1、背景
- 公司行业偏传统，系统多日志杂，但是有任务需求，要把日志做规范化的归集和保存。
- 之前有两套基于 ES 的日志系统。一套是购买的厂商魔改且不可升级版；一套是开发团队基于某个核心系统定制的，除 ES 外的组件都是自行开发，且相关人员离职后无人继续维护，因此有一定局限性。
- 有着安全加密的要求。
- 涉及异地双中心，有跨集群查询展示需求。
2、框架规划
异地双中心各自独立集群。跨集群查询依靠 ES 自带的远程集群搜索（CCS）处理。
除了 filebeat 和 kibana 以外，所有组件均为物理环境部署。
主要功能组件如下:
- filebeat: 日志抽取并传输。
- kafka：队列组件，负责日志数据的缓冲。
- logstash：主要负责日志处理。抽取kafka的日志数据，同时也负责接受一些其它协议如syslog/udp的日志数据。在接收数据后进行日志清洗，最终写入 ES。
- elasticsearch：日志数据主要的存储模块。
- kibana：日志数据的查询和管理模块，有冷热节点分层，热数据节点 SSD 存储。
- grafana：负责日志数据的可视化。相较于kibana，grafana可以多数据源展示，更加灵活。
- metricbeat：负责logstash性能的监控。
3、日志平台规划
- 日志数据格式统一，最基础的以
{时间戳} {日志级别} {类名} {链路ID} {日志信息}的形式输出。其中时间戳必须带年月日。 - 在物理环境下，日志当前输出文件名唯一，以 rotation 的方式维持日志总体大小一定，比如 100MB*10。输出日志的文件名唯一是为了尽量减少 filebeat 监控的日志文件数目，被监控的日志数量过于庞大，则 filebeat 的cpu使用会受到影响。
- 容器环境下 filebeat 以 sidecar 的模式另起一个 pod 进行监控。
- kafka 的 topic 以日志数据的流量大小来评估。将小流量的日志归并至同一个 topic，大流量的日志独立 topic。总体维持每个 topic 接收的日志数据流量规模相差不大。
- logstash 使用 pipeline 的模式进行配置的组装。每个 topic 尽量用单独一组（2-3个为一组） logstash 处理数据。
- 从 filebeat->kafka->logstash->elasticsearch->kibana 整个链路均加密，kibana上开启用户权鉴。
- 日志数据使用数据流管理，对节点做冷热分层，在 ILM 上对不同的日志数据进行不同的策略管理。
4、工作问题整理
4.1. 远程集群通讯和加密
由于异地双中心，且集群通讯加密，因此就涉及到了两个加密集群通讯的场景问题。
解决办法：
- 方法一：使用相同的证书（ca文件）颁发机构为所有连接的群集生成证书。
- 方法二：从本地群集中将 CA 证书添加为每个远程群集中的受信任 CA。如果是两个不同证书的集群，可以在 elasticsearch.yml 中的xpack.security.transport.ssl.certificate_authorities 添加对方的证书而得到受信。
- 原文参考地址：https://blog.csdn.net/UbuntuTouch/article/details/116569527
当时使用的是第一种办法，直接使用的是同一个ca去颁发的证书。
注意：ES 数据节点之间维持数据的同步，每个节点会维持一定数量的长链接。这在本地机房的条件下没有什么问题，但是在异地集群的条件下，可能有网络不稳定的情况，远程集群查询也因此有返回500的问题。建议这种情况，可以考虑自建客户端远程短链接查询。
4.2. filebeat 与 kafka 通讯加密
在 elasticsearch 官网上有着详细的加密通讯配置手册（7.2版本有单独的章节说明），但是其中没有涉及 filebeat 与 kafka 的加密通讯配置。这块主要涉及 golang 程序与 java 程序之间的证书转换。
解决方法之主要操作步骤如下：
代码语言：javascript复制#生成pem证书
keytool -importkeystore -srckeystore ./server.truststore.jks -destkeystore server.p12 -deststoretype PKCS12
openssl pkcs12 -in server.p12 -nokeys -out server.cer.pem
keytool -importkeystore -srckeystore ./server.keystore.jks -destkeystore client.p12 -deststoretype PKCS12
openssl pkcs12 -in client.p12 -nokeys -out client.cer.pem
openssl pkcs12 -in client.p12 -nodes -nocerts -out client.key.pem
#filebeat配置添加
ssl.enabled: true
ssl.key: "/opt/filebeat/filebeat-7.9.2-linux-x86_64/certs/client.key.pem"
ssl.certificate: "/opt/filebeat/filebeat-7.9.2-linux-x86_64/certs/client.cer.pem"
ssl.certificate_authorities: ["/opt/filebeat/filebeat-7.9.2-linux-x86_64/certs/server.cer.pem"]
ssl.verification_mode: none
4.3. kafka 消费问题
kafka 在 filebeat 与 logstash 之间充当数据缓冲的功能。
在 logstash 与 kafka 的参数配置上：
- logstash 程序组总的消费线程数与 kafka 中 topic 的patition数量保持了一致，比如：topic 的 partition 数量为 24，logstash 有3 个，每个 logstash 用于消费 kafka 的线程为 8 个。
- 消费 kafka 队列的每批次数量 batch_size 设置为 2000.
