Apache SkyWalking Booster-UI中D3追踪图显示不完整问题分析
问题背景
在Apache SkyWalking的可观测性平台中,Booster-UI组件负责展示追踪数据。近期发现当追踪数据包含多个引用关系(refs)时,使用D3.js渲染的追踪图会出现显示不完整的问题。这个问题特别容易在RocketMQ等消息队列场景中出现,因为这些场景通常会生成包含多个跨进程引用的追踪数据。
问题现象
当追踪数据满足以下条件时会出现显示问题:
- 追踪包含多个span
- 这些span之间存在引用关系(refs)
- 特别是当有多个消费者-生产者模式的消息传递时
具体表现为D3渲染的SVG图形底部被截断,无法完整显示所有span节点。从技术实现来看,这是因为SVG容器的初始高度计算没有考虑引用节点的空间需求。
技术分析
当前实现的问题
当前代码中SVG容器高度的计算方式存在两个主要问题:
-
高度计算不完整:仅基于span数量计算高度,公式为
(span数量+1)*48。例如9个span计算得到480px高度。 -
调整不足:在已有计算基础上仅增加20px的调整量(变为500px),这对于包含多个ref的追踪远远不够。
正确的计算方式
正确的计算应该考虑:
- 基础span数量
- 引用关系(refs)带来的额外节点
- 必要的边距
修正后的计算公式应为:(span数量 + ref数量 + 1) * 节点高度(48px)。以示例中的9个span和5个ref为例,正确高度应为720px。
影响范围
这个问题主要影响:
- 消息队列场景(RocketMQ、Kafka等)的追踪展示
- 复杂的分布式事务追踪
- 任何包含多个跨进程引用的追踪场景
解决方案建议
修复方案需要修改D3Graph组件的实现,主要调整点包括:
-
完善节点计数:在计算总高度时,需要统计所有span节点和ref节点。
-
动态高度调整:根据实际节点类型和数量动态计算所需高度,而不是使用固定增量。
-
响应式设计:确保在不同屏幕尺寸下都能正确显示完整图形。
总结
Apache SkyWalking Booster-UI中的这个问题虽然看似是简单的显示问题,但实际上反映了在复杂分布式系统追踪可视化中的一个常见挑战 - 如何准确计算和分配可视化元素的空间。特别是在消息队列等异步通信场景中,引用关系的正确处理对于准确展示系统行为至关重要。
这个问题的修复不仅能改善RocketMQ场景下的追踪展示,也将提升所有包含复杂引用关系的追踪数据的可视化效果,使开发者能够更全面地理解分布式系统的运行状况。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00