本文主要介紹怎么使用 ELK Stack 幫助我們打造一個支撐起日產(chǎn) TB 級的日志監(jiān)控系統(tǒng)。在企業(yè)級的微服務(wù)環(huán)境中，跑著成百上千個服務(wù)都算是比較小的規(guī)模了。在生產(chǎn)環(huán)境上，日志扮演著很重要的角色，排查異常需要日志，性能優(yōu)化需要日志，業(yè)務(wù)排查需要業(yè)務(wù)等等。

然而在生產(chǎn)上跑著成百上千個服務(wù)，每個服務(wù)都只會簡單的本地化存儲，當(dāng)需要日志協(xié)助排查問題時，很難找到日志所在的節(jié)點。也很難挖掘業(yè)務(wù)日志的數(shù)據(jù)價值。

那么將日志統(tǒng)一輸出到一個地方集中管理，然后將日志處理化，把結(jié)果輸出成運維、研發(fā)可用的數(shù)據(jù)是解決日志管理、協(xié)助運維的可行方案，也是企業(yè)迫切解決日志的需求。

我們的解決方案

通過上面的需求我們推出了日志監(jiān)控系統(tǒng)，如上圖：

• 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：

• 在每個服務(wù)節(jié)點上埋點，實時采集相關(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，運維通過我們的后臺管理界面化配置，每個機器對應(yīng)一個 FileBeat，每個 FileBeat日志對應(yīng)的 Topic 可以是一對一、多對一，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)合我們的自動化發(fā)布平臺，自動發(fā)布并啟動每一個 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，這樣對于業(yè)務(wù)側(cè)的程序無需任何改動。

對于已經(jīng)在運營中的業(yè)務(wù)系統(tǒng)來說，為了加入監(jiān)控而需要改動代碼，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。關(guān)注公號：碼猿技術(shù)專欄，回復(fù)關(guān)鍵詞：1111 獲取阿里內(nèi)部的Java性能調(diào)優(yōu)手冊

可能有人會有疑問，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：某個接口調(diào)用時出了錯，你想看出錯時間點的前后日志；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 會把這類異常當(dāng)成系統(tǒng)異常上報。

如果你后面對系統(tǒng)異常做告警，那這些異常將會干擾告警的準(zhǔn)確度，你也不能去過濾業(yè)務(wù)異常，因為自定義的業(yè)務(wù)異常種類也不少。

③同時我們對 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)，一個與業(yè)務(wù)系統(tǒng)無關(guān)的系統(tǒng)去間接或直接地去對接已有的業(yè)務(wù)系統(tǒng)，為了適配自己而讓其更改代碼，那是推不動的。

牛逼的設(shè)計是讓自己去兼容別人，把對方當(dāng)成攻擊自己的對象。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、動態(tài)調(diào)整日志優(yōu)先級采集等方案。首先把日志全量采集到 Kafka 集群中，設(shè)定一個很短的有效期。

我們目前設(shè)置的是一個小時，一個小時的數(shù)據(jù)量，我們的資源暫時還能接受。

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？

因為我們的日志服務(wù)資源有限，但不對啊，原來的日志分散在各各服務(wù)的本地存儲介質(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，這樣算確實是把原來在各服務(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，實施起來極其困難。

所以短時間內(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。

隨存儲的時間越長，資源消耗越大。如果解決一個非業(yè)務(wù)或非解決不可的問題，在短時間內(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，沒有哪個領(lǐng)導(dǎo)、公司愿意采納的方案。

所以從成本上考慮，我們在 Log Streams 服務(wù)引入了過濾器，過濾沒有價值的日志數(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。通過界面化配置實現(xiàn)動態(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 級別的日志全量采集。
• 以錯誤時間點為中心，在流處理中開窗，輻射上下可配的 N 時間點采集非 Error 級別日志，默認(rèn)只采 info 級別。
• 每個服務(wù)可配 100 個關(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再次過濾。
• 按業(yè)務(wù)需求實時統(tǒng)計業(yè)務(wù) SQL，比如：高峰期階段，統(tǒng)計一小時內(nèi)同類業(yè)務(wù) SQL 的查詢頻率?？蔀?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。
• 高峰時段按業(yè)務(wù)類型的權(quán)重指標(biāo)、日志等級指標(biāo)、每個服務(wù)在一個時段內(nèi)日志最大限制量指標(biāo)、時間段指標(biāo)等動態(tài)清洗過濾日志。
• 根據(jù)不同的時間段動態(tài)收縮時間窗口。關(guān)注公號：碼猿技術(shù)專欄，回復(fù)關(guān)鍵詞：1111 獲取阿里內(nèi)部的Java性能調(diào)優(yōu)手冊
• 日志索引生成規(guī)則：按服務(wù)生成的日志文件規(guī)則生成對應(yīng)的 index，比如：某個服務(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：