ELK重難點總結和整體優化配置

alonghub發表於2018-03-21

做了幾周的測試，踩了無數的坑，總結一下，全是乾貨，給大家分享~

一、elk 實用知識點總結

1、編碼轉換問題（主要就是中文亂碼）

（1）input 中的codec => plain 轉碼

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

將GB2312 的文字編碼，轉為UTF-8 的編碼

（2）也可以在filebeat中實現編碼的轉換（推薦）

filebeat.prospectors:
- input_type: log
  paths:
    - c:UsersAdministratorDesktopperformanceTrace.txt
  encoding: GB2312

2、刪除多餘日誌中的多餘行

（1）logstash filter 中drop 刪除

    if ([message] =~ "^20.*- task request,.*,start time.*") {   #用正則需刪除的多餘行
            drop {}
    }

（2）日誌示例

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   #需刪除的行
-- Request String : {"UserName":"15046699923","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 處理多種日誌不同的行

（1）日誌示例：

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":"15046699923","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

（2）在logstash filter中grok 分別處理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、日誌多行合併處理—multiline外掛（重點）

（1）示例：

① 日誌

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":"15046699923","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

② logstash grok 對合並後多行的處理（合併多行後續都一樣，如下）

filter {
　　grok {
　　　　match => {
　　　　　　"message" => "^%{TIMESTAMP_ISO8601:InsertTime} .*- task request,.*,start time:%{TIMESTAMP_ISO8601:RequestTime}
-- 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
-- Response String : {"ErrorCode":%{NUMBER:ErrorCode:int},"Success":(?<Success>[a-z]*),"ErrorMsg":(?<ErrorMsg>.*),"Result":(?<Result>.*),"WaitInterval":%{NUMBER:WaitInterval:int}} -- End"
　　　　}
　　}
}

（2）在filebeat中使用multiline 外掛（推薦）

① 介紹multiline

pattern：正則匹配從哪行合併

negate：true/false，匹配到pattern 部分開始合併，還是不配到的合併

match：after/before（需自己理解）

　　after：匹配到pattern 部分後合併，注意：這種情況最後一行日誌不會被匹配處理

　　before：匹配到pattern 部分前合併（推薦）

② 5.5版本之後（before為例）

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

③ 5.5版本之前（after為例）

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

（3）在logstash input中使用multiline 外掛（沒有filebeat 時推薦）

① 介紹multiline

pattern：正則匹配從哪行合併

negate：true/false，匹配到pattern 部分開始合併，還是不配到的合併

what：previous/next（需自己理解）

　　previous：相當於filebeat 的after

　　next：相當於filebeat 的before

② 用法

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

（4）在logstash filter中使用multiline 外掛（不推薦）

（a）不推薦的原因：

　　① filter設定multiline後，pipline worker會自動將為1

　　② 5.5 版本官方把multiline 去除了，要使用的話需下載，下載命令如下：

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

（b）示例：

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

5、logstash filter 中的date使用

（1）日誌示例

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

（2） 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”]

　　匹配這個欄位，欄位的格式為：日日/月月月/年年年年時/分/秒時區

也可以寫為：match => [“timestamp”,“ISO8601”]（推薦）

（3）date 介紹

　　就是將匹配日誌中時間的key 替換為@timestamp 的時間，因為@timestamp 的時間是日誌送到logstash 的時間，並不是日誌中真正的時間。

6、對多類日誌分類處理（重點）

① 在filebeat 的配置中新增type 分類

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

② 在logstash filter中使用if，可進行對不同類進行不同處理

filter {
   if [fields][type] == "WebApiDebugLog_request" {   #對request 類日誌
        if ([message] =~ "^20.*- task report,.*,start time.*") {   #刪除report 行
                drop {}
        }
    grok {
        match => {"... ..."}
        }
}

③ 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、對elk 整體效能的優化

1、效能分析

（1）伺服器硬體Linux：1cpu 4GRAM

假設每條日誌250 Byte

（2）分析

① logstash-Linux：1cpu 4GRAM

每秒500條日誌

去掉ruby每秒660條日誌

去掉grok後每秒1000條資料

② filebeat-Linux：1cpu 4GRAM

每秒2500-3500條資料

每天每臺機器可處理：24h*60min*60sec*3000*250Byte=64,800,000,000Bytes，約64G

③ 瓶頸在logstash 從redis中取資料存入ES，開啟一個logstash，每秒約處理6000條資料；開啟兩個logstash，每秒約處理10000條資料（cpu已基本跑滿）；

