可观测性工具通过收集和分析关于失败请求和后续重试的数据来追踪查询重试率。它们通常依赖于日志、指标和分布式追踪来识别查询何时失败、重试了多少次以及这些重试是否成功。例如，当应用程序检测到瞬时错误（例如网络超时）时，它可能会自动重试查询。可观测性工具通过检测代码或中间件来记录重试、追踪其频率并将它们与原始请求相关联来捕获这些事件。然后聚合此数据以计算诸如每次查询的重试计数、重试成功率和总体重试率（重试次数除以总请求数）之类的指标。
为了使其具体化，请考虑与数据库交互的服务。每次查询失败时，应用程序都会在其日志中增加一个 retry_attempts 计数器，并添加诸如错误类型、时间戳和请求 ID 之类的元数据。Prometheus 或 Datadog 之类的可观测性工具会抓取这些日志和指标，然后在特定的时间窗口内计算重试率。例如，如果一个服务在一小时内处理 1,000 个请求，其中 50 个需要重试，则重试率将为 5%。工具还可以使用分布式追踪（例如，OpenTelemetry）将重试链接到特定的事务，从而显示重试如何在微服务之间传播。可以将警报配置为在重试率超过阈值时触发，从而发出潜在的系统性问题（例如数据库过载或配置错误的超时）的信号。
在分布式系统中，追踪重试变得更加复杂，因为重试可能发生在多个服务或层中。例如，前端服务可能会重试失败的 API 调用，而后端服务可能会重试数据库查询。可观测性工具通过使用跟踪标识符将重试分组到单个请求生命周期下来解决此问题。Jaeger 或 AWS X-Ray 之类的工具将重试可视化为跟踪时间线的一部分，从而帮助开发人员了解重试如何影响延迟和错误率。此外，诸如 http_client_retry_count（来自检测库）之类的指标或自定义应用程序指标可以导出到仪表板以进行实时监控。通过结合这些方法，团队可以查明重试是由特定端点、依赖项还是基础设施问题引起的，并相应地优化其重试逻辑。