如何用ELK搭建TB級(jí)的日志監(jiān)控系統(tǒng)？
來源：8rr.co/6UEz
我們的解決方案
日志統(tǒng)一收集、過濾清洗。
生成可視化界面、監(jiān)控，告警，日志搜索。
功能流程概覽如上圖：
在每個(gè)服務(wù)節(jié)點(diǎn)上埋點(diǎn)，實(shí)時(shí)采集相關(guān)日志。
統(tǒng)一日志收集服務(wù)、過濾、清洗日志后生成可視化界面、告警功能。
我們的架構(gòu)
①日志文件采集端我們使用 FileBeat，運(yùn)維通過我們的后臺(tái)管理界面化配置，每個(gè)機(jī)器對(duì)應(yīng)一個(gè) FileBeat，每個(gè) FileBeat日志對(duì)應(yīng)的 Topic 可以是一對(duì)一、多對(duì)一，根據(jù)日常的日志量配置不同的策略。
除了采集業(yè)務(wù)服務(wù)日志外，我們還收集了 MySQL 的慢查詢?nèi)罩竞湾e(cuò)誤日志，還有別的第三方服務(wù)日志，如：Nginx 等。
最后結(jié)合我們的自動(dòng)化發(fā)布平臺(tái)，自動(dòng)發(fā)布并啟動(dòng)每一個(gè) FileBeat 進(jìn)程。
②調(diào)用棧、鏈路、進(jìn)程監(jiān)控指標(biāo)我們使用的代理方式：Elastic APM，這樣對(duì)于業(yè)務(wù)側(cè)的程序無需任何改動(dòng)。
對(duì)于已經(jīng)在運(yùn)營中的業(yè)務(wù)系統(tǒng)來說，為了加入監(jiān)控而需要改動(dòng)代碼，那是不可取的，也是無法接受的。
Elastic APM 可以幫我們收集 HTTP 接口的調(diào)用鏈路、內(nèi)部方法調(diào)用棧、使用的SQL、進(jìn)程的 CPU、內(nèi)存使用指標(biāo)等。
可能有人會(huì)有疑問，用了 Elastic APM，其它日志基本都可以不用采集了。還要用 FileBeat 干嘛？
是的，Elastic APM 采集的信息確實(shí)能幫我們定位 80% 以上的問題，但是它不是所有的語言都支持的比如：C。
其二、它無法幫你采集你想要的非 Error 日志和所謂的關(guān)鍵日志，比如：某個(gè)接口調(diào)用時(shí)出了錯(cuò)，你想看出錯(cuò)時(shí)間點(diǎn)的前后日志；還有打印業(yè)務(wù)相關(guān)方便做分析的日志。
其三、自定義的業(yè)務(wù)異常，該異常屬于非系統(tǒng)異常，屬于業(yè)務(wù)范疇，APM 會(huì)把這類異常當(dāng)成系統(tǒng)異常上報(bào)。
如果你后面對(duì)系統(tǒng)異常做告警，那這些異常將會(huì)干擾告警的準(zhǔn)確度，你也不能去過濾業(yè)務(wù)異常，因?yàn)樽远x的業(yè)務(wù)異常種類也不少。
③同時(shí)我們對(duì) Agent 進(jìn)行了二開。采集更詳細(xì)的 GC、堆棧、內(nèi)存、線程信息。
④服務(wù)器采集我們采用普羅米修斯。
⑤由于我們是 Saas 服務(wù)化，服務(wù) N 多，很多的服務(wù)日志做不到統(tǒng)一規(guī)范化，這也跟歷史遺留問題有關(guān)，一個(gè)與業(yè)務(wù)系統(tǒng)無關(guān)的系統(tǒng)去間接或直接地去對(duì)接已有的業(yè)務(wù)系統(tǒng)，為了適配自己而讓其更改代碼，那是推不動(dòng)的。
牛逼的設(shè)計(jì)是讓自己去兼容別人，把對(duì)方當(dāng)成攻擊自己的對(duì)象。很多日志是沒有意義的，比如：開發(fā)過程中為了方便排查跟蹤問題，在 if else 里打印只是有標(biāo)志性的日志，代表是走了 if 代碼塊還是 else 代碼塊。
甚至有些服務(wù)還打印著 Debug 級(jí)別的日志。在成本、資源的有限條件下，所有所有的日志是不現(xiàn)實(shí)的，即使資源允許，一年下來將是一比很大的開銷。
