ELK填坑總結和優化過程

做了幾周的測試，踩了無數的坑，總結一下，全是干貨，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 的文本編碼，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:\Users\Administrator\Desktop\performanceTrace.txt
  encoding: GB2312

 

2、刪除多余日志中的多余行

（1）logstash filter 中drop 刪除

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

（2）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 處理多種日志不同的行

（1）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":"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、日志多行合並處理—multiline插件（重點）

（1）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":"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 對合並后多行的處理（合並多行后續都一樣，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"
　　　　}
　　}
}

 

（2）在filebeat中使用multiline 插件（推薦）

① 介紹multiline

pattern：正則匹配從哪行合並

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

match：after/before（需自己理解）

　　after：匹配到pattern 部分后合並，注意：這種情況最后一行日志不會被匹配處理

　　before：匹配到pattern 部分前合並（推薦）

 

② 5.5版本之后（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 插件（沒有filebeat 時推薦）

① 介紹multiline

pattern：正則匹配從哪行合並

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

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 插件（不推薦）

（a）不推薦的原因：

　　① filter設置multiline后，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

（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"]

　　匹配這個字段，字段的格式為：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

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

 

6、對多類日志分類處理（重點）

① 在filebeat 的配置中添加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 類日志
        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 整體性能的優化

1、性能分析

（1）服務器硬件Linux：1cpu 4GRAM

假設每條日志250 Byte

 

（2）分析

① logstash-Linux：1cpu 4GRAM

每秒500條日志

去掉ruby每秒660條日志

去掉grok后每秒1000條數據

 

② filebeat-Linux：1cpu 4GRAM

每秒2500-3500條數據

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

 

③ 瓶頸在logstash 從redis中取數據存入ES，開啟一個logstash，每秒約處理6000條數據；開啟兩個logstash，每秒約處理10000條數據（cpu已基本跑滿）；

 

④ logstash的啟動過程占用大量系統資源，因為腳本中要檢查java、ruby以及其他環境變量，啟動后資源占用會恢復到正常狀態。 

 

2、關於收集日志的選擇：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由於集成了眾多插件，如grok，ruby，所以相比beat是重量級的；

② logstash啟動后占用資源更多，如果硬件資源足夠則無需考慮二者差異；

③ logstash基於JVM，支持跨平台；而beat使用golang編寫，AIX不支持；

④ AIX 64bit平台上需要安裝jdk（jre） 1.7 32bit，64bit的不支持；

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類型造成檢索復雜，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志服務器上配置filebeat，因為輕量級，用於收集日志；再統一輸出給logstash，做對日志的處理；最后統一由logstash 輸出給els。

 

3、logstash的優化相關配置

（1）可以優化的參數，可根據自己的硬件進行優化配置

① pipeline 線程數，官方建議是等於CPU內核數

默認配置 ---> pipeline.workers: 2

可優化為 ---> pipeline.workers: CPU內核數（或幾倍cpu內核數）

 

② 實際output 時的線程數

默認配置 ---> pipeline.output.workers: 1

可優化為 ---> pipeline.output.workers: 不超過pipeline 線程數

 

③ 每次發送的事件數

默認配置 ---> pipeline.batch.size: 125

可優化為 ---> pipeline.batch.size: 1000

 

④ 發送延時

默認配置 ---> pipeline.batch.delay: 5

可優化為 ---> pipeline.batch.size: 10

 

（2）總結

　　通過設置-w參數指定pipeline worker數量，也可直接修改配置文件logstash.yml。這會提高filter和output的線程數，如果需要的話，將其設置為cpu核心數的幾倍是安全的，線程在I/O上是空閑的。

　　默認每個輸出在一個pipeline worker線程上活動，可以在輸出output 中設置workers設置，不要將該值設置大於pipeline worker數。

　　還可以設置輸出的batch_size數，例如ES輸出與batch size一致。

　　filter設置multiline后，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 中設置multiline，不要在filter中設置multiline。

 

（3）Logstash中的JVM配置文件

　　Logstash是一個基於Java開發的程序，需要運行在JVM中，可以通過配置jvm.options來針對JVM進行設定。比如內存的最大最小、垃圾清理機制等等。JVM的內存分配不能太大不能太小，太大會拖慢操作系統。太小導致無法啟動。默認如下：

-Xms256m #最小使用內存

-Xmx1g #最大使用內存

 

