如何解决ELK的实用性问题

今天就跟大家聊聊有关如何解决ELK的实用性问题，可能很多人都不太了解，为了让大家更加了解，小编给大家总结了以下内容，希望大家根据这篇文章可以有所收获。

一、ELK实用知识点总结

1、编码转换问题

这个问题，主要就是中文乱码。

input中的codec=>plain转码：

codec => plain {          charset => "GB2312" }

将GB2312的文本编码，转为UTF-8的编码。

也可以在filebeat中实现编码的转换(推荐)：

filebeat.prospectors: - input_type: log   paths:     - c:\Users\Administrator\Desktop\performanceTrace.txt   encoding: GB2312

2、删除多余日志中的多余行

if ([message] =~ "^20.*-\ task\ request,.*,start\ time.*") {   #用正则需删除的多余行             drop {}     }

日志示例：

2018-03-20 10:44:01,523 [33]DEBUG Debug - task request,task Id:1cbb72f1-a5ea-4e73-957c-6d20e9e12a7a,start time:2018-03-20 10:43:59   #需删除的行 -- Request String :  {"UserName":"15046699023","Pwd":"ZYjyh727","DeviceType":2,"DeviceId":"PC-20170525SADY","EquipmentNo":null,"SSID":"pc","RegisterPhones":null,"AppKey":"ab09d78e3b2c40b789ddfc81674bc24deac","Version":"2.0.5.3"} -- End -- Response String :  {"ErrorCode":0,"Success":true,"ErrorMsg":null,"Result":null,"WaitInterval":30} -- End

3、grok处理多种日志不同的行

日志示例：

2018-03-20 10:44:01,523 [33]DEBUG Debug - task request,task Id:1cbb72f1-a5ea-4e73-957c-6d20e9e12a7a,start time:2018-03-20 10:43:59 -- Request String :  {"UserName":"15046699023","Pwd":"ZYjyh727","DeviceType":2,"DeviceId":"PC-20170525SADY","EquipmentNo":null,"SSID":"pc","RegisterPhones":null,"AppKey":"ab09d78e3b2c40b789ddfc81674bc24deac","Version":"2.0.5.3"} -- End -- Response String :  {"ErrorCode":0,"Success":true,"ErrorMsg":null,"Result":null,"WaitInterval":30} -- End

在logstash filter中grok分别处理3行：

match => {     "message" => "^20.*-\ task\ request,.*,start\ time\:%{TIMESTAMP_ISO8601:RequestTime}" match => {     "message" => "^--\ Request\ String\ :\ \{\"UserName\":\"%{NUMBER:UserName:int}\",\"Pwd\":\"(?<Pwd>.*)\",\"DeviceType\":%{NUMBER:DeviceType:int},\"DeviceId\":\"(?<DeviceId>.*)\",\"EquipmentNo\":(?<EquipmentNo>.*),\"SSID\":(?<SSID>.*),\"RegisterPhones\":(?<RegisterPhones>.*),\"AppKey\":\"(?<AppKey>.*)\",\"Version\":\"(?<Version>.*)\"\}\ --\ \End.*"     } match => {     "message" => "^--\ Response\ String\ :\ \{\"ErrorCode\":%{NUMBER:ErrorCode:int},\"Success\":(?<Success>[a-z]*),\"ErrorMsg\":(?<ErrorMsg>.*),\"Result\":(?<Result>.*),\"WaitInterval\":%{NUMBER:WaitInterval:int}\}\ --\ \End.*" } ... 等多行

4、日志多行合并处理—multiline插件(重点)

示例：

①日志

2018-03-20 10:44:01,523 [33]DEBUG Debug - task request,task Id:1cbb72f1-a5ea-4e73-957c-6d20e9e12a7a,start time:2018-03-20 10:43:59 -- Request String :  {"UserName":"15046699903","Pwd":"ZYjyh727","DeviceType":2,"DeviceId":"PC-20170525SADY","EquipmentNo":null,"SSID":"pc","RegisterPhones":null,"AppKey":"ab09d78e3b2c40b789ddfc81674bc24deac","Version":"2.0.5.3"} -- End -- Response String :  {"ErrorCode":0,"Success":true,"ErrorMsg":null,"Result":null,"WaitInterval":30} -- End

