第一章：Go服务Trace数据落盘失败的全景认知
Trace数据落盘失败并非孤立异常，而是横跨采集、序列化、传输与持久化多个环节的系统性问题。当OpenTelemetry SDK调用spanProcessor.OnEnd()后，预期将Span数据写入本地磁盘（如通过fileexporter），但实际常因权限、路径、序列化或并发控制失效而静默丢弃——既无panic也无可观测错误日志，仅表现为Trace链路在Jaeger/Zipkin中“断连”。
常见根因分类
- 文件系统层：目标目录不存在且无自动创建逻辑；磁盘满或inode耗尽；SELinux/AppArmor策略拦截写入
- SDK配置缺陷：
fileexporter未设置rotation参数，单文件超限后拒绝追加；timeout过短导致异步flush被强制中断 - 序列化瓶颈：启用
json编码时，含大量二进制属性（如http.request.body）的Span触发json.Marshalpanic，但SDK默认吞掉错误 - 并发竞争：多goroutine共用同一
*os.File句柄，Write()调用未加锁，引发short write或invalid argument
快速验证步骤
-
检查导出器是否启用调试日志：
// 初始化exporter时显式开启debug exporter, _ := fileexporter.New(context.Background(), fileexporter.WithWriter(os.Stderr)) // 临时重定向到stderr -
手动触发一次落盘并捕获错误：
spans := []sdktrace.ReadOnlySpan{mockSpan()} // 构造测试Span err := exporter.ConsumeTraces(context.Background(), sdktrace.NewReadOnlySpanSlice(spans...)) if err != nil { log.Printf("Trace落盘失败: %v", err) // 此处必须有日志，否则问题不可见 } -
验证磁盘状态：
df -h /var/log/traces # 检查挂载点空间 ls -ld /var/log/traces # 确认目录权限与属主
| 维度 | 健康信号 | 危险信号 |
|---|---|---|
| 文件句柄 | lsof -p <pid> \| grep trace.log 显示REG类型且FD数稳定 |
出现大量DEL或can't identify protocol |
| 写入延迟 | strace -p <pid> -e trace=write 观察write()返回值≥0 |
频繁返回-1并设errno=ENOSPC或EACCES |
| 序列化开销 | pprof CPU profile中encoding/json.*占比
| 占比>30%且伴随GC Pause飙升 |
第二章：磁盘IO异常场景的理论建模与复现验证
2.1 基于Linux Block Layer的IO路径建模与Trace写入阻塞点定位
Linux块层IO路径可抽象为：VFS → bio → request_queue → elevator → device driver → hardware。阻塞常发生在队列深度饱和或调度器锁竞争处。
数据同步机制
bio 提交后若 REQ_SYNC 标志置位，会触发 blk_mq_wait_for_tags() 等待可用标签，此时 blk_trace 可能因 trace_seq_printf() 持有 seq->lock 而被 rq_qos 路径抢占阻塞。
// kernel/trace/blktrace.c: blk_add_trace_rq()
if (unlikely(!trace_event_enabled_unlocked(&event->class))) // 快速路径检查
return;
trace_seq_init(&iter.seq); // 初始化seq结构体
trace_seq_printf(&iter.seq, "rw=%d, cmd_flags=0x%x", rw, rq->cmd_flags);trace_seq_printf() 内部调用 seq_buf_putc()，若缓冲区满则调用 seq_buf_alloc() 触发内存分配——在中断上下文可能引发 GFP_ATOMIC 分配失败，导致 trace 写入挂起。
关键阻塞点对比
| 阻塞位置 | 触发条件 | 典型延迟来源 |
|---|---|---|
blk_mq_get_tag() |
tags->nr_free == 0 |
标签池耗尽 |
trace_seq_printf() |
seq->len >= seq->size |
trace buffer满+锁竞争 |
graph TD
A[bio_submit] --> B[blk_mq_queue_run]
B --> C[get_tag_from_bitmap]
C --> D{tag available?}
D -->|Yes| E[dispatch to driver]
D -->|No| F[wait_event_io_timeout]
F --> G[trace_write_blocked]2.2 文件系统级故障注入：ext4 journal hang与xfs log stall实操复现
数据同步机制
ext4 依赖日志（journal）确保元数据一致性，XFS 则使用循环式 log buffer。二者在高负载下易因 log I/O 阻塞触发 hang/stall。
复现步骤（ext4 journal hang）
