region"}, // 多维标签
    )
)

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

此代码声明了一个带 status（success/failed）和 region（cn-east/us-west）双维度的直方图。ExponentialBuckets 确保对短延迟（毫秒级）和长延迟（秒级）均有足够分辨率；MustRegister 将其注入默认注册表，供 /metrics HTTP handler 自动暴露。

指标采集协同机制

graph TD
    A[HTTP Handler] -->|observe| B[orderDuration.WithLabelValues]
    C[GC Event] -->|read| D[runtime/metrics.Read]
    B --> E[Prometheus Exporter]
    D --> E
    E --> F[/metrics endpoint]

2.2 OpenTelemetry Metrics SDK在Go中的初始化与配置

OpenTelemetry Metrics SDK的初始化需显式构建MeterProvider，并注入合适的Exporter与Processor。

基础初始化示例

import (
    "go.opentelemetry.io/otel"
    "go.opentelemetry.io/otel/exporters/stdout/stdoutmetric"
    "go.opentelemetry.io/otel/sdk/metric"
)

exporter, _ := stdoutmetric.New()
provider := metric.NewMeterProvider(
    metric.WithReader(metric.NewPeriodicReader(exporter)),
)
otel.SetMeterProvider(provider)

该代码创建标准输出Exporter，并通过PeriodicReader实现定时（默认30s）采集与导出；WithReader是必需配置项，缺失将导致指标静默丢失。

关键配置选项对比

配置项	作用	推荐场景
WithResource	关联服务元数据（如service.name）	生产环境必设
WithView	自定义指标聚合规则（如直方图边界）	高精度观测需求
WithClock	替换系统时钟用于测试	单元测试

数据同步机制

PeriodicReader内部启动goroutine，按固定周期调用Collect()触发采集与导出，确保指标最终一致性。

2.3 Prometheus exporter集成与指标暴露最佳实践

指标命名与命名空间规范

遵循 namespace_subsystem_metric_name 命名约定，例如 nginx_http_requests_total。避免使用大驼峰、特殊字符或动态前缀。

自定义Exporter开发示例（Go）

// 使用promhttp和prometheus/client_golang暴露自定义指标
func init() {
    // 注册自定义计数器，带labels区分服务实例
    httpRequestsTotal = prometheus.NewCounterVec(
        prometheus.CounterOpts{
            Namespace: "myapp",
            Subsystem: "api",
            Name:      "requests_total",
            Help:      "Total HTTP requests processed",
        },
        []string{"method", "status"},
    )
    prometheus.MustRegister(httpRequestsTotal)
}

逻辑分析：CounterVec 支持多维标签聚合；MustRegister() 确保指标注册到默认Registry；Namespace/Subsystem 提供语义分组能力，便于PromQL跨服务查询。

推荐指标类型对照表

场景	推荐类型	说明
请求总数	Counter	单调递增，支持rate()计算
当前活跃连接数	Gauge	可增可减，反映瞬时状态
请求处理延迟直方图	Histogram	自动分桶，支持quantile()

生命周期管理流程

graph TD
    A[应用启动] --> B[初始化Exporter]
    B --> C[注册指标到Registry]
    C --> D[HTTP Handler绑定/metrics端点]
    D --> E[定期采集业务数据并Set/Inc]
    E --> F[优雅关闭时注销指标]

2.4 指标聚合策略与Cardinality控制（含Go切片/Map优化案例）

高基数（High Cardinality）指标是监控系统性能退化的主因之一，尤其在标签组合爆炸场景下。核心矛盾在于：精确去重需哈希表，但内存开销随唯一值线性增长；近似统计可降维，却牺牲业务可观测精度。

Cardinality失控的典型诱因

• 动态生成标签（如 request_id、trace_id）
• 用户ID/设备ID直接作为标签键
• 未预设白名单的HTTP路径参数

Go运行时优化实践

// ✅ 优化前：无界map导致GC压力飙升
badCache := make(map[string]int) // key: service:method:status:user_id → 内存不可控

// ✅ 优化后：固定容量LRU + 预哈希切片缓存
type CardinalityLimiter struct {
    cache []string // 预分配切片，避免map扩容
    size  int
}

逻辑分析：用定长切片替代动态map，规避指针逃逸与哈希桶重建；cache仅存高频TOP-K标签组合，配合布隆过滤器前置拦截低频噪声项。size建议设为 1024（兼顾L1缓存行对齐与覆盖95%热数据）。