②logstash grok对合并后多行的处理。合并多行后续都一样，如下：

filter { grok { match => { "message" => "^%{TIMESTAMP_ISO8601:InsertTime}\ .*-\ task\ request,.*,start\ time:%{TIMESTAMP_ISO8601:RequestTime}\n--\ Request\ String\ :\ \{\"UserName\":\"%{NUMBER:UserName:int}\",\"Pwd\":\"(?<Pwd>.*)\",\"DeviceType\":%{NUMBER:DeviceType:int},\"DeviceId\":\"(?<DeviceId>.*)\",\"EquipmentNo\":(?<EquipmentNo>.*),\"SSID\":(?<SSID>.*),\"RegisterPhones\":(?<RegisterPhones>.*),\"AppKey\":\"(?<AppKey>.*)\",\"Version\":\"(?<Version>.*)\"\}\ --\ \End\n--\ Response\ String\ :\ \{\"ErrorCode\":%{NUMBER:ErrorCode:int},\"Success\":(?<Success>[a-z]*),\"ErrorMsg\":(?<ErrorMsg>.*),\"Result\":(?<Result>.*),\"WaitInterval\":%{NUMBER:WaitInterval:int}\}\ --\ \End" } } }

在filebeat中使用multiline插件(推荐)：

①介绍multiline

• pattern：正则匹配从哪行合并;

• negate：true/false，匹配到pattern 部分开始合并，还是不配到的合并。

match：after/before(需自己理解)

• after：匹配到pattern 部分后合并，注意：这种情况末尾一行日志不会被匹配处理;

• before：匹配到pattern 部分前合并(推荐)。

②5.5版本之后(before为例)

filebeat.prospectors: - input_type: log   paths:     - /root/performanceTrace*   fields:     type: zidonghualog   multiline.pattern: '.*\"WaitInterval\":.*--\ End'   multiline.negate: true   multiline.match: before

③5.5版本之前(after为例)

filebeat.prospectors: - input_type: log       paths:       - /root/performanceTrace*       input_type: log        multiline:            pattern: '^20.*'            negate: true            match: after

在logstash input中使用multiline插件(没有filebeat时推荐)：

①介绍multiline

• pattern：正则匹配从哪行合并;

• negate：true/false，匹配到pattern 部分开始合并，还是不配到的合并。

what：previous/next(需自己理解)

• previous：相当于filebeat 的after;

• next：相当于filebeat 的before。

②用法

input {         file {                 path => ["/root/logs/log2"]                 start_position => "beginning"                 codec => multiline {                         pattern => "^20.*"                         negate => true                         what => "previous"                 }         } }

在logstash filter中使用multiline插件(不推荐)：

不推荐的原因：

• filter设置multiline后，pipline worker会自动降为1;

• 5.5 版本官方把multiline 去除了，要使用的话需下载，下载命令如下：

/usr/share/logstash/bin/logstash-plugin install logstash-filter-multiline

示例：

filter {   multiline {     pattern => "^20.*"     negate => true     what => "previous"   } }

5、logstash filter中的date使用

日志示例：

2018-03-20 10:44:01 [33]DEBUG Debug - task request,task Id:1cbb72f1-a5ea-4e73-957c-6d20e9e12a7a,start time:2018-03-20 10:43:59

date使用：

date {                 match => ["InsertTime","YYYY-MM-dd HH:mm:ss "]                 remove_field => "InsertTime"         }

注：match => ["timestamp" ,"dd/MMM/YYYY H:m:s Z"]

匹配这个字段，字段的格式为：日日/月月月/年年年年 时/分/秒 时区，也可以写为：match =>  ["timestamp","ISO8601"](推荐)

date介绍：

就是将匹配日志中时间的key替换为@timestamp的时间，因为@timestamp的时间是日志送到logstash的时间，并不是日志中真正的时间。

6、对多类日志分类处理(重点)

在filebeat的配置中添加type分类：

filebeat:   prospectors:     -       paths:         #- /mnt/data/WebApiDebugLog.txt*         - /mnt/data_total/WebApiDebugLog.txt*       fields:         type: WebApiDebugLog_total     -       paths:         - /mnt/data_request/WebApiDebugLog.txt*         #- /mnt/data/WebApiDebugLog.txt*       fields:         type: WebApiDebugLog_request     -       paths:         - /mnt/data_report/WebApiDebugLog.txt*         #- /mnt/data/WebApiDebugLog.txt*       fields:         type: WebApiDebugLog_report

在logstash filter中使用if，可进行对不同类进行不同处理：

filter {    if [fields][type] == "WebApiDebugLog_request" {   #对request 类日志         if ([message] =~ "^20.*-\ task\ report,.*,start\ time.*") {   #删除report 行                 drop {}         }     grok {         match => {"... ..."}         } }

在logstash output中使用if：

if [fields][type] == "WebApiDebugLog_total" {     elasticsearch {         hosts => ["6.6.6.6:9200"]         index => "logstashl-WebApiDebugLog_total-%{+YYYY.MM.dd}"         document_type => "WebApiDebugLog_total_logs" }