# 模拟 journal 写入阻塞：冻结 journal 设备
echo 1 > /sys/fs/ext4/sda1/journal_stop # 非标准接口，需 patch 内核或使用 fault-injector
# 更可靠方式：通过 blktrace + fio 延迟 journal 所在块设备响应
fio --name=journal-delay --ioengine=libaio --rw=randwrite \
--bs=4k --direct=1 --filename=/dev/sdb --rate_iops=1 \
--io_limit=1 --rate_process=linear --time_based --runtime=60该命令对 journal 所在物理盘施加 IOPS 限流，迫使 jbd2 线程长时间等待 log_wait_commit()，复现 journal hang。
XFS log stall 触发要点
| 维度 | ext4 | XFS |
|---|---|---|
| 日志位置 | 独立 journal 区域或内联 | 固定大小 circular log |
| stall 关键点 | jbd2_journal_commit_transaction |
xlog_cil_force_lsn |
核心依赖流程
graph TD
A[应用 write()] --> B[ext4_dirty_inode]
B --> C[jbd2_journal_start]
C --> D{journal space available?}
D -- No --> E[wait_event(log->j_wait_logspace)]
E --> F[hang until checkpoint]2.3 内核页缓存压力下的writeback死锁链路构造（含dirty_ratio/dirty_background_ratio调参实验）
数据同步机制
Linux内核通过pdflush（现为writeback内核线程）异步回写脏页。当脏页占比超dirty_ratio（系统级硬限），write()阻塞等待；若达dirty_background_ratio（后台触发阈值），唤醒writeback线程。
关键参数实验对比
| 参数 | 默认值 | 触发行为 | 风险 |
|---|---|---|---|
dirty_background_ratio |
10 | 启动后台回写 | 过低→频繁唤醒，CPU开销↑ |
dirty_ratio |
20 | 同步阻塞写入 | 过高→OOM风险，易触发死锁 |
死锁链路构造
# 模拟高压：禁用swap，强制内存全用于page cache
echo 0 > /proc/sys/vm/swappiness
echo 1 > /proc/sys/vm/overcommit_memory
# 设置激进阈值，诱发writeback竞争
echo 5 > /proc/sys/vm/dirty_background_ratio
echo 8 > /proc/sys/vm/dirty_ratio该配置使writeback线程在回写途中因内存不足无法分配新页，而用户进程又因脏页超标被阻塞——形成“写进程等回写完成，回写线程等内存释放”的闭环等待。
writeback阻塞流图
graph TD
A[应用调用write] --> B{脏页占比 ≥ dirty_ratio?}
B -->|Yes| C[进程进入TASK_UNINTERRUPTIBLE]
C --> D[等待writeback完成]
D --> E[writeback线程尝试分配内存]
E --> F{内存不足？}
F -->|Yes| G[触发direct reclaim]
G --> H[reclaim需等待IO完成]
H --> D2.4 存储设备层异常模拟：NVMe timeout、SCSI sense key注入与io_uring fallback失效验证
异常注入原理
通过 nvme-cli 注入超时、sg_inq/sg_error 注入 SCSI sense key（如 0x5 0x20 0x0 —— INVALID COMMAND OPERATION），触发内核 I/O 路径的错误分支。
io_uring fallback 验证流程
# 强制禁用 io_uring 并注入 NVMe timeout（100ms）
sudo nvme set-feature /dev/nvme0n1 -f 0x08 -v 100 --raw-binary参数说明：
-f 0x08为 Timeout Feature，-v 100表示 100ms 超时阈值；该设置使正常 read/write 在超时后返回-ETIMEDOUT，进而绕过 io_uring 提交路径，强制降级至 legacy block layer。
关键状态对照表
| 异常类型 | 触发路径 | fallback 是否生效 | 内核日志关键词 |
|---|---|---|---|
| NVMe timeout | nvme_timeout → blk_mq_complete_request |
是 | io_uring: fallback to legacy |
| SCSI KEY 0x5/0x20 | scsi_check_sense → blk_mq_requeue_request |
否（重试逻辑优先） | sense key=0x5 asc=0x20 |
故障传播路径
graph TD
A[用户发起 write] --> B{io_uring enabled?}
B -->|Yes| C[NVMe cmd submit]
B -->|No| D[Legacy blk-mq path]
C --> E[NVMe timeout?]
