ログ・メトリクス・トレースの違いと使い分け
ログ、メトリクス、トレースが残す情報の違いを整理。ログ収集の経路、分位点、コンテキスト伝播と、Guanceで関連データを調べるための条件を解説します。
レイテンシのグラフが悪化していれば、サービスに変化が起きたことは分かります。しかし、あるリクエストが在庫サービスを待っていたのか、決済をリトライしていたのかまでは、そのグラフだけでは追えません。そこで、別の信号に残された情報が必要になります。
ログは個々のイベントを記録し、メトリクスは測定値や分布を表し、トレースはSpanとその関係で処理の流れを表します。 それぞれが残す情報は異なります。どの信号も、リクエストに関する情報を必ずすべて保存するわけではありません。計装、収集、サンプリング、保持期間によって、後から調べられる範囲が決まります。
まず押さえたい違い
- ログは「何が起きたか」を詳しく残します。構造化されたフィールドがあれば、件数や傾向の集計にも使えます。
- メトリクスは全体の状態や変化を追うのに向いています。費用は時系列のカーディナリティ、収集頻度、保持期間などに左右されます。
- トレースは、記録されたリクエストがどの処理を通り、どこで時間を使ったかを示します。
- サービスのタグと時間範囲で調査対象を絞り、共通の識別子で同じリクエストの記録を結び付けます。同じ時間帯に発生しただけでは、因果関係があるとは限りません。
ログはイベントの詳細を残す
ログは、例外、リクエスト、状態変更など、個々のイベントの記録です。通常はタイムスタンプ、レベル、メッセージ、関連フィールドを持ちます。JSONなどによる構造化ログなら、文章を毎回解析しなくても、フィールドを直接検索や集計に利用できます。
強みは、スタックトレースや業務上の値を残せることです。主要な言語にはログライブラリもあります。ただし、復元できる状況は、アプリケーションが実際に記録し、収集経路と保存先に残った範囲に限られます。
制約は、頻度の高いログやサイズの大きいログが処理量と保存量を増やすことです。だからといって、常にログが最も高価になるわけではありません。非構造化メッセージの集計は難しくても、serviceやstatusが揃ったログなら、サービス別のエラー件数や推移を集計できます。
例外調査、監査記録、特定のリクエストで実行された処理の確認が代表的な用途です。
ログ収集(log collection)は、アプリケーションのファイル、標準出力、APIなどからデータを取り出し、コレクターによる解析・加工・転送を経て、バックエンドに届ける処理です。ここではイベントが発生した時刻と、収集側が記録を観測した時刻を区別します。遅れて届いた昨日のログを今日のイベントとして集計すると、障害の時間帯もずれて見えます。OpenTelemetryのログ時刻モデル(英語)は、この2つを別のフィールドで扱っています。
バッファとリトライは一時的な停止に役立ちますが、容量、永続化、リトライ期限には限界があります。アプリケーションがログを書いたことと、バックエンドに保存されたことは同じではありません。Collectorの耐障害性(英語)には、データ損失が起こる条件が整理されています。
メトリクスは状態と傾向を捉える
CPU使用率、リクエスト数、エラー率、レイテンシ分布などを数値で扱うのがメトリクスです。イベントのたびに更新する測定もあれば、収集時に現在値を読み取る測定もあります。固定間隔で集約することは一つの実装方法であり、メトリクス全体の定義ではありません。
一般的な時系列は、メトリクス名、ラベル、タイムスタンプ付きのサンプルで構成されます。サンプルは単一の数値だけでなく、ヒストグラムなどの分布データを持つ場合もあります。
強みは、ラベルと時間粒度を適切に抑えることで、傾向の把握やしきい値アラートに使いやすいことです。長期保持のためにダウンサンプリングするなら、減らせる負荷と失われる詳細を併せて考えます。
制約は、通常、個々のイベントの全情報を残さないことです。また、ラベル値が際限なく増えると、時系列数が増えて保存・クエリの負荷が高まります。exemplarをサポートする経路では、一部の測定にtrace IDなどのコンテキストを付けられますが、全リクエストの記録が残るわけではありません。exemplarのデータモデル(英語)