二、对ELK整体性能的优化

1、性能分析

服务器硬件Linux：1cpu4GRAM

假设每条日志250Byte。

分析：

①logstash-Linux：1cpu 4GRAM

• 每秒500条日志;

• 去掉ruby每秒660条日志;

• 去掉grok后每秒1000条数据。

②filebeat-Linux：1cpu 4GRAM

• 每秒2500-3500条数据;

• 每天每台机器可处理：24h*60min*60sec* 3000*250Byte=64,800,000,000Bytes，约64G。

③瓶颈在logstash从Redis中取数据存入ES，开启一个logstash，每秒约处理6000条数据;开启两个logstash，每秒约处理10000条数据(cpu已基本跑满);

④logstash的启动过程占用大量系统资源，因为脚本中要检查java、ruby以及其他环境变量，启动后资源占用会恢复到正常状态。

2、关于收集日志的选择：logstash/filter

没有原则要求使用filebeat或logstash，两者作为shipper的功能是一样的。

区别在于：

• logstash由于集成了众多插件，如grok、ruby，所以相比beat是重量级的;

• logstash启动后占用资源更多，如果硬件资源足够则无需考虑二者差异;

• logstash基于JVM，支持跨平台;而beat使用golang编写，AIX不支持;

• AIX 64bit平台上需要安装jdk(jre) 1.7 32bit，64bit的不支持;

• filebeat可以直接输入到ES，但是系统中存在logstash直接输入到ES的情况，这将造成不同的索引类型造成检索复杂，建议统一输入到els  的源。

总结：

logstash/filter总之各有千秋，但是我推荐选择：在每个需要收集的日志服务器上配置filebeat，因为轻量级，用于收集日志;再统一输出给logstash，做对日志的处理;然后统一由logstash输出给els。

3、logstash的优化相关配置

可以优化的参数，可根据自己的硬件进行优化配置：

①pipeline线程数，官方建议是等于CPU内核数

• 默认配置 ---> pipeline.workers: 2;

• 可优化为 ---> pipeline.workers: CPU内核数(或几倍CPU内核数)。

②实际output时的线程数

• 默认配置 ---> pipeline.output.workers: 1;

• 可优化为 ---> pipeline.output.workers: 不超过pipeline线程数。

③每次发送的事件数

• 默认配置 ---> pipeline.batch.size: 125;

• 可优化为 ---> pipeline.batch.size: 1000。

④发送延时

• 默认配置 ---> pipeline.batch.delay: 5;

• 可优化为 ---> pipeline.batch.size: 10。

总结：

通过设置-w参数指定pipeline  worker数量，也可直接修改配置文件logstash.yml。这会提高filter和output的线程数，如果需要的话，将其设置为cpu核心数的几倍是安全的，线程在I/O上是空闲的。

默认每个输出在一个pipeline worker线程上活动，可以在输出output中设置workers设置，不要将该值设置大于pipeline  worker数。

还可以设置输出的batch_size数，例如ES输出与batch size一致。

filter设置multiline后，pipline  worker会自动将为1，如果使用filebeat，建议在beat中就使用multiline，如果使用logstash作为shipper，建议在input中设置multiline，不要在filter中设置multiline。

Logstash中的JVM配置文件：

Logstash是一个基于Java开发的程序，需要运行在JVM中，可以通过配置jvm.options来针对JVM进行设定。比如内存的大小、垃圾清理机制等等。JVM的内存分配不能太大不能太小，太大会拖慢操作系统。太小导致无法启动。默认如下：

• Xms256m#下限使用内存;

• Xmx1g#上限使用内存。

4、引入Redis的相关问题

filebeat可以直接输入到logstash(indexer)，但logstash没有存储功能，如果需要重启需要先停所有连入的beat，再停logstash，造成运维麻烦;另外如果logstash发生异常则会丢失数据;引入Redis作为数据缓冲池，当logstash异常停止后可以从Redis的客户端看到数据缓存在Redis中;

Redis可以使用list(最长支持4,294,967,295条)或发布订阅存储模式;

Redis做ELK缓冲队列的优化：

• bind 0.0.0.0 #不要监听本地端口;

• requirepass ilinux.io #加密码，为了安全运行;