E -->|Yes| F[blk_mq_complete_request → fallback]
F --> G[重走 generic_make_request]2.5 容器运行时IO隔离失效：cgroup v2 io.weight/io.max误配导致Trace writer饿死复现
当 io.weight 与 io.max 在 cgroup v2 中混用时，内核 IO 控制器会退化为权重优先模式，忽略带宽上限约束。
失效场景复现
# 错误配置：同时设置 weight 和 max（v2 不支持共存）
echo "100" > /sys/fs/cgroup/trace-writer/io.weight
echo "rbps=5242880" > /sys/fs/cgroup/trace-writer/io.max # 5MB/s⚠️ 内核日志显示
io.max ignored: io.weight active。此时io.max被静默丢弃，trace-writer在高负载容器竞争下因权重过低（默认100）被持续压制，写入延迟飙升至秒级。
关键参数行为对照
| 参数 | 作用域 | 共存兼容性 | trace-writer 影响 |
|---|---|---|---|
io.weight |
相对权重分配 | 排他启用 | 权重=100 → 实际带宽≈3% |
io.max |
绝对带宽上限 | 与 weight 互斥 | 设置后若 weight 存在则失效 |
IO 调度依赖链
graph TD
A[trace-writer进程] --> B[cgroup v2 io controller]
B --> C{配置模式}
C -->|weight only| D[按比例分配，无硬限]
C -->|io.max only| E[严格带宽封顶]
C -->|weight + max| F[io.max 被忽略 → 饿死风险]第三章：OOM Killer触发机制与Trace落盘的耦合失效分析
3.1 OOM Killer评分算法源码级解析（oom_score_adj、badness_score计算逻辑）
OOM Killer 的决策核心在于 badness_score，其值由进程的内存占用与 oom_score_adj 调整因子共同决定。
计算入口：oom_badness() 函数（mm/oom_kill.c）
unsigned long oom_badness(struct task_struct *p, struct mem_cgroup *memcg,
const nodemask_t *nodemask, unsigned long totalpages)
{
long points = 0;
long adj;
adj = (long)p->signal->oom_score_adj; // [-1000, +1000]，-1000=免疫，+1000=最优先杀
if (adj == -1000)
return 0;
points = get_mm_rss(p->mm) + get_mm_counter(p->mm, MM_SWAPENTS); // RSS + swap pages
points += mm_pgtables_bytes(p->mm) / PAGE_SIZE; // pgtable开销折算为页数
points *= 1000; // 归一化放大，避免浮点
points /= totalpages + 1; // 占系统总可回收页比例（+1防除零）
points = (points * (adj + 1000)) / 2000; // 线性映射到 [0, 1000] 区间
return points > 1000 ? 1000 : points;
}该函数将物理内存压力（RSS+swap+页表）与用户可控权重 oom_score_adj 耦合，最终输出 [0, 1000] 区间的 badness_score。adj = -1000 时直接返回 ，实现进程免疫。
关键参数语义
| 参数 | 取值范围 | 含义 |
|---|---|---|
oom_score_adj |
-1000 ~ +1000 |
用户态可写，-1000 表示OOM免疫 |
totalpages |
≥0 | 当前zone或memcg中可回收总页数（含LRU） |
badness_score |
0 ~ 1000 |
数值越大，越可能被OOM Killer选中 |
决策流程简图
graph TD
A[获取进程RSS/SWAP/PGTABLE页数] --> B[归一化为占系统内存百分比]
B --> C[线性缩放：* adj+1000 / 2000]
C --> D[截断至0~1000]
D --> E[选取score最大者kill]3.2 Trace Writer goroutine内存暴涨模式识别：pprof heap profile + runtime.MemStats交叉验证
数据同步机制
Trace Writer goroutine 在高频写入场景下易因缓冲区堆积引发内存持续增长。典型表现为 runtime.MemStats.HeapAlloc 每秒递增超 10MB，且 pprof -heap 显示大量 []byte 和 *trace.Span 占比超65%。
交叉验证方法
- 启动时启用
net/http/pprof并定时采集 heap profile - 同步轮询
runtime.ReadMemStats()获取实时堆指标
// 定期采集 MemStats 用于趋势比对
var memStats runtime.MemStats