- logstash 的 pipeline 设置中，core 数量为服务器 cpu 核数。
但是在生产运行中，在增加了一个较大的日志流量归集后，logstash 消费 kafka 线程出现了消费组不断 rebalance 重选 leader 的情况。
而此时 es 的写入远没有达到瓶颈。而整体服务器资源使用也没出现异常。只能把优化方向转向 logstash 的消费上。
在群里小伙伴的帮助下，建议降低 logstash 的 batch_size，以减轻线程的 cpu 使用压力。
解决办法：
最终生产上将 batch_size 降低到 150，logstash 的消费能平稳继续。
PS：由于当时没有 kafka 和 logstash 性能监控有效的工具，没有保留更多的现场。后续加上 metricbeat 监控到，在上述参数下三个 logstash 最高能达到 45000 条/s，以供参考。
4.4. filebeat 参数调优
在使用 filebeat 抽取日志数据上送的时候，遇到了句柄数不释放和 cpu 消耗较高的情况。
在经过测试后，在生产上主要调整了这几个参数：
- max_proc 设置为 2。可以抑制 filebeat 过高的使用 CPU。
- close_timeout 设置为 5m。设置时间越短，句柄释放越快。
filebeat 官方手册最后有一章节关于问题定位的内容，建议在使用之前好好阅读。
4.5. 关于 filebeat 掉线
鉴于 filebeat 是使用 golang 开发的。而生产环境下，总会有一些复杂的情况，比如操作系统版本比较旧等情况。因此，会出现 filebeat 程序掉线的情况。
解决办法：
增加检查 filebeat 并能够重新拉起的定时任务。
4.6. 入库后 grok 查询
日志数据在使用时也有不少统计查询的需求，有时候这些需求并不固定，日志相对于的格式也并不是固定的，并不能在 logstash 进行日志清洗时全部解决，只能在查询阶段进行处理。
解决办法：方法 1. 使用 runtime 字段进行转换处理，需要 ES 版本高于 7.11 。
方法 2. 使用 pipeline reindex 处理。利用 pipeline 的 grok 将日志数据进行进一步清洗，reindex 后统计查询。
第一种办法比较简单，但受限于需要较高的 ES 版本。这里主要记录一下第二种办法的处理流程。
代码语言：javascript复制# 创建提取pipeline，此处假设提取的为sn号
PUT _ingest/pipeline/get-sn
{
"processors": [
{
"grok": {
"description": "Extract fields from 'message'",
"field": "message",
"patterns": ["""%{TIMESTAMP_ISO8601:log_date}(s*)(|)(s*)%{LOGLEVEL:log_level}(s*)(|)(s*)%{DATA:thread}(s*)(|)(s*)%{DATA:class}(s*)(|)(s*)%{DATA:traceId}(s*)(|)(s*)%{DATA:spanId}(s*)(|)(s*)%{DATA:parentid}(s*)(|-) 发送设备sn:%{DATA:sn},%{GREEDYDATA:messages}"""]
}
},
{
"date": {
"description": "Format 'log_date' as 'yyyy-MM-dd HH:mm:ss.SSS Z'",
"field": "log_date",
"formats": [ "yyyy-MM-dd'T'HH:mm:ss.SSSZ" ]
}
}
]
}
# 创建临时索引，设置目标字段格式
PUT temp-test
{
"settings": {
"number_of_shards": 8,"number_of_replicas": 1
}
}
POST temp-test/_mapping
{"properties":{"sn":{"type":"keyword"}}}
# reindex 提取数据，slice参数与目标索引分片一致，filter的是日志查询的过滤条件。
POST _reindex?wait_for_completion=false&slices=8