策略	内存增幅	查询延迟	适用场景
全量map	O(n)	O(1)	小规模、稳定标签集
Top-K切片+LFU	O(1)	O(k)	高频标签聚合（推荐）
HyperLogLog	O(1)	O(1)	近似UV统计，容忍误差

graph TD
    A[原始指标流] --> B{标签是否在白名单？}
    B -->|否| C[丢弃或降级为'other']
    B -->|是| D[哈希后写入定长切片]
    D --> E[满容时LFU淘汰]
    E --> F[聚合输出]

2.5 生产环境指标采样、降噪与告警联动实现

数据同步机制

采用 Prometheus + Thanos 架构实现跨集群指标统一采集与长期存储，采样频率按业务等级分级：核心服务 15s，边缘服务 60s。

降噪策略

• 基于滑动窗口的动态基线检测（Z-score + EWMA）
• 异常点过滤：连续3个采样点偏离均值±3σ则标记为噪声
• 标签维度聚合降噪：job+instance→service层级归并

告警联动流程

# alert-rules.yaml 片段
- alert: HighErrorRate
  expr: rate(http_requests_total{status=~"5.."}[5m]) / 
        rate(http_requests_total[5m]) > 0.05
  for: 2m
  labels:
    severity: critical
  annotations:
    summary: "High HTTP 5xx rate on {{ $labels.service }}"

该规则基于5分钟滑动窗口计算错误率，for: 2m避免瞬时抖动误报；$labels.service由Relabel规则从job和instance自动推导，保障告警语义一致性。

关键参数对照表

参数	推荐值	说明
scrape_interval	15s	核心服务最小采样粒度
evaluation_interval	30s	规则评估周期，需 ≥ scrape_interval
min_healthy_duration	10m	基线学习所需最小稳定期

graph TD
  A[指标采集] --> B[滑动窗口降噪]
  B --> C[动态基线比对]
  C --> D{偏差 > 阈值?}
  D -->|是| E[触发告警]
  D -->|否| F[静默更新基线]

第三章：分布式Tracing落地与上下文传播

3.1 Go context.Context与Span生命周期的深度绑定

Go 的 context.Context 不仅是取消与超时的载体，更是 OpenTracing/OpenTelemetry 中 Span 生命周期的隐式控制器。

Context 传递即 Span 传播

当 StartSpanFromContext 被调用时，它从 ctx 中提取父 Span（若存在），并自动将新建 Span 注入返回的 context.WithValue 中——形成「上下文即追踪链」的契约。

ctx, span := tracer.Start(ctx, "db.query")
defer span.End() // span.End() 触发时，也隐式完成 ctx.Done() 监听清理

此处 ctx 是带 span 值的增强上下文；span.End() 不仅终止采样，还触发 span.Finish() 内部对 ctx.Err() 的响应监听器释放，避免 goroutine 泄漏。

生命周期对齐关键点

• Span 创建 → 绑定到 ctx.Value
• Span 结束 → 清理 ctx 关联资源（如 cancel func、goroutine）
• ctx 超时/取消 → 自动触发 span.Finish()（需适配器支持）

事件	Context 行为	Span 行为
context.WithCancel	生成 cancel func	无直接反应
span.End()	触发关联 cancel（可选）	标记结束、上报、释放资源

graph TD
    A[StartSpanFromContext] --> B{Parent Span in ctx?}
    B -->|Yes| C[Child Span with reference]
    B -->|No| D[Root Span]
    C & D --> E[Inject into new ctx]
    E --> F[span.End() → cleanup ctx listeners]

3.2 HTTP/gRPC中间件中自动注入与提取TraceContext

在分布式追踪中，TraceContext 的透传是链路可观测性的基石。HTTP 和 gRPC 协议需在请求生命周期中无缝注入与提取 trace-id、span-id 和 traceflags。

自动注入机制

HTTP 中间件通过 X-Request-ID 与 traceparent（W3C 标准）双头兼容注入：

func TraceInjectMiddleware(next http.Handler) http.Handler {
    return http.HandlerFunc(func(w http.ResponseWriter, r *http.Request) {
        ctx := r.Context()
        span := trace.SpanFromContext(ctx)
        // 注入 W3C traceparent header
        carrier := propagation.HeaderCarrier{}
        global.TracerProvider().GetTracer("").Inject(ctx, carrier)
        for k, v := range carrier {
            r.Header.Set(k, v[0]) // 注意：实际应 clone req 并设入 outbound
        }
        next.ServeHTTP(w, r)
    })
}