runtime.ReadMemStats(&memStats)
log.Printf("HeapAlloc: %v MB, NumGC: %v",
memStats.HeapAlloc/1024/1024, memStats.NumGC)该代码每5秒执行一次，HeapAlloc 反映当前已分配但未释放的堆内存；NumGC 突增伴随 HeapInuse 滞后上升，提示 GC 无法及时回收 trace 对象。
关键指标对照表
| 指标 | 正常值 | 异常征兆 |
|---|---|---|
HeapAlloc 增速 |
>5 MB/s（持续10s+） | |
Mallocs / Frees 差值 |
≈0 | >10⁵（对象泄漏） |
内存泄漏路径分析
graph TD
A[Trace Writer goroutine] --> B[调用 span.EncodeToBuffer]
B --> C[预分配 4KB []byte 缓冲池]
C --> D{缓冲未复用或泄漏？}
D -->|是| E[heap profile 中 runtime.mallocgc 频次激增]
D -->|否| F[检查 sync.Pool Get/ Put 是否失衡]3.3 cgroup memory.pressure高水位下OOM提前触发的Trace丢弃链路还原
当 memory.pressure 持续高于 high threshold（如 80%），内核会启动 proactive reclaim，但若回收不及，mem_cgroup_oom_synchronize() 可能跳过 tracepoint 注册直接触发 OOM killer。
关键丢弃点：trace_event_buffer_lock_reserve 被绕过
// kernel/mm/memcontrol.c: mem_cgroup_out_of_memory()
if (mem_cgroup_is_root(memcg) || !static_branch_unlikely(&trace_mem_control_enabled))
goto skip_trace; // ⚠️ 高压下 trace 被静态禁用逻辑分析：static_branch_unlikely 在 memory.pressure 长期高位时被 runtime disable，避免 trace 开销加剧内存紧张；trace_mem_control_enabled 由 trace_memcg_oom_enabled() 控制，其开关依赖 tracepoint_probe_register() 是否成功注册——而高压下该注册常因 kmalloc 失败返回 -ENOMEM。
OOM trace 丢弃路径依赖关系
| 触发条件 | trace 是否记录 | 原因 |
|---|---|---|
memory.pressure=low |
✅ | tracepoint 正常注册 |
memory.pressure=high |
❌ | kmalloc(GFP_KERNEL) 失败 |
memory.pressure=critical |
❌ | trace_event_buffer_lock_reserve() 返回 NULL |
graph TD A[mem_cgroup_oom_synchronize] –> B{trace_mem_control_enabled?} B –>|false| C[skip_trace → no trace_record] B –>|true| D[trace_mem_cgroup_oom]
第四章：全链路追踪数据持久化的健壮性加固实践
4.1 异步落盘双缓冲架构设计：ring buffer + spill-to-disk策略实现与压测对比
核心架构演进逻辑
传统单缓冲写盘易阻塞生产者；双缓冲解耦内存写入与磁盘落盘，而 ring buffer 提供无锁、定长、循环复用的高效内存池。
数据同步机制
采用 producer-consumer 模式，生产者写入当前 active buffer，消费者线程异步将满 buffer spill 至磁盘临时文件，完成后原子切换指针：
// 双缓冲环形队列核心切换逻辑
if (activeBuffer.isFull()) {
spillExecutor.submit(() -> spillToDisk(activeBuffer)); // 异步落盘
activeBuffer = idleBuffer; // 原子指针交换
idleBuffer = activeBuffer; // 复用原active为新idle
}spillToDisk() 使用 MappedByteBuffer 直接刷写，isFull() 基于预设阈值（如 95% 容量），避免临界区竞争。
压测性能对比（10K msg/s 持续写入）
| 策略 | 吞吐量（MB/s） | P99延迟（ms） | OOM风险 |
|---|---|---|---|
| 单缓冲同步写盘 | 12.3 | 842 | 高 |
| ring buffer + spill | 217.6 | 3.2 | 无 |
落盘触发流程
graph TD
A[Producer写入Active Buffer] --> B{是否达阈值？}
B -->|是| C[提交Spill任务到线程池]
B -->|否| A
C --> D[fsync临时文件]
D --> E[通知Consumer消费]
E --> F[回收Buffer归入Idle池]4.2 基于eBPF的IO延迟可观测性增强：tracepoint监控writev/flush syscall超时并自动降级
