最近想把之前做过的日志项目及个人的思考梳理一下,于是有了本文。
背景
我们这边应用部署的环境比较复杂,主要有以下几种:
- 机器直接部署
- 通过原生docker部署
- 通过kubernates集群部署
部署环境不统一,导致查看应用日志很不方便。
业务需求
与部署环境对应,对于日志收集需求分为以下几类:
- 机器上的文本日志(直接运行在物理机或者虚拟机中的应用日志)
- 运行在docker容器中的应用日志
- 运行在kubernates集群中的应用日志
具体业务需求可以拆分为:
- 按照项目、应用、实例维度检索日志并支持搜索关键字高亮(因为大家检索日志的时候,肯定是检索某个项目、某个应用、某个实例的日志)
- 支持检索出某条想要的日志后,可以查看上下文(查看该日志所在日志文件的日志上下文)
- 支持日志下载(目前支持两种场景:搜索结果下载、上下文下载;支持两种方式:在线下载、离线下载)
- 支持自动化批量部署、卸载Agent,部署、卸载过程可视化
- 单实例支持多elasticsearch集群
- 支持文本日志、docker日志、k8s日志并能与将日志与其业务意义对应上。(即不管是哪种日志形式、来源,最终都需要与业务意义上的项目、应用、实例对应起来,因为对于日志的使用者来说,查询日志的出发点肯定是查询某个项目、某个应用(可以不选)、某个实例(可以不选)、某段时间的日志。)
- 支持部署到业务自己的集群中
需求已经明确了,下面看一下业界方案。
业界日志系统架构
- Collector的作用是:
- 清洗、汇聚数据,减少对于后端集群的压力。
- 安全,不允许Agent直连kafka等内部集群,保证一定的安全性,即使后端发生调整也能保证对于Agent连接、认证方式的稳定。
- MQ的作用是削峰填谷、解耦、多次消费。
上图的架构是业界比较通用的一种架构,对于各种场景都考虑的比较全。
既然业界的架构已经这么完备,那么我们是否就直接采用呢?
对于我们而言,有以下几个问题:
- 涉及的组件比较多,链路比较长,运维比较麻烦
- 这一整套架构,不利于单独部署(比如某个业务应用部署机房网络是隔离的,而且项目又不大,只能提供有限的几台机器,这时候如果需要部署业界这套架构的话,资源就会比较受限,如果想做到即支持业界架构组件的可插拔(比如可灵活的决定是否需要Collector、MQ),那么就需要运维几套配置或代码)
- 最关键的就是其中组件提供的功能,我们目前用不到。比如MQ的削峰填谷、多次消费。
组件选择
选择组件,我们这边主要是从以下几个方面进行考量的:
- 组件对应的开源生态完整、活跃度高
- 对应的技术栈是我们所熟悉的,我们这边语言技术栈主要是Java、Go,如果组件语言是C、Ruby,应该就被排除了。
- 运维成本
- 易部署、性能好
Agent
一提到日志收集方案,大家第一个想到的肯定是ELK(Elasticsearch、Logstash、Kibana ),但Logstash依赖于JVM不管是性能还是简洁性,都不是日志收集agent的首选。
个人感觉一个好的agent应该是资源占用少,性能好,不依赖别的组件,可以独立部署。而Logstash明显不符合这几点要求,也许正是基于这些考虑elastic推出了Filebeat。
Collector、MQ
Elasticsearch集群在部署的时候,一般都是提前估计好容量、机器、shard等信息,因为Elasticsearch集群运行后,再水平拓展,比较麻烦,而我们这边由于业务及成本限制无法很好的预估容量,所以就结合公司实际要求:使用日志服务的业务方自带机器,也就是业务方会有独立的Elasticsearch集群。
每个业务方都使用自己的Elasticsearch集群,所以集群压力不会很大,从而Collector、MQ这两个组件对于我们的作用也就很小了。
ETL
因为Elasticsearch Ingest Node完全可以满足我们的解析需求,所以就没有必要再引入Logstash等相关组件了。
到这里,基本可以看出我们的架构如下:
具体实现
基于需求及EFK套件,梳理我们场景中特有的东西:
- docker日志的场景比较单一,都是通过之前一个产品A发布部署的,其docker命名规则比较统一,可以通过截取docker.container.name来获取应用名字;同时在部署的时候,可以知道部署目标机器的ip,这样就可以通过应用+ip来作为实例名称。
- k8s场景也比较统一,都是通过之前一个产品B发布部署的,其pod命名规则比较统一,可以通过截取kubernetes.pod.name来获取应用名字(但需要通过namespaces关联到tenant,再通过tenant与项目一一对应);k8s中的pod.name就是唯一的,以此来作为实例名称即可。
- 文本日志:因为文本日志主要的场景是已经裸机部署的应用,这种场景下,不存在应用自动迁移的情况,所以文本日志的应用名称、实例名称可以在部署的时候打上标签即可。
具体规则及解析见下图(实例部分处理暂未标注):
推荐写日志到文本文件中,使用标准输出就好。
到这里可以发现我们选择Filebeat来作为日志的收集端,Elasticsearch来存储日志并提供检索能力。
那么,日志的清洗在哪里做呢?
日志的清洗一般有两种方式:
- 先把日志收集到kafka,再通过Logstash消费kafka的数据,来清洗数据
- 直接通过Elasticsearch的[Ingest Node]来清洗数据,因为Ingest Node也支持Grok表达式
对于,我们的场景而言,我们需要清洗数据的要求比较简单,主要是应用、实例名称的截取还有文本日志中日志时间的处理(@timestamp重置,时区处理),所以我们选择了方案2。
在我们的方案中,并没有提供Kibana 的界面直接给用户用,而是我们自己根据公司业务独立开发的。
前端界面为什么不采用Kibana,而需要自己开发?
- kibana对于业务开发人员有一定的学习成本
- kibana界面没有很好的将日志内容与业务意义关联起来(界面选择总比一次次的输入要好,这也是我们将日志的项目、应用、实例等业务信息解析出来的原因)
- log-search 支持Query String,因此对于熟悉kibana的开发人员来说,在我们自己开发的前端界面检索效果是一样的。
log-search 提供的功能可以参见github: github.com/jiankunking…
如果日志需要清洗的比较多,可以采用方案1,或者先不清洗,先把数据落到Elasticsearch,然后在查询的时候,进行处理。比如在我们的场景中,可以先把日志落到Elasticsearch中,然后在需要检索应用名称的时候,通过代码来处理并获取app名字。
监控、告警
其实基于日志可以做很多事情,比如:
- 基于日志做监控(Google Dapper)
- 基于日志做告警
- 基于日志做Machine Learning
具体思路,可以参见下图:
前提:能要求使用方,按照某种规则打印日志。 监控发展:监控基本就是先打通链路trace,然后再在上报信息或者日志信息中,加强业务方面标识,即给监控添加业务维度方面的视角。
其它
DaemonSet
以DaemonSet方式部署Filebeat来收集日志,其实收集也是宿主机/var/lib/docker/containers目录下的日志。 Running Filebeat on Kubernetes
原文
https://juejin.im/post/5d79cbc96fb9a06b0b1ca2df