弥合差距：借助 Kiali 为 Istio Ambient 模式带来 Sidecar 级别的链路追踪

Istio 的 Ambient 模式在最近几个版本中持续稳步演进。 尽管它已在 1.24 版本中正式发布（GA）， 但随着后续版本中各项功能的变化和趋于稳定，其行为也在不断演变。 随着 Istio 1.29 和 Kiali 2.25 的发布， 我们现在可以自信地说，Ambient 模式下的链路追踪已与 Sidecar 模式完全对等。

waypoint 代理的作用

作为背景，需要注意的是，L7 遥测数据（包括指标和链路追踪） 均由 **waypoint 代理**提供。 在 Sidecar 模式下，代理与应用程序位于同一个 Pod 中； 而 waypoint 则是一种共享的、解耦的资源， 其作用范围可以是一个命名空间、一个服务，甚至是特定的工作负载。 它充当其所处理流量的“守门人”，负责处理所有 L7 逻辑。 相比之下，Ambient 节点代理 ztunnel 仅在 L4 运行，因此无法生成 L7 遥测数据。

身份的转变：从服务到 waypoint

由于 waypoint 代理位于工作负载外部， 确定一条链路追踪的“归属者”一直是一项架构上的挑战。 在 Istio 1.27 中，waypoint 代理在创建链路追踪时， 会将 waypoint 名称用作服务名。

Istio 1.28 引入了一项变更，将链路追踪直接归属于目标服务， 而不是 waypoint。这一行为在 1.29 的各个版本中一直保持不变。

Istio 1.30 将 waypoint 视为“一等公民”，进一步完善了这一状况。 现在，waypoint 既如实保留了这一跳在架构上的存在，又不会使真正的目标变得模糊。 其中，Span 的操作名称能够正确反映被重定向的服务流量， 而基础设施元数据则指向 waypoint。

缺失的一环：工作负载可见性

虽然服务到服务的链路追踪已经能够正常工作， 但仍存在一个明显的缺口：工作负载级别的粒度。 在 Sidecar 模式下，我们依靠 node_id 属性来识别具体的 Pod。 而在 Ambient 模式下，这一信息是缺失的。 如果某个服务将流量路由到某个工作负载的多个版本（例如 v1、v2 和 v3）， 我们虽然能够看到服务这一跳，却无法精确定位究竟是哪个具体的工作负载在处理请求， 从而丢失了重要的调试信息。

这一缺口已在 Istio 1.29 中得到弥合。 通过引入 istio.source_workload 和 istio.destination_workload 等显式属性， 并利用 waypoint 所处的特殊“中间人”位置， 我们现在可以完整地看到请求的来源和最终目标。

Kiali：统一的可观测性平面

Kiali 是 Istio 服务网格的控制台。 它通过将指标、链路追踪和配置关联到同一个视图中， 帮助您对网格进行配置、可视化、验证和故障排查。

那么，这些链路追踪方面的改进在 Kiali 中是如何体现的呢？ 得益于这些新属性，Kiali 的 Trace Overlay（链路追踪叠加）功能比以往任何时候都更加强大。 选中一条链路追踪时，Kiali 会高亮显示整个请求路径， 包括所涉及的服务和具体的工作负载， 从而在版本化应用图（Versioned App Graph）中完整呈现该链路追踪的视图。

Kiali 基于指标数据构建流量图，指标数据提供了拓扑结构， 并以可视化的方式展示请求如何在网格中流转。 随后，Trace Overlay 功能会利用所选的链路追踪， 高亮显示属于该特定请求路径的节点和边。 换句话说，指标提供了图的结构， 而链路追踪则确定了请求在该结构中实际经过的确切路线。

这一过程是逐跳进行的。所选的链路追踪提供了一系列 Span， 而现在每个 Span 都包含能够标识该跳所涉及的服务和工作负载的属性。 借助这些信息，Kiali 可以将每个 Span 与版本化应用图中的相应元素进行匹配， 并重建请求的完整路径，包括实际处理该流量的具体工作负载版本。

Kiali 的使命之一是简化故障排查。在 Workload Details（工作负载详情）视图中， Kiali 会自动关联数据，因此您无需再手动搜寻隐藏在 waypoint 名称下的链路追踪。 它会识别与工作负载关联的 waypoint，查询链路追踪提供程序，并为您过滤结果。

默认情况下，Kiali 使用服务名称来查找链路追踪，但您可以对这一行为进行微调。 如果您的环境有此需要（取决于 Istio 版本以及是否使用 Ambient 模式）， 您可以通过将 Kiali 配置项 external_services.tracing.use_waypoint_name 设置为 true， 来配置 Kiali 映射这些身份的方式。

除了可视化之外，这种遥测数据的丰富还为更多高级能力打开了大门。 借助整个网格中一致的链路追踪和指标， Kiali 的 AI 驱动功能（包括 Kiali 助手） 现在能够更准确地协助进行根因分析。 当拼图的所有碎片都已就位时， 该助手便能主动识别您的 Ambient 网格中的瓶颈或错误配置， 将原始的可观测性数据转化为自动化的智能洞察。

本文的一个版本最初发布于 Medium 上的 Kiali 博客。 欢迎在那里关注我们，以获取更频繁的更新。