核心监控点选择
writev 和 flush（即 fsync/fdatasync）是用户态数据持久化的关键路径。eBPF通过 tracepoint:syscalls/sys_enter_writev 和 tracepoint:syscalls/sys_enter_fsync 实现零侵入挂钩，避免kprobe稳定性风险。
超时判定与降级策略
// eBPF程序片段：记录syscall开始时间戳
SEC("tracepoint/syscalls/sys_enter_writev")
int trace_writev_entry(struct trace_event_raw_sys_enter *ctx) {
u64 pid_tgid = bpf_get_current_pid_tgid();
u64 ts = bpf_ktime_get_ns();
start_ts_map.update(&pid_tgid, &ts); // 使用per-CPU map降低争用
return 0;
}逻辑分析：bpf_ktime_get_ns() 提供纳秒级精度；start_ts_map 为 BPF_MAP_TYPE_HASH，键为 pid_tgid（确保跨线程隔离），值为起始时间戳；update() 原子写入，无锁设计保障高吞吐。
自动降级触发流程
graph TD
A[syscall进入] --> B{耗时 > 50ms?}
B -->|Yes| C[标记当前fd为“降级候选”]
B -->|No| D[正常完成]
C --> E[后续writev对同一fd跳过fsync]
E --> F[日志告警+Prometheus指标+1]关键参数配置表
| 参数 | 默认值 | 说明 |
|---|---|---|
timeout_ns |
50_000_000 | 触发降级的syscall耗时阈值（纳秒） |
degrade_ttl_sec |
30 | 降级状态在map中保留时间（秒） |
max_degrade_fd |
1024 | 全局最多同时降级的文件描述符数 |
4.3 文件描述符泄漏防护：fd leak detection hook + trace file pre-allocation机制
文件描述符（fd）泄漏是长期运行服务中隐蔽性强、排查成本高的稳定性隐患。本机制通过双层协同实现主动防控。
fd leak detection hook
在 open()/socket() 等系统调用入口注入轻量级 hook，记录调用栈与时间戳：
// fd_hook.c（内核模块片段）
static int fd_hook_open(const char __user *filename, int flags, umode_t mode) {
int fd = real_sys_open(filename, flags, mode);
if (fd >= 0 && fd < MAX_TRACE_FD) {
trace_fd_alloc(fd, current->pid, get_caller_addr(), jiffies); // 记录分配上下文
}
return fd;
}逻辑分析：仅对合法 fd（MAX_TRACE_FD）采样，避免性能冲击；get_caller_addr() 捕获调用点，支撑泄漏溯源；jiffies 提供时间维度用于超时判定。
trace file pre-allocation
启动时预分配固定大小的环形 trace buffer（如 64MB），避免运行时 malloc 引发的内存碎片与延迟抖动。
| 配置项 | 默认值 | 说明 |
|---|---|---|
trace_buf_size |
67108864 | 预分配字节数（64MB） |
max_tracked_fd |
8192 | 同时追踪的最大 fd 数量 |
协同防护流程
graph TD
A[fd 分配] --> B{hook 拦截}
B --> C[写入预分配 trace buffer]
C --> D[后台扫描：无 close 对应的 fd > 5min？]
D -->|是| E[告警 + dump stack]
D -->|否| F[继续监控]4.4 磁盘健康状态主动探测：smartctl集成 + fallocate预检 + fallback local SSD兜底策略
主动健康巡检流水线
采用三层防御机制：S.M.A.R.T. 基础指标采集 → 逻辑块可写性验证 → 硬件级降级切换。
# 每2小时执行一次健康快照（-a: 全量属性，-n standby: 避免唤醒休眠盘）
smartctl -a -n standby /dev/sdb | grep -E "(Reallocated_Sector|UDMA_CRC_Error|Temperature_Celsius)"该命令静默获取关键老化指标；-n standby防止干扰NAS等低功耗场景，grep聚焦三大失效强相关参数。
预分配空间写入验证
# 在目标挂载点预留1GB稀疏文件并触发实际块分配（-l: 低优先级IO，避免阻塞业务）
fallocate -l 1G /mnt/raid/test.tmp && sync && dd if=/dev/zero of=/mnt/raid/test.tmp bs=4M conv=fdatasyncfallocate快速占位后，dd强制落盘检验底层RAID/LVM是否响应写入请求，conv=fdatasync确保元数据与数据均刷盘。
降级策略决策矩阵
| 触发条件 | 动作 | 超时阈值 |
|---|---|---|