P99にも注意が必要です。分布から推定する方法と、クライアント側で計算する方法があります。互換性のあるバケットや解像度のhistogramなら、分布を集約してから分位点を求められます。一方、Prometheusのsummaryが出力するインスタンス別の分位点を平均しても、サービス全体のP99にはなりません。histogramとsummaryの違い(英語)
SLI/SLO、キャパシティ計画、「直近5分のエラー率が2%を超えた」といったアラートが代表的な用途です。
トレースは記録された処理をつなぐ
分散トレーシングでは、計装した処理をSpanとして記録します。Spanは操作名、開始・終了時刻、状態などを持ちます。同じトレースのSpanはtrace_idを共有しますが、親子関係を組み立てるには、それぞれのspan_idと親Spanの識別子も必要です。サービスを越えてコンテキストを伝播する仕組みも欠かせません。
非同期処理では、単一の親子ツリーだけでは表せない関係もあります。Span linksを使えば、キューに入った仕事と、そのきっかけとなった処理などを、別のトレースにまたがって関連付けられます。識別子が一致していても、未計装、サンプリング対象外、保持期間切れの処理を自動で補完することはできません。Spanとlinks(英語) · コンテキスト伝播(英語)
強みは、記録された呼び出し関係と所要時間をたどり、遅い処理や失敗した下流呼び出しを絞り込めることです。特に複数サービスを通るリクエストで役立ちます。レイテンシ調査には、ログ、メトリクス、プロファイリングも手掛かりを提供します。
制約は、見える範囲が計装に依存することです。手動計装、自動計装、eBPFによる収集には、それぞれ対応範囲があります。eBPFならすべての業務処理を設定なしで追跡できるとは限りません。カーネル、ランタイム、プロトコル、ツールの実装を確認します。GuanceのeBPF対応範囲(中国語)。高トラフィック時のサンプリング(英語)は負荷を抑えられますが、後から調べられるリクエストも減ります。
サービス間の遅延調査、依存関係の分析、エラーが伝播した経路の確認に適しています。
調査に合わせて3つを結び付ける
メトリクスで変化に気付き、該当するリクエストのトレースで処理を絞り、ログのスタックトレースや業務フィールドを確認する。これはよく使われる流れです。ただし、必ずこの順に進むわけでも、ログを開けば根本原因が分かるわけでもありません。
関連付けの準備は収集時から始まります。サービス名、環境、バージョンを揃え、リクエスト処理中のログには現在のtrace_idを含めます。Span単位で絞りたい場合はspan_idも記録します。
Guanceのトレース詳細(英語)では、共通の識別子で関連ログを検索できます。ログが複数インデックスに分かれている場合は、ログインデックスのマッピング(英語)で関連クエリの対象を選びます。この設定は、ログの書き込み先を決めるルールを変更しません。対象データが収集済みで、識別子の形式とアクセス権も合っていることが前提です。同じtrace IDがあっても、保存されなかったSpanや保持期間を過ぎたログは取り戻せません。
よくある疑問
小規模なチームは何から始めるべきですか。 重要な障害と、すでにあるデータから考えます。容量や可用性の不足にはメトリクス、単体アプリケーションの例外には構造化ログが役立つ場合があります。サービス間の遅延が課題なら、早期にトレースを導入する理由があります。全チーム共通の導入順序はありません。収集量と運用・保守の負担を見ながら、対象を広げます。
トレースがあればログは不要ですか。 多くの場合、必要です。Spanにも属性、イベント、例外を記録できますが、独立した業務イベントや詳細な記録にはログが適しています。何をどちらに残すかは計装設計で決め、同じリクエストの記録はtrace IDで結び付けます。
ログから作る時系列とメトリクスはどう違いますか。 メトリクスは測定値や分布、ログは個別イベントを扱います。ログを時間窓で集計しても数値の時系列が得られます。ログ由来のメトリクスの遅延と費用は、解析、転送、集約する場所、クエリ、保持方針に依存します。常にネイティブなメトリクス経路より遅く、高価になるわけではありません。集計前に失われたイベントは、後から計数に戻りません。
プロファイリングは「第4の柱」ですか。 補完する信号として扱われますが、統一された必須分類ではありません。CPU時間やメモリ割り当てを消費しているコード経路など、プロファイルの種類に応じた情報を得られます。リクエストの処理経路とは異なる視点です。OpenTelemetry Profiles(英語)
