分布式追踪的采样策略有哪些？头部采样和尾部采样怎么选？

结论：头部采样（head sampling）在 trace 起点决定采不采（按固定比例、按限流），决策简单、成本低，但错误 trace 与慢请求可能被随机丢弃；尾部采样（tail sampling）等整条 trace 收集完再按内容决定（保留含错误的、延迟超阈值的、特定属性的），保留价值高但需要在 collector 缓存完整 trace，内存与架构复杂度高。流量大且关注异常诊断的系统应尽量尾部采样。

展开：头部采样的实现是 SDK 层 TraceIdRatioBased（如 1%）或 ParentBased（遵从上游决定，保证链路完整），配合传播 header（traceparent 的 sampled 位）全链路一致。尾部采样在 OTel Collector 的 tail_sampling processor 配置策略组合：status_code=ERROR 全留、latency > 2s 全留、其余按 5% 概率留——缺陷是"决策窗口"内 trace 必须完整到达，跨长时间段的 span 和超大 trace 有内存压力，且需要 collector 集群按 traceID 路由（load balancing exporter）保证同 trace 到同实例。折中：头部低比例采样保全景统计 + 日志侧对错误全量记录 trace_id 兜底。易错点：1）部分链路组件不传播采样位导致链路断裂；2）采样率影响基于 span 的指标统计（如用 span 算 QPS），统计类需求应走 metrics 而非 trace。

# OTel Collector 尾部采样示例
processors:
  tail_sampling:
    decision_wait: 10s
    policies:
      - { name: errors, type: status_code, status_code: { status_codes: [ERROR] } }
      - { name: slow, type: latency, latency: { threshold_ms: 2000 } }
      - { name: baseline, type: probabilistic, probabilistic: { sampling_percentage: 5 } }

追问方向：Jaeger 的远程采样（adaptive sampling 按服务/操作动态调比例）、采样与成本的量化模型。