smartctl返回非零退出码 |
切换至监控告警模式 | — |
dd写入失败或超时 >30s |
自动卸载故障卷，挂载本地SSD | 30s |
| 连续3次预检失败 | 触发运维工单 + Prometheus告警 | 6h |
graph TD
A[定时巡检] --> B{smartctl健康？}
B -- 否 --> C[标记磁盘为Degraded]
B -- 是 --> D{fallocate+dd写入成功？}
D -- 否 --> E[卸载原卷 → 挂载/local_ssd]
D -- 是 --> F[维持当前路径]第五章：架构演进与跨语言追踪一致性保障
现代微服务系统常经历从单体到多语言微服务的渐进式演进。某金融风控平台在三年内完成了从 Java 单体 → Spring Cloud（Java）→ 多语言混合架构（Go 网关 + Rust 核心引擎 + Python 实时特征服务 + Node.js 管理后台）的迁移。这一过程暴露出分布式追踪链路断裂、Span 语义不一致、上下文透传丢失等关键问题。
上下文传播协议的统一选型
团队最终放弃自研传播格式，采用 W3C Trace Context 规范（traceparent/tracestate HTTP header），并强制所有语言 SDK 启用 w3c 模式。Go 的 opentelemetry-go、Rust 的 opentelemetry-api、Python 的 opentelemetry-instrumentation-wsgi 均通过配置启用：
# otel-collector-config.yaml 片段
receivers:
otlp:
protocols:
http:
cors_allowed_origins: ["*"]
exporters:
jaeger:
endpoint: "jaeger-all-in-one:14250"
service:
pipelines:
traces:
receivers: [otlp]
exporters: [jaeger]跨语言 Span 生命周期对齐
Java 服务中 @Trace 注解默认创建 SERVER Span；而 Python 的 Flask Instrumentation 默认将整个请求视为一个 SERVER Span，但 Rust 引擎内部异步任务需手动创建 CLIENT Span 并注入父上下文。团队制定《Span 语义规范 v2.3》，明确：
| 组件类型 | 必须使用的 Span Kind | 示例场景 |
|---|---|---|
| HTTP 入口 | SERVER | Nginx → Go API Gateway |
| 内部 RPC 调用 | CLIENT | Go → Rust gRPC 调用 |
| 异步消息消费 | CONSUMER | Kafka Consumer（Python）处理风控事件 |
| 数据库查询 | INTERNAL | Rust 引擎内执行 PostgreSQL 查询 |
语言间 Context 注入与提取验证
为杜绝 traceparent header 在 Nginx 或 Envoy 中被意外截断，团队编写跨语言一致性测试套件：
- Go 服务发起带
traceparent: 00-4bf92f3577b34da6a3ce929d0e0e4736-00f067aa0ba902b7-01的请求 - Rust 服务通过
opentelemetry::global::get_text_map_propagator().extract()提取并校验 trace_id、span_id、flags - Python 服务使用
otel_api.propagate.extract(carrier)验证tracestate中携带的env=prod,region=shanghai标签是否完整保留
生产环境链路修复实战
2024年Q2，线上发现 12.7% 的风控决策链路缺失 Rust 层 Span。根因是 Rust 的 tonic 客户端未启用 opentelemetry-tonic 插件，且其 Interceptor 未调用 propagator.inject()。修复后部署灰度集群，通过以下 Mermaid 流程图验证全链路透传：
flowchart LR
A[Go Gateway] -->|HTTP w/ traceparent| B[Rust Engine]
B -->|gRPC w/ traceparent| C[Python Feature Service]
C -->|HTTP w/ traceparent| D[PostgreSQL Proxy]
D -->|DB driver context| E[PostgreSQL Server]
style A fill:#4CAF50,stroke:#388E3C
style B fill:#2196F3,stroke:#0D47A1
style C fill:#FF9800,stroke:#E65100
style D fill:#9C27B0,stroke:#4A148C追踪数据采样策略协同
为避免不同语言 SDK 独立采样导致链路碎片化，所有服务禁用本地采样，统一由 OpenTelemetry Collector 的 tail_sampling 策略控制：对包含 error=true 标签或 http.status_code ≥ 500 的链路 100% 采样，其余链路按 traceID % 100 < 5 实施 5% 采样。该策略通过 YAML 配置下发至全部语言客户端，确保采样决策全局一致。
