추적의 이상(理想)은 "모든 요청을 다 보는 것"이다. 그런데 초당 만 건이 들어오는 서비스에서 모든 요청을 추적하면, 추적 데이터가 본 서비스 트래픽만큼 쏟아진다. 저장 비용, 전송 대역폭, 인덱싱 부하가 본 워크로드와 맞먹는 규모로 불어난다. 그래서 분산 추적의 첫날부터 — Dapper 논문이 이미 — 샘플링은 선택이 아니라 필수였다. 문제는 "어떻게 샘플링하는가"다. 무작정 1%만 뽑으면 트래픽이 적은 중요한 엔드포인트(예: 결제)는 한 시간에 한 건도 안 잡힐 수 있고, 100%로 뽑으면 헬스체크 같은 노이즈가 추적 비용을 잡아먹는다. X-Ray의 샘플링 규칙은 이 긴장을 Reservoir + FixedRate라는 두 손잡이로 정교하게 다룬다.
오늘은 샘플링을 단순히 "비율 설정"으로 보지 않고, 그 밑의 알고리즘과 분산 일관성 문제를 판다. Reservoir 샘플링이 통계학에서 어떤 문제를 푸는 알고리즘인지, X-Ray가 왜 "초당 보장 + 초과분 비율"이라는 두 단계 구조를 쓰는지, 샘플링 결정이 어떻게 분산된 여러 노드에서 일관되게 내려지는지(head-based vs tail-based), 그리고 거대한 Service Map을 Group과 검색 표현식으로 어떻게 쪼개 다루는지를 본다. DOP 시험에서 "결제는 100% 추적하되 헬스체크는 제외하고 비용을 최소화하라" 같은 시나리오는 정확히 이 샘플링 규칙 설계 문제다.