• 只做队列，没必要持久存储，把所有持久化功能关掉：

快照(RDB文件)和追加式文件(AOF文件)，性能更好;

save "" 禁用快照;

appendonly no 关闭RDB。

• 把内存的淘汰策略关掉，把内存空间调到尽可能大

maxmemory 0 #maxmemory为0的时候表示我们对Redis的内存使用没有限制。

5、Elasticsearch节点优化配置

服务器硬件配置，OS参数：

1)/etc/sysctl.conf 配置

vim /etc/sysctl.conf

① vm.swappiness = 1                     #ES 推荐将此参数设置为 1，大幅降低 swap 分区的大小，强制使用内存，注意，这里不要设置为 0, 这会很可能会造成 OOM ② net.core.somaxconn = 65535     #定义了每个端口监听队列上限的长度 ③ vm.max_map_count= 262144    #限制一个进程可以拥有的VMA(虚拟内存区域)的数量。虚拟内存区域是一个连续的虚拟地址空间区域。当VMA 的数量超过这个值，OOM ④ fs.file-max = 518144                   #设置 Linux 内核分配的文件句柄的max数量

[root@elasticsearch]# sysctl -p生效一下。

2)limits.conf 配置

vim /etc/security/limits.conf

elasticsearch    soft    nofile          65535 elasticsearch    hard    nofile          65535 elasticsearch    soft    memlock         unlimited elasticsearch    hard    memlock         unlimited

3)为了使以上参数一直生效，还要设置两个地方：

vim /etc/pam.d/common-session-noninteractive vim /etc/pam.d/common-session

添加如下属性：

session required pam_limits.so

可能需重启后生效。

Elasticsearch中的JVM配置文件

-Xms2g

-Xmx2g

• 将Xms和Xmx设置为彼此相等。

• Elasticsearch可用的堆越多，可用于缓存的内存就越多。但请注意，太多的堆可能会使您长时间垃圾收集暂停。

• 设置Xmx为不超过物理RAM的50%，以确保有足够的物理内存留给内核文件系统缓存。

• 不要设置Xmx为JVM用于压缩对象指针的临界值以上;确切的截止值有所不同，但接近32  GB。不要超过32G，如果空间大，多跑几个实例，不要让一个实例太大内存。

Elasticsearch配置文件优化参数：

1)vim elasticsearch.yml

bootstrap.memory_lock: true  #锁住内存，不使用swap #缓存、线程等优化如下 bootstrap.mlockall: true transport.tcp.compress: true indices.fielddata.cache.size: 40% indices.cache.filter.size: 30% indices.cache.filter.terms.size: 1024mb threadpool:     search:         type: cached         size: 100         queue_size: 2000

2)设置环境变量

vim /etc/profile.d/elasticsearch.sh export ES_HE AP _SIZE=2g #Heap  Size不超过物理内存的一半，且小于32G。

集群的优化(我未使用集群)：

• ES是分布式存储，当设置同样的cluster.name后会自动发现并加入集群;

• 集群会自动选举一个master，当master宕机后重新选举;

• 为防止"脑裂"，集群中个数建议为奇数个;

• 为有效管理节点，可关闭广播discovery. zen.ping.multicast.enabled:  false，并设置单播节点组discovery.zen.ping.unicast.hosts: ["ip1", "ip2", "ip3"]。

6、性能的检查

检查输入和输出的性能：

Logstash和其连接的服务运行速度一致，它可以和输入、输出的速度一样快。

检查系统参数：

1)CPU

• 注意CPU是否过载。在Linux/Unix系统中可以使用top-H查看进程参数以及总计。

• 如果CPU使用过高，直接跳到检查JVM堆的章节并检查Logstash worker设置。

2)Memory

• 注意Logstash是运行在Java虚拟机中的，所以它只会用到你分配给它的内存。

• 检查其他应用使用大量内存的情况，这将造成Logstash使用硬盘swap，这种情况会在应用占用内存超出物理内存范围时。

3)I/O监控磁盘I/O检查磁盘饱和度

• 使用Logstash plugin(例如使用文件输出)磁盘会发生饱和。

• 当发生大量错误，Logstash生成大量错误日志时磁盘也会发生饱和。

• 在Linux中，可使用iostat，dstat或者其他命令监控磁盘I/O。

4)监控网络I/O

• 当使用大量网络操作的input、output时，会导致网络饱和。

• 在Linux中可使用dstat或iftop监控网络情况。

检查JVM heap：

• heap设置太小会导致CPU使用率过高，这是因为JVM的垃圾回收机制导致的。

• 一个快速检查该设置的方法是将heap设置为两倍大小然后检测性能改进。不要将heap设置超过物理内存大小，保留至少1G内存给操作系统和其他进程。

• 你可以使用类似jmap命令行或VisualVM更加精确的计算JVM heap。

看完上述内容，你们对如何解决ELK的实用性问题有进一步的了解吗？如果还想了解更多知识或者相关内容，请关注亿速云行业资讯频道，感谢大家的支持。