4、引入Redis 的相關問題

（1）filebeat可以直接輸入到logstash（indexer），但logstash沒有存儲功能，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發生異常則會丟失數據；引入Redis作為數據緩沖池，當logstash異常停止后可以從Redis的客戶端看到數據緩存在Redis中；

（2）Redis可以使用list(最長支持4,294,967,295條)或發布訂閱存儲模式；

（3）redis 做elk 緩沖隊列的優化：

① bind 0.0.0.0 #不要監聽本地端口

② requirepass ilinux.io #加密碼，為了安全運行

③ 只做隊列，沒必要持久存儲，把所有持久化功能關掉：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 關閉RDB

④ 把內存的淘汰策略關掉，把內存空間最大

　　maxmemory 0 #maxmemory為0的時候表示我們對Redis的內存使用沒有限制

 

5、elasticsearch 節點優化配置

（1）服務器硬件配置，OS 參數

（a） /etc/sysctl.conf 配置

vim /etc/sysctl.conf

① vm.swappiness = 1                     #ES 推薦將此參數設置為 1，大幅降低 swap 分區的大小，強制最大程度的使用內存，注意，這里不要設置為 0, 這會很可能會造成 OOM
② net.core.somaxconn = 65535     #定義了每個端口最大的監聽隊列的長度
③ vm.max_map_count= 262144    #限制一個進程可以擁有的VMA(虛擬內存區域)的數量。虛擬內存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                   #設置 Linux 內核分配的文件句柄的最大數量

[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）為了使以上參數永久生效，還要設置兩個地方

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

vim /etc/pam.d/common-session

添加如下屬性：

session required pam_limits.so

可能需重啟后生效

 

（2）elasticsearch 中的JVM配置文件

-Xms2g

-Xmx2g

① 將最小堆大小（Xms）和最大堆大小（Xmx）設置為彼此相等。

② Elasticsearch可用的堆越多，可用於緩存的內存就越多。但請注意，太多的堆可能會使您長時間垃圾收集暫停。

③ 設置Xmx為不超過物理RAM的50％，以確保有足夠的物理內存留給內核文件系統緩存。

④ 不要設置Xmx為JVM用於壓縮對象指針的臨界值以上；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，多跑幾個實例，不要讓一個實例太大內存

 

（3）elasticsearch 配置文件優化參數

① vim elasticsearch.yml

bootstrap.memory_lock: true  #鎖住內存，不使用swap
#緩存、線程等優化如下
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 設置環境變量

vim /etc/profile.d/elasticsearch.sh export ES_HEAP_SIZE=2g    #Heap Size不超過物理內存的一半，且小於32G

 

（4）集群的優化（我未使用集群）

① ES是分布式存儲，當設置同樣的cluster.name后會自動發現並加入集群；

② 集群會自動選舉一個master，當master宕機后重新選舉；

③ 為防止"腦裂"，集群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，並設置單播節點組discovery.zen.ping.unicast.hosts: ["ip1", "ip2", "ip3"]

 

6、性能的檢查

（1）檢查輸入和輸出的性能

Logstash和其連接的服務運行速度一致，它可以和輸入、輸出的速度一樣快。

 

（2）檢查系統參數

① CPU

注意CPU是否過載。在Linux/Unix系統中可以使用top -H查看進程參數以及總計。

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

 

② Memory

注意Logstash是運行在Java虛擬機中的，所以它只會用到你分配給它的最大內存。

檢查其他應用使用大量內存的情況，這將造成Logstash使用硬盤swap，這種情況會在應用占用內存超出物理內存范圍時。

 

③ I/O 監控磁盤I/O檢查磁盤飽和度

使用Logstash plugin（例如使用文件輸出）磁盤會發生飽和。

當發生大量錯誤，Logstash生成大量錯誤日志時磁盤也會發生飽和。

在Linux中，可使用iostat，dstat或者其他命令監控磁盤I/O

 

④ 監控網絡I/O

當使用大量網絡操作的input、output時，會導致網絡飽和。

在Linux中可使用dstat或iftop監控網絡情況。

 

（3）檢查JVM heap

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

　　一個快速檢查該設置的方法是將heap設置為兩倍大小然后檢測性能改進。不要將heap設置超過物理內存大小，保留至少1G內存給操作系統和其他進程。

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