背景

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)。   

• 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

• 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。

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。

6、Log 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：

•  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。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
•  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。

推薦閱讀：一百期Java面試題匯總

日志可視化