第11章 生产部署与运维学习目标能够在Kubernetes上部署高可用的追踪基础设施（Collector集群 + Jaeger集群）掌握容量规划方法，能根据QPS和采样率准确估算存储需求和带宽能够建立追踪系统的运维监控体系，确保追踪系统本身的可靠性11.1 一个真实的故事：追踪系统比业务系统先崩溃2024年，某中型电商平台完成了全链路追踪的部署——每个微服务都挂载了OpenTelemetry Agent，Collector集群接收所有Trace数据，导出到Elasticsearch存储。团队信心满满地迎接双十一。当天凌晨，流量从平时的2000 QPS飙升至15000 QPS。Collector的内存使用率从40%暴涨到95%，开始OOM Kill。Elasticsearch集群的写入队列被填满，拒绝服务。Jaeger UI无法打开，查询超时。更糟糕的是：由于Collector崩溃，Agent端的数据发送队列也被填满，导致业务线程在等待发送Trace数据时被阻塞，订单处理接口的P99延迟从200ms飙升到5秒。这个案例揭示了一个残酷的事实：追踪系统本身也会成为故障点。如果不在生产部署前做好容量规划、高可用设计和运维监控，追踪系统带来的不是可观测性，而是额外的灾难。本章将围绕"如何让追踪系统在生产环境中可靠运行"这一核心问题，从部署架构、容量规划到运维最佳实践，逐
第11章 生产部署与运维学习目标能够在Kubernetes上部署高可用的追踪基础设施（Collector集群 + Jaeger集群）掌握容量规划方法，能根据QPS和采样率准确估算存储需求和带宽能够建立追踪系统的运维监控体系，确保追踪系统本身的可靠性11.1 一个真实的故事：追踪系统比业务系统先崩溃2024年，某中型电商平台完成了全链路追踪的部署——每个微服务都挂载了OpenTelemetry Agent，Collector集群接收所有Trace数据，导出到Elasticsearch存储。团队信心满满地迎接双十一。当天凌晨，流量从平时的2000 QPS飙升至15000 QPS。Collector的内存使用率从40%暴涨到95%，开始OOM Kill。Elasticsearch集群的写入队列被填满，拒绝服务。Jaeger UI无法打开，查询超时。更糟糕的是：由于Collector崩溃，Agent端的数据发送队列也被填满，导致业务线程在等待发送Trace数据时被阻塞，订单处理接口的P99延迟从200ms飙升到5秒。这个案例揭示了一个残酷的事实：追踪系统本身也会成为故障点。如果不在生产部署前做好容量规划、高可用设计和运维监控，追踪系统带来的不是可观测性，而是额外的灾难。本章将围绕"如何让追踪系统在生产环境中可靠运行"这一核心问题，从部署架构、容量规划到运维最佳实践，逐