所以我們采用了過濾、清洗、動(dòng)態(tài)調(diào)整日志優(yōu)先級(jí)采集等方案。首先把日志全量采集到 Kafka 集群中，設(shè)定一個(gè)很短的有效期。
我們目前設(shè)置的是一個(gè)小時(shí)，一個(gè)小時(shí)的數(shù)據(jù)量，我們的資源暫時(shí)還能接受。
⑥Log Streams 是我們的日志過濾、清洗的流處理服務(wù)。為什么還要 ETL 過濾器呢？
因?yàn)槲覀兊娜罩痉?wù)資源有限，但不對(duì)啊，原來的日志分散在各各服務(wù)的本地存儲(chǔ)介質(zhì)上也是需要資源的哈。
現(xiàn)在我們也只是匯集而已哈，收集上來后，原來在各服務(wù)上的資源就可以釋放掉日志占用的部分資源了呀。
沒錯(cuò)，這樣算確實(shí)是把原來在各服務(wù)上的資源化分到了日志服務(wù)資源上來而已，并沒有增加資源。
不過這只是理論上的，在線上的服務(wù)，資源擴(kuò)大容易，收縮就沒那么容易了，實(shí)施起來極其困難。
所以短時(shí)間內(nèi)是不可能在各服務(wù)上使用的日志資源化分到日志服務(wù)上來的。這樣的話，日志服務(wù)的資源就是當(dāng)前所有服務(wù)日志使用資源的量。
隨存儲(chǔ)的時(shí)間越長，資源消耗越大。如果解決一個(gè)非業(yè)務(wù)或非解決不可的問題，在短時(shí)間內(nèi)需要投入的成本大于解決當(dāng)前問題所帶來收益的話，我想，在資金有限的情況下，沒有哪個(gè)領(lǐng)導(dǎo)、公司愿意采納的方案。
所以從成本上考慮，我們?cè)?Log Streams 服務(wù)引入了過濾器，過濾沒有價(jià)值的日志數(shù)據(jù)，從而減少了日志服務(wù)使用的資源成本。
技術(shù)我們采用 Kafka Streams 作為 ETL 流處理。通過界面化配置實(shí)現(xiàn)動(dòng)態(tài)過濾清洗的規(guī)則。
大概規(guī)則如下：
界面化配置日志采集。默認(rèn) Error 級(jí)別的日志全量采集。
以錯(cuò)誤時(shí)間點(diǎn)為中心，在流處理中開窗，輻射上下可配的 N 時(shí)間點(diǎn)采集非 Error 級(jí)別日志，默認(rèn)只采 info 級(jí)別。
每個(gè)服務(wù)可配 100 個(gè)關(guān)鍵日志，默認(rèn)關(guān)鍵日志全量采集。
在慢 SQL 的基礎(chǔ)上，按業(yè)務(wù)分類配置不同的耗時(shí)再次過濾。
按業(yè)務(wù)需求實(shí)時(shí)統(tǒng)計(jì)業(yè)務(wù) SQL，比如：高峰期階段，統(tǒng)計(jì)一小時(shí)內(nèi)同類業(yè)務(wù) SQL 的查詢頻率。可為 DBA 提供優(yōu)化數(shù)據(jù)庫的依據(jù)，如按查詢的 SQL 創(chuàng)建索引。
高峰時(shí)段按業(yè)務(wù)類型的權(quán)重指標(biāo)、日志等級(jí)指標(biāo)、每個(gè)服務(wù)在一個(gè)時(shí)段內(nèi)日志最大限制量指標(biāo)、時(shí)間段指標(biāo)等動(dòng)態(tài)清洗過濾日志。
根據(jù)不同的時(shí)間段動(dòng)態(tài)收縮時(shí)間窗口。
日志索引生成規(guī)則：按服務(wù)生成的日志文件規(guī)則生成對(duì)應(yīng)的 index，比如：某個(gè)服務(wù)日志分為：debug、info、error、xx_keyword，那么生成的索引也是 debug、info、error、xx_keyword 加日期作后綴。這樣做的目的是為研發(fā)以原習(xí)慣性地去使用日志。
⑦可視化界面我們主要使用 Grafana，它支持的眾多數(shù)據(jù)源中，其中就有普羅米修斯和 Elasticsearch，與普羅米修斯可謂是無縫對(duì)接。而 Kibana 我們主要用于 APM 的可視分析。
日志可視化
我們的日志可視化如下圖：
END
