可观测技术系列

引言

可观测性（Observability）已成为云原生时代的基础设施核心。Metrics、Logs、Traces、RUM、Profiling 五大信号各自产生海量数据，而它们的存储效率直接决定了平台的成本边界和查询性能。而在采集侧，eBPF 技术正在重塑数据获取方式。这一切的背后，存储架构的演进是支撑可观测性规模化落地的基石。

引言

时序数据库（TSDB）是可观测性存储的基石。如果说上一篇是宏观的"存储地图"，那本篇就是深入地图中的"核心城区"——四大主流 TSDB 的存储引擎。无论你是刚开始接触 Prometheus 还是正在调研 VictoriaMetrics，理解底层存储引擎的设计哲学，能帮你更高效地用对它们。

引言

日志是可观测性三大支柱中数据量最大、存储成本最高的信号。与指标（Metrics）的固定数值结构不同，日志的变长文本和半结构化特性使得存储设计面临独特挑战：既要支持全文检索，又要控制存储成本。

调用链（Distributed Tracing）存储是可观测性体系中技术分歧最大的领域之一。不同于时序和日志有相对收敛的存储模式（TSDB 与 ClickHouse-like），调用链系统的存储方案因索引策略的根本分歧而分化为三条路径。

前端监控（Real User Monitoring, RUM）与后端监控的根本差异在于数据模型：RUM 采集的是带海量高基数属性的事件流——每个用户访问产生 session_id、user_id、page_url 等上百个维度，传统时序数据库（TSDB）的 label-set 模型在此场景下会剧烈退化。

持续性能分析（Continuous Profiling）是可观测性的重要支柱之一。与传统的采样 Profiling 不同，持续 Profiling 以固定频率全时采集应用和内核的调用栈快照，生成火焰图，帮助团队发现性能瓶颈、内存泄漏和资源热点。本文聚焦 Profiling 数据的存储架构：从 Google pprof 数据模型与火焰图构建算法开始，详细分析 Pyroscope 从 V1（TSDB+Parquet）到 V2（Metastore+Segments）的架构演进、Parca 与 FrostDB 的列式存储创新、Datadog/Splunk 等商业方案，最后通过对比表格呈现各方案的差异化选择。

可观测性架构在过去五年经历了从"分治"到"统一"的深刻转变。各信号（指标、日志、追踪、Profiling）从独立的专用后端走向共享存储与统一数据模型，而 eBPF 作为新一代采集手段，为这一转变提供了前所未有的数据深度与广度。本文将聚焦四个维度：eBPF 采集存储设计、统一存储架构（LGTM 分治 vs ClickHouse 统一）、OpenTelemetry 统一数据模型、以及对象存储与存算分离的演进方向。

前面 7 篇分别深入剖析了 TSDB、日志、调用链、RUM、Profiling 和 eBPF 等各个可观测性领域的存储架构。本篇将这些知识融会贯通，提供一份面向场景的存储选型决策框架。不同团队的规模、技术栈、预算和需求层次各不相同——没有"最佳"存储，只有"最适合你的"存储。本篇可以作为实用参考工具书，帮助你在具体场景下快速筛选方案。