逻辑分析：propagation.HeaderCarrier 实现 TextMapCarrier 接口，将 traceparent（如 "00-4bf92f3577b34da6a3ce929d0e0e4736-00f067aa0ba902b7-01"）写入请求头；Inject() 依赖当前 span 的上下文生成符合 W3C Trace Context 规范的字符串。

gRPC 透传差异

gRPC 使用 metadata.MD 封装上下文，需适配 grpc.WithUnaryInterceptor：

协议	传输载体	标准兼容性	中间件位置
HTTP	traceparent header	✅ W3C	Server/Client Handler
gRPC	grpc-trace-bin metadata	⚠️ 部分支持	Unary/Stream Interceptor

上下文提取流程

graph TD
    A[Incoming Request] --> B{Protocol Type}
    B -->|HTTP| C[Parse traceparent header]
    B -->|gRPC| D[Extract grpc-trace-bin from metadata]
    C --> E[Create SpanContext]
    D --> E
    E --> F[Attach to context.Context]

关键参数说明：traceparent 字段顺序为 version-traceid-spanid-traceflags，其中 traceflags=01 表示采样启用；tracestate 可扩展多厂商上下文。

3.3 自定义Span语义约定与Go服务间跨进程链路还原

在微服务架构中，标准OpenTracing语义无法覆盖业务特有上下文（如租户ID、灰度标签）。需通过自定义Span属性实现语义增强：

span.SetTag("tenant.id", "t-789")
span.SetTag("env.stage", "gray")
span.SetTag("service.version", "v2.3.1")

逻辑分析：SetTag将键值对注入Span的attributes字段，确保跨进程传递时被序列化为W3C TraceContext的tracestate或Jaeger/B3扩展头。参数tenant.id需全局唯一且低基数，避免采样率倾斜；env.stage用于链路染色过滤。

关键传递机制

• HTTP调用：自动注入traceparent + 自定义tracestate
• gRPC调用：通过metadata.MD透传
• 消息队列：在消息Headers中写入trace-id与自定义tag映射表

字段名	类型	必填	用途
tenant.id	string	是	多租户链路隔离
env.stage	string	否	灰度/预发环境标识
biz.flow-id	string	否	业务流程唯一追踪号

graph TD
A[Client Span] -->|HTTP Header| B[Server Span]
B --> C[DB Span]
C --> D[Cache Span]
D -->|Custom tracestate| A

第四章：结构化Logging与可观测性三支柱协同

4.1 Zap/Slog与OpenTelemetry Logs Bridge集成方案

Zap 和 Slog 作为 Go 生态主流结构化日志库，需通过 OpenTelemetry Logs Bridge 实现与 OTLP 日志后端的标准化对接。

数据同步机制

Bridge 采用 LogRecord 适配器将 Zap 的 Entry 或 Slog 的 Record 转换为 OTel LogRecord，关键字段映射如下：

Zap/Slog 字段	OTel LogRecord 字段	说明
time	TimeUnixNano	纳秒级时间戳
level	SeverityNumber	映射为 SEVERITY_NUMBER_INFO 等
msg + fields	Body + Attributes	结构化属性自动扁平化

核心桥接代码示例

// 创建 OTel 日志导出器（如 OTLP HTTP）
exporter, _ := otlplogs.New(context.Background(), client)
bridge := zapotl.New(exporter) // Zap → OTel Bridge
logger := zap.New(bridge).Sugar()
logger.Info("user.login", "uid", 123, "ip", "192.168.1.1")

zapotl.New() 将 Zap 的 Core 封装为 OTel 兼容 LogEmitter；client 需预配置 OTLP endpoint 与认证参数（如 WithHeaders(map[string]string{"Authorization": "Bearer ..."})）。

graph TD
    A[Zap/Slog Logger] --> B[LogBridge Adapter]
    B --> C[OTel LogRecord]
    C --> D[OTLP Exporter]
    D --> E[Collector/Backend]

4.2 日志关联TraceID与SpanID的Go语言级实现

上下文透传核心机制

Go 中需借助 context.Context 携带分布式追踪标识，避免全局变量或参数显式传递。

日志字段注入示例

func logWithTrace(ctx context.Context, msg string) {
    traceID := trace.FromContext(ctx).TraceID().String()
    spanID := trace.FromContext(ctx).SpanID().String()
    log.Printf("[trace_id=%s span_id=%s] %s", traceID, spanID, msg)
}