④ logstash的啟動過程佔用大量系統資源，因為指令碼中要檢查java、ruby以及其他環境變數，啟動後資源佔用會恢復到正常狀態。

2、關於收集日誌的選擇：logstash/filter

（1）沒有原則要求使用filebeat或logstash，兩者作為shipper的功能是一樣的，區別在於：

① logstash由於整合了眾多外掛，如grok，ruby，所以相比beat是重量級的；

② logstash啟動後佔用資源更多，如果硬體資源足夠則無需考慮二者差異；

③ logstash基於JVM，支援跨平臺；而beat使用golang編寫，AIX不支援；

④ AIX 64bit平臺上需要安裝jdk（jre） 1.7 32bit，64bit的不支援；

⑤ filebeat可以直接輸入到ES，但是系統中存在logstash直接輸入到ES的情況，這將造成不同的索引型別造成檢索複雜，最好統一輸入到els 的源。

（2）總結

　　logstash/filter 總之各有千秋，但是，我推薦選擇：在每個需要收集的日誌伺服器上配置filebeat，因為輕量級，用於收集日誌；再統一輸出給logstash，做對日誌的處理；最後統一由logstash 輸出給els。

3、logstash的優化相關配置

（1）可以優化的引數，可根據自己的硬體進行優化配置

① pipeline 執行緒數，官方建議是等於CPU核心數

預設配置 —> pipeline.workers: 2

可優化為 —> pipeline.workers: CPU核心數（或幾倍cpu核心數）

② 實際output 時的執行緒數

預設配置 —> pipeline.output.workers: 1

可優化為 —> pipeline.output.workers: 不超過pipeline 執行緒數

③ 每次傳送的事件數

預設配置 —> pipeline.batch.size: 125

可優化為 —> pipeline.batch.size: 1000

④ 傳送延時

預設配置 —> pipeline.batch.delay: 5

可優化為 —> pipeline.batch.size: 10

（2）總結

　　通過設定-w引數指定pipeline worker數量，也可直接修改配置檔案logstash.yml。這會提高filter和output的執行緒數，如果需要的話，將其設定為cpu核心數的幾倍是安全的，執行緒在I/O上是空閒的。

　　預設每個輸出在一個pipeline worker執行緒上活動，可以在輸出output 中設定workers設定，不要將該值設定大於pipeline worker數。

　　還可以設定輸出的batch_size數，例如ES輸出與batch size一致。

　　filter設定multiline後，pipline worker會自動將為1，如果使用filebeat，建議在beat中就使用multiline，如果使用logstash作為shipper，建議在input 中設定multiline，不要在filter中設定multiline。

（3）Logstash中的JVM配置檔案

　　Logstash是一個基於Java開發的程式，需要執行在JVM中，可以通過配置jvm.options來針對JVM進行設定。比如記憶體的最大最小、垃圾清理機制等等。JVM的記憶體分配不能太大不能太小，太大會拖慢作業系統。太小導致無法啟動。預設如下：

-Xms256m #最小使用記憶體

-Xmx1g #最大使用記憶體

4、引入Redis 的相關問題

（1）filebeat可以直接輸入到logstash（indexer），但logstash沒有儲存功能，如果需要重啟需要先停所有連入的beat，再停logstash，造成運維麻煩；另外如果logstash發生異常則會丟失資料；引入Redis作為資料緩衝池，當logstash異常停止後可以從Redis的客戶端看到資料快取在Redis中；

（2）Redis可以使用list(最長支援4,294,967,295條)或釋出訂閱儲存模式；

（3）redis 做elk 緩衝佇列的優化：

① bind 0.0.0.0 #不要監聽本地埠

② requirepass ilinux.io #加密碼，為了安全執行

③ 只做佇列，沒必要持久儲存，把所有持久化功能關掉：快照（RDB檔案）和追加式檔案（AOF檔案），效能更好

　　save “” 禁用快照

　　appendonly no 關閉RDB

④ 把記憶體的淘汰策略關掉，把記憶體空間最大

　　maxmemory 0 #maxmemory為0的時候表示我們對Redis的記憶體使用沒有限制

5、elasticsearch 節點優化配置

（1）伺服器硬體配置，OS 引數

（a） /etc/sysctl.conf 配置

vim /etc/sysctl.conf

① vm.swappiness = 1                     #ES 推薦將此引數設定為 1，大幅降低 swap 分割槽的大小，強制最大程度的使用記憶體，注意，這裡不要設定為 0, 這會很可能會造成 OOM
② net.core.somaxconn = 65535     #定義了每個埠最大的監聽佇列的長度
③ vm.max_map_count= 262144    #限制一個程式可以擁有的VMA(虛擬記憶體區域)的數量。虛擬記憶體區域是一個連續的虛擬地址空間區域。當VMA 的數量超過這個值，OOM
④ fs.file-max = 518144                   #設定 Linux 核心分配的檔案控制程式碼的最大數量

[root@elasticsearch]# sysctl -p 生效一下

（b）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

（c）為了使以上引數永久生效，還要設定兩個地方

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

vim /etc/pam.d/common-session

新增如下屬性：

session required pam_limits.so

可能需重啟後生效

（2）elasticsearch 中的JVM配置檔案

-Xms2g

-Xmx2g

① 將最小堆大小（Xms）和最大堆大小（Xmx）設定為彼此相等。

② Elasticsearch可用的堆越多，可用於快取的記憶體就越多。但請注意，太多的堆可能會使您長時間垃圾收集暫停。

③ 設定Xmx為不超過物理RAM的50％，以確保有足夠的實體記憶體留給核心檔案系統快取。

④ 不要設定Xmx為JVM用於壓縮物件指標的臨界值以上；確切的截止值有所不同，但接近32 GB。不要超過32G，如果空間大，多跑幾個例項，不要讓一個例項太大記憶體

