분산 추적 개요

마지막 업데이트: 2026년 2월 20일

소개

분산 추적(Distributed Tracing)은 마이크로서비스 아키텍처에서 요청이 여러 서비스를 거쳐 처리되는 전체 경로를 추적하는 기술입니다. 단일 요청이 수십 개의 서비스를 통과할 수 있는 현대 시스템에서, 분산 추적은 성능 병목 식별과 문제 해결에 필수적입니다.

분산 추적의 필요성

기존 모니터링의 한계

마이크로서비스 환경에서 기존 로깅과 메트릭만으로는 다음 질문에 답하기 어렵습니다:

• 요청이 어떤 서비스들을 거쳤는가?
• 각 서비스에서 얼마나 시간이 걸렸는가?
• 어디서 오류가 발생했는가?
• 서비스 간 의존성은 어떻게 되는가?

핵심 개념

1. Trace (추적)

Trace는 단일 요청의 전체 여정을 나타냅니다. 하나의 요청이 시스템을 통과하면서 생성되는 모든 작업의 집합입니다.

2. Span (스팬)

Span은 하나의 작업 단위를 나타냅니다. 각 Span은 다음 정보를 포함합니다:

필드	설명	예시
TraceID	전체 추적의 고유 식별자	abc123def456
SpanID	개별 Span의 고유 식별자	span789
ParentSpanID	부모 Span의 식별자	span456
Operation Name	작업 이름	HTTP GET /api/users
Start Time	시작 시간	2025-02-15T10:30:00Z
Duration	소요 시간	150ms
Tags	메타데이터	http.status_code=200
Logs	이벤트 기록	error: connection timeout

3. Span 관계와 계층 구조

Span들은 부모-자식 관계를 형성하여 트리 구조를 이룹니다:

4. SpanContext (스팬 컨텍스트)

SpanContext는 서비스 간에 전파되는 추적 정보입니다:

# SpanContext 구성 요소
SpanContext:
  trace_id: "abc123def456789"      # 전체 추적 식별자
  span_id: "span789"               # 현재 Span 식별자
  trace_flags: "01"                # 샘플링 플래그
  trace_state: "vendor=value"      # 벤더별 추가 정보

Context Propagation (컨텍스트 전파)

서비스 간에 추적 컨텍스트를 전달하는 방식입니다.

W3C Trace Context (권장)

W3C 표준 헤더를 사용한 전파:

# HTTP 요청 헤더
traceparent: 00-abc123def456789012345678901234-span12345678-01
tracestate: rojo=00f067aa0ba902b7,congo=t61rcWkgMzE

traceparent 형식:

version-trace_id-parent_id-trace_flags
00     -abc123...-span1234...-01

B3 Propagation (Zipkin 호환)

Zipkin에서 사용하는 전파 형식:

# 단일 헤더 형식
b3: abc123def456789-span12345678-1-parent12345678

# 다중 헤더 형식
X-B3-TraceId: abc123def456789
X-B3-SpanId: span12345678
X-B3-ParentSpanId: parent12345678
X-B3-Sampled: 1

전파 방식 비교

형식	헤더	장점	단점
W3C Trace Context	traceparent, tracestate	표준, 확장 가능	상대적으로 새로움
B3 Single	b3	간단, 단일 헤더	Zipkin 특화
B3 Multi	X-B3-*	디버깅 용이	헤더 수 많음
Jaeger	uber-trace-id	Jaeger 최적화	벤더 종속

샘플링 전략

모든 요청을 추적하면 비용과 성능 문제가 발생합니다. 샘플링을 통해 이를 관리합니다.

Head-based Sampling (헤드 기반)

요청 시작 시점에 샘플링 결정:

장점:

• 구현이 간단함
• 오버헤드가 낮음
• 일관된 샘플링 결정

단점:

• 중요한 요청을 놓칠 수 있음
• 오류나 지연이 발생한 요청도 건너뛸 수 있음

구성 예시:

# OpenTelemetry SDK 설정
sampling:
  type: parentbased_traceidratio
  ratio: 0.1  # 10% 샘플링

Tail-based Sampling (테일 기반)

요청 완료 후 결과를 보고 샘플링 결정:

장점:

• 중요한 요청(오류, 지연)을 놓치지 않음
• 더 지능적인 샘플링
• 비용 효율적

단점:

• 구현이 복잡함
• 메모리 사용량이 높음
• 모든 Span을 임시 저장해야 함

OTEL Collector Tail Sampling 구성:

processors:
  tail_sampling:
    decision_wait: 10s
    num_traces: 100000
    policies:
      # 오류 요청은 모두 수집
      - name: errors
        type: status_code
        status_code:
          status_codes: [ERROR]
      # 느린 요청 수집
      - name: slow-requests
        type: latency
        latency:
          threshold_ms: 1000
      # 나머지는 10% 샘플링
      - name: probabilistic
        type: probabilistic
        probabilistic:
          sampling_percentage: 10

샘플링 전략 비교

전략	결정 시점	리소스 사용	정확도	사용 사례
Head-based	요청 시작	낮음	중간	대부분의 경우
Tail-based	요청 완료	높음	높음	오류/지연 중심
Adaptive	동적	중간	높음	트래픽 변동 큰 경우

트레이스-로그-메트릭 상관분석

TraceID를 통한 로그 연결

// Java 로깅 예시 (SLF4J + MDC)
import org.slf4j.MDC;
import io.opentelemetry.api.trace.Span;

public void processOrder(Order order) {
    Span span = Span.current();
    MDC.put("traceId", span.getSpanContext().getTraceId());
    MDC.put("spanId", span.getSpanContext().getSpanId());

    logger.info("Processing order: {}", order.getId());
    // 로그 출력: {"traceId": "abc123", "spanId": "span456", "message": "Processing order: 12345"}
}

Exemplar를 통한 메트릭 연결

# Prometheus 메트릭에 TraceID 연결
http_request_duration_seconds_bucket{le="0.5"} 1000 # {traceID="abc123"}
http_request_duration_seconds_bucket{le="1.0"} 1500 # {traceID="def456"}

Grafana에서의 상관분석

솔루션 비교

분산 추적 솔루션 비교표

기능	Tempo	X-Ray	Jaeger	Datadog APM	Dynatrace
유형	오픈소스	AWS 관리형	오픈소스	상용 SaaS	상용 SaaS
저장소	Object Storage	AWS 내부	Cassandra/ES	Datadog	Dynatrace
쿼리 언어	TraceQL	Filter Expressions	-	-	DQL
샘플링	Head/Tail	규칙 기반	Head	동적	동적
OTEL 지원	네이티브	네이티브	네이티브	네이티브	네이티브
서비스 맵	Grafana 연동	내장	내장	내장	내장
AI 분석	없음	없음	없음	Watchdog	Davis AI
비용	스토리지 비용만	사용량 기반	인프라 비용	호스트/스팬 기반	호스트 기반
EKS 통합	수동 구성	네이티브	수동 구성	에이전트 배포	OneAgent

선택 가이드

Best Practices

1. 계측 전략

# 권장 계측 범위
instrumentation:
  # 항상 계측
  always:
    - HTTP 요청/응답
    - gRPC 호출
    - 데이터베이스 쿼리
    - 메시지 큐 작업
    - 외부 API 호출

  # 선택적 계측
  optional:
    - 내부 함수 호출
    - 캐시 작업
    - 파일 I/O

2. Span 네이밍 규칙

# 좋은 예시
- "HTTP GET /api/users/{id}"
- "PostgreSQL SELECT users"
- "Redis GET user:123"
- "Kafka SEND orders"

# 나쁜 예시
- "http call"
- "db query"
- "process"
- "span1"

3. 태그 표준화

# OpenTelemetry Semantic Conventions
tags:
  # HTTP
  http.method: GET
  http.url: https://api.example.com/users
  http.status_code: 200

  # Database
  db.system: postgresql
  db.statement: SELECT * FROM users
  db.operation: SELECT

  # Service
  service.name: user-service
  service.version: 1.2.3

다음 단계

분산 추적의 개념을 이해했다면, 다음 섹션에서 구체적인 도구 사용법을 학습하세요:

• Grafana Tempo: Grafana 스택의 분산 추적 백엔드
• AWS X-Ray: AWS 네이티브 분산 추적
• OpenTelemetry: 표준화된 계측 프레임워크
• Dynatrace: AI 기반 APM 솔루션

퀴즈

이 장에서 배운 내용을 테스트하려면 각 도구별 퀴즈를 풀어보세요:

• Tempo 퀴즈
• X-Ray 퀴즈
• OpenTelemetry 퀴즈
• Dynatrace 퀴즈