{
"source": {
"index": "logs-test",
"size": 10000,
"query": {
"bool": {
"filter": [
{
"range": {
"@timestamp": {
"time_zone": " 08:00",
"gte": "2021-11-09T00:00:00",
"lte": "2021-11-10T00:00:00"
}
}
},
{
"match_phrase": {
"message": "发送设备sn:"
}
}, {
"term": {
"fields.app" :"testsn"
}
}
]
}
}
},
"dest": {
"index": "temp-test",
"pipeline": "get-sn"
}
}
# 根据返回的taskid查看进度，"completed" : true 才完成
GET _tasks/otGecFQMQTOAO85G4F_eAw:1550780976
# 查询sn的聚合
GET temp-test/_search
{
"size": 0,
"aggs": {
"distinct-sn": {
"cardinality": {
"field": "sn"
}
}
}
}
4.7. ILM 的执行策略
ILM 的策略默认检查时间是 10mins。
但是在实际执行中，ILM 会定期运行，检查索引是否满足策略标准，并执行所需的步骤。
为了避免竞争条件，ILM 可能需要运行不止一次来执行完成一个操作所需的所有步骤。
例如，如果 ILM 确定一个索引满足 rollover 标准，它就开始执行完成rollover 操作所需的准备步骤。如果它不满足 rollover 条件，执行停止。
下一次ILM运行时，ILM将从它中断的地方继续执行。
这意味着即使indices.lifecycle.poll_interval ( _cluster/settings ) 被设置为10分钟，并且索引满足 rollover 标准，在完成翻转之前可能需要20分钟。
indices.lifecycle.poll_interval也可以被调整，但是不建议调整太密集，会增加 elasticsearch 运行负担。
调整命令如下：
代码语言：javascript复制PUT _cluster/settings
{
"transient": {
"indices": {
"lifecycle": {
"poll_interval": "2m"
}
}
}
}
ILM 的相关 api 也可以查看 ILM 在当前索引执行的阶段结果和进行修复。
检查命令：
代码语言：javascript复制GET /my-index-000001/_ilm/explain
重试命令：
代码语言：javascript复制POST /my-index-000001/_ilm/retry`
4.8. rollover 的使用
rollover 的条件主要有索引大小（max_size）、文档数量（max_docs）、索引存在时间（max_age）这三个。同时，max_size判断的是主分片的大小，而不是整个索引的大小。
在 Elasticsearch 7.9 版本下，rollover的三个可设置条件中，max_docs 与 max_age 相对敏感，max_size 的判断会有一定延迟，可能是因为索引的主分片 size 大小会被 merge 后收缩，需要有一定时间的观察.测试之下，200 MB 之下的max_size会失效。
遗留问题
- filebeat掉线的问题虽然通过定时任务解决了。但是从技术上来说，并没有找到真正原因。在官方论坛上，有工程师把原因归于 golang 程序的不稳定。如果有遇到类似问题的小伙伴，欢迎提供相关线索和解决思路。
- kibana在容器中的多实例部署。背景在于生产的容器当前只能自行打镜像，不便拉取官方镜像，在生成多个kibana容器实例时，并不能形成多个uuid，导致现在容器上的kibana实例只有一个并不能水平扩展。欢迎有容器化经验的大拿指点迷津。
小结
以上是本人在基于 elasticsearch 相关开源技术栈进行归集日志时的方案和相关问题记录。
经验不多，水平有限，欢迎大家多多探讨交流。
作者介绍
金多安，Elasticsearch 认证（ECE）专家，Elastic中文社区责任编辑。
审稿人：铭毅天下
