Debug distributed flows with trace data (OpenTelemetry)

Recoger y exportar telemetría solo es util si puedes usar esos datos para encontrar y arreglar problemas

El Application Map provee de una topología visual de todos tus servicios dentro de tu aplicación distribuida, mostrando la manera en que se conectan y donde hay fallos o problemas de latencia.

Cada nodo de un mapa representa un cloud role, identificado por el resource attribute service.name configurado durante el setup.

Los limites entre nodos representan llamadas de un servicio a otro.

El Application Map muestra key metrics en cada nodo y edge, incluyendo avg response time, request count o failure rate.

Puedes usar este mapa para reducir rápidamente el área de tu investigación.

Use end-to-end transaction details

La transaction view end-to-end muestra un waterfall chart de todos los spans en una single trace, mostrando timing, duration y dependencias de cada operación.

Esta view es la primary tool para entender que pasa durante una specific request e identificar donde se ocupa el tiempo.

El waterfall chart muestra el root span en el top, representando el entry point de la request. Child spans se muestran bajo sus parent spans.

Write KQL queries to analyze trace data

El application insights almacena telemtria en las tablas de Log Analytics, a las que podemos hacer queries usando Kusto Query Language (KQL).

Las trazas se almacenan en 4 tablas primarias

  • tabla requests contiene server spans y consumer spans
  • tabla dependencies contiene client, internal y producer spans
  • tabla traces contiene log records
  • tabla exceptions contiene excepciones grabadas

Todas las tablas comparten una columna operation_id, la cual corresponden con el OpenTelemetry trace ID para poder correlacionar items que pertenecen a la misma traza distribuida

find slow requests and summarize by service

requests
| where duration > 3000
| summarize count(), avg(duration) by cloud_RoleName
| order by avg_duration desc

You can join request with their dependencies

this query connects each slow request with its downstream dependency calls

requests
| where duration > 5000
| join kind=inner (dependencies) on operation_Id
| project timestamp, requestName = name, requestDuration = duration,
    dependencyName = name1, dependencyDuration = duration1,
    dependencyTarget = target
| order by requestDuration desc

You can query custom attributes stored in customDimensions

analyzes embedding generation performance by model, showing avg and 95th-percentile durations alongside avg token counts

dependencies
| where name == "GenerateEmbedding"
| extend tokenCount = toint(customDimensions["embedding.token_count"]),
    model = tostring(customDimensions["embedding.model"])
| summarize avg(duration), percentile(duration, 95),
    avg(tokenCount) by model
| order by avg_duration desc