（3）elasticsearch 配置檔案優化引數

① vim elasticsearch.yml

bootstrap.memory_lock: true  #鎖住記憶體，不使用swap
#快取、執行緒等優化如下
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 設定環境變數

vim /etc/profile.d/elasticsearch.sh export ES_HEAP_SIZE=2g #Heap Size不超過實體記憶體的一半，且小於32G

（4）叢集的優化（我未使用叢集）

① ES是分散式儲存，當設定同樣的cluster.name後會自動發現並加入叢集；

② 叢集會自動選舉一個master，當master當機後重新選舉；

③ 為防止”腦裂”，叢集中個數最好為奇數個

④ 為有效管理節點，可關閉廣播 discovery.zen.ping.multicast.enabled: false，並設定單播節點組discovery.zen.ping.unicast.hosts: [“ip1”, “ip2”, “ip3”]

6、效能的檢查

（1）檢查輸入和輸出的效能

Logstash和其連線的服務執行速度一致，它可以和輸入、輸出的速度一樣快。

（2）檢查系統引數

① CPU

注意CPU是否過載。在Linux/Unix系統中可以使用top -H檢視程式引數以及總計。

如果CPU使用過高，直接跳到檢查JVM堆的章節並檢查Logstash worker設定。

② Memory

注意Logstash是執行在Java虛擬機器中的，所以它只會用到你分配給它的最大記憶體。

檢查其他應用使用大量記憶體的情況，這將造成Logstash使用硬碟swap，這種情況會在應用佔用記憶體超出實體記憶體範圍時。

③ I/O 監控磁碟I/O檢查磁碟飽和度

使用Logstash plugin（例如使用檔案輸出）磁碟會發生飽和。

當發生大量錯誤，Logstash生成大量錯誤日誌時磁碟也會發生飽和。

在Linux中，可使用iostat，dstat或者其他命令監控磁碟I/O

④ 監控網路I/O

當使用大量網路操作的input、output時，會導致網路飽和。

在Linux中可使用dstat或iftop監控網路情況。

（3）檢查JVM heap

　　heap設定太小會導致CPU使用率過高，這是因為JVM的垃圾回收機制導致的。

　　一個快速檢查該設定的方法是將heap設定為兩倍大小然後檢測效能改進。不要將heap設定超過實體記憶體大小，保留至少1G記憶體給作業系統和其他程式。

　　你可以使用類似jmap命令列或VisualVM更加精確的計算JVM heap

webpack整體配置總結
2021-09-09
Web
Android效能優化——效能優化的難題總結
2021-08-12
Android優化
HTML重點總結
2021-08-17
HTML
Redis優化要點--讀後總結
2016-05-24
Redis優化
Oracle 優化重點（一）
2011-01-18
Oracle優化
ASM的優點總結--關於日誌檔案調整
2008-01-23
ASM
Linux基礎優化與安全重點小結
2017-11-07
Linux優化
Oracle細節及難點總結
2018-08-02
Oracle
RecyclerView 體驗優化及入坑總結
2018-01-15
View優化
java集合面試重點總結
2020-12-29
Java面試
webpack優化總結
2018-09-28
Web優化
APP優化總結
2018-10-18
APP優化
效能優化總結
2015-09-27
優化
Android記憶體洩漏監控和優化技巧總結
2018-05-14
Android記憶體優化
TokuDB優缺點總結
2018-02-02
MySQL垂直拆分和水平拆分的優缺點和共同點總結
2018-06-12
MySql
幾數之和分析，解法，優化和總結
2020-04-28
優化
oracle 記憶體分配和調優總結
2017-04-21
Oracle記憶體
Java個人技術知識點總結（優化篇）
2018-11-08
Java優化
APK體積優化的一些總結
2019-05-11
APK優化
四大主流PHP框架的優點和缺點總結
2019-04-24
PHP框架
備份的優化和調整
2021-06-02
優化
React 效能優化總結
2019-04-22
React優化
SYBASE優化總結(zt)
2019-07-09
優化
canvas效能優化總結
2021-04-30
Canvas優化
React效能優化總結
2021-08-27
React優化
前端效能優化總結
2019-01-10
前端優化
斜率優化DP總結
2020-10-22
優化
iOS 效能優化總結
2018-04-11
iOS優化
JDBC優化策略總結
2017-11-14
JDBC優化
Oracle SQL優化總結
2015-07-23
OracleSQL優化
Oracle SQL優化總結
2012-02-01
OracleSQL優化
iOS 啟動速度優化和安裝包優化簡單總結
2019-04-14
iOS優化
優化器統計自動收集的一點總結
2013-07-27
優化
CUDA總體優化策略
2010-03-15
優化
ELK監控nginx日誌總結
2022-03-07
Nginx
面向體驗的重構優化
2018-09-10
優化
小程式效能優化總結
2019-01-09
優化