该函数从 ctx 提取 OpenTelemetry SDK 注入的 trace.SpanContext，安全获取 TraceID（16/32 字符十六进制）与 SpanID（16 进制），注入结构化日志字段。

关键依赖与初始化要求

• 必须启用 otelhttp 或 otelsql 等自动插桩中间件；
• 日志库需支持动态字段（如 logrus.WithFields() 或 zerolog.Ctx(ctx)）；
• context.WithValue() 不推荐——应由 tracer 自动注入。

组件	推荐实现方式
上下文注入	otel.Tracer.Start(ctx)
日志集成	zerolog.Ctx(ctx).Info().Msg()
ID 格式兼容性	TraceID 32位，SpanID 16位

4.3 结构化日志字段标准化（OTLP兼容Schema设计）

为实现跨语言、跨平台可观测性数据的无缝集成，日志字段需严格遵循 OTLP（OpenTelemetry Protocol）v1.0+ 定义的语义约定。

核心字段映射规范

必须包含以下字段（非可选）：

• time_unix_nano：纳秒级时间戳（UTC）
• severity_number：整型日志等级（TRACE=1, INFO=9, ERROR=17）
• body：字符串或结构化对象（推荐 JSON object）
• attributes：键值对集合，用于业务上下文标签

OTLP 兼容 Schema 示例

{
  "time_unix_nano": 1717023456789000000,
  "severity_number": 9,
  "body": {"event": "user_login", "status": "success"},
  "attributes": {
    "service.name": "auth-api",
    "http.method": "POST",
    "user.id": "u_abc123"
  }
}

逻辑分析：time_unix_nano 确保高精度时序对齐；severity_number 采用 OpenTelemetry 官方定义的 8 级离散值（0–23），避免字符串比较开销；body 使用结构化对象而非字符串，便于下游解析与字段下钻；attributes 中键名须遵循 Semantic Conventions 命名规范（如 service.name 而非 service_name）。

推荐字段命名对照表

OTLP 标准字段	常见错误写法	说明
service.name	service_name	下划线 → 点号，语义分组
http.status_code	http_code	完整语义，支持自动聚合
exception.message	error_msg	统一异常归因分析路径

graph TD
  A[原始日志] --> B{标准化处理器}
  B --> C[注入 time_unix_nano]
  B --> D[映射 severity_number]
  B --> E[结构化 body 提取]
  B --> F[attributes 语义归一]
  C & D & E & F --> G[OTLP 兼容 LogRecord]

4.4 日志-指标-追踪三元组关联查询与问题定位实战

在分布式系统中，单靠孤立的日志、指标或追踪难以准确定位根因。需通过唯一 traceID 实现三者跨系统关联。

关联查询核心机制

借助 OpenTelemetry Collector 统一注入 traceID，并同步写入日志（trace_id=0a1b2c3d）、指标标签（{trace_id="0a1b2c3d"}）和 Jaeger 追踪链路。

典型排查流程

• 步骤1：从 Prometheus 发现某服务 P99 延迟突增（指标）
• 步骤2：提取对应时间窗口内高频 traceID 列表
• 步骤3：用 traceID 在 Loki 中检索全链路日志，在 Jaeger 查看跨度耗时分布

-- Grafana 日志查询（Loki）
{job="api-service"} |~ `error` | traceID="0a1b2c3d"

该查询在 Loki 中匹配含指定 traceID 的错误日志；|~ 表示正则模糊匹配，traceID= 是 OpenTelemetry 自动注入的结构化字段。

数据源	查询语法示例	关键字段
Prometheus	http_request_duration_seconds_sum{trace_id="0a1b2c3d"}	trace_id 标签
Loki	{service="auth"} | traceID="0a1b2c3d"	traceID 日志字段
Jaeger	traceID: 0a1b2c3d（UI 或 API）	原生索引字段

graph TD
    A[延迟告警] --> B[提取 traceID]
    B --> C[Loki 查日志异常]
    B --> D[Jaeger 查慢跨度]
    C & D --> E[定位 DB 连接超时]

第五章：生产级OpenTelemetry Go方案演进与未来挑战

从零 instrumentation 到全自动注入的演进路径

某电商核心订单服务在2022年Q3初始接入 OpenTelemetry Go SDK，采用手动 otel.Tracer().Start() 方式埋点，覆盖关键路径（创建订单、库存扣减、支付回调），平均每个服务新增 47 行 instrumented 代码。2023年Q1升级至 go.opentelemetry.io/contrib/instrumentation/net/http/otelhttp 中间件后，HTTP 层自动采集 span 数量提升 3.2 倍，但因未适配自定义 context 传递逻辑，导致 12% 的 span 出现 parent span missing。最终通过重写 otelhttp.WithSpanNameFormatter 并集成 oteltrace.ContextWithSpan() 显式传播 context 解决。

生产环境 Span 爆发式增长的应对策略

高并发大促期间，单节点每秒产生超 8,500 个 spans，直接压垮 Collector 内存（OOM Kill 频率达 2.3 次/小时）。团队实施三级采样策略：

• 全局概率采样率设为 0.05（5%）
• 对 /api/v1/order/submit 路径强制 1.0 全采样
• 对 status: 4xx/5xx 的 error span 实施 1.0 保底采样
  同时启用 otlpexporter 的 sending_queue（size=10000）与 max_connections=20 参数调优，将 Collector 内存峰值从 2.1GB 降至 680MB。

跨语言链路对齐的实战陷阱

该系统与 Python 编写的风控服务通过 gRPC 交互，初期出现 span parent-child 关系断裂。排查发现 Go 客户端使用 grpc.WithUnaryInterceptor(otelgrpc.UnaryClientInterceptor())，但未设置 otelgrpc.WithPropagators(otel.GetTextMapPropagator())；而 Python 侧默认使用 tracecontext 格式传播。修复后对比 traceID 分布：修正前仅 63.7% 的跨语言调用能关联，修正后达 99.2%（基于 12 小时抽样数据验证）。

OpenTelemetry Collector 的可观测性盲区

Collector 自身指标（如 otelcol_exporter_enqueue_failed_spans）未被纳入统一监控体系，导致某次 Kafka exporter 配置错误（topic 不存在）持续 47 分钟未告警。后续通过部署 otel-collector-contrib 的 prometheusremotewrite exporter，将 Collector 内部指标推送到 Prometheus，并配置如下告警规则：

- alert: OTelCollectorExportQueueFull
  expr: otelcol_exporter_enqueue_failed_spans{exporter="kafka"} > 0
  for: 1m
  labels:
    severity: critical

多租户场景下的资源隔离难题

SaaS 平台需为 23 个租户提供独立 trace 查询能力，但共用同一 Jaeger 后端引发查询延迟毛刺（P99 从 120ms 升至 1.8s）。解决方案采用 OpenTelemetry Collector 的 routing processor，按 tenant_id attribute 路由至不同 Kafka topic，并部署多套 Jaeger 实例（每 5 个租户一组），配合 otelcol-contrib v0.102.0 的 memory_limiter（limit_mib=512, spike_limit_mib=128）控制内存突增。

graph LR
A[Go App] -->|OTLP/gRPC| B[OTel Collector]
B --> C{Routing Processor}
C -->|tenant_id: t1-t5| D[Kafka Topic A]
C -->|tenant_id: t6-t10| E[Kafka Topic B]
D --> F[Jaeger Instance Group 1]
E --> G[Jaeger Instance Group 2]

云原生环境下的自动发现瓶颈

Kubernetes 集群中 Service Mesh（Istio）注入的 sidecar 与应用内 OpenTelemetry SDK 双重采集，造成 span 重复率高达 41%。通过 k8sattributes processor 提取 pod labels，并结合 resource_mapping 过滤掉 service.name 包含 -istio 后缀的 spans，同时在 deployment annotation 中声明 opentelemetry.io/inject: "false" 排除 mesh 自动注入，重复率降至 2.3%。

组件	版本	关键变更	生产影响
opentelemetry-go	v1.17.0	支持 TracerProvider.WithSampler(Sampler) 动态切换	实现灰度发布期间采样率热更新
otelcol-contrib	v0.98.0	kafkareceiver 支持 SASL/SCRAM 认证	替换旧版自研 Kafka 消费器，降低运维复杂度
jaeger-ui	v1.6.0	增加 trace comparison view	运维人员平均故障定位时间缩短 38%

未来挑战：eBPF 与 SDK 协同观测的落地障碍

尝试在 Go 服务中集成 bpftrace 抓取 socket write 调用栈以补充 HTTP client span 的缺失上下文，但发现 eBPF probe 在容器 netns 切换时无法稳定获取 Go runtime 的 goroutine ID，导致 trace context 无法与 kernel event 关联。当前采用折中方案：在 net/http.Transport.RoundTrip hook 中注入 runtime.GoID() 作为 span attribute，供后续关联分析使用。