企业级日志分析系统ELK之ELK概述

ELK 概述

ELK 介绍

什么是 ELK

早期IT架构中的系统和应用的日志分散在不同的主机和文件，如果应用出现问题，开发和运维人员想排
查原因，就要先找到相应的主机上的日志文件再进行查找和分析，所以非常不方便，而且还涉及到权限
安全问题，ELK的出现就很好的解决这一问题

ELK 是由一家 Elastic 公司开发的三个开源项目的首字母缩写，即是三个相关的项目组成的系统

  • Elasticsearch索引是什么?
    Elasticsearch 索引指相互关联的文档集合。Elasticsearch 会以 JSON 文档的形式存储数据。每个文档都会在一组鏈(字段或属性的名称)和它们对应的值(字符串、数字、布尔值、日期、数值组、地理位置或其他类型的数据)之间建立联系。
    Elasticsearch 使用的是一种名为倒排索引的数据结构，这一结构的设计可以允许十分快速地进行全文本搜索。倒排索引会列出在所有文档中出现的每个特有词汇，并且可以找到包含每个词汇的全部文档。

    在索引过程中，Elasticsearch 会存储文档并构建倒排索引，这样用户便可以近实时地对文档数据进行搜索。索引过程是在索引 API 中启动的，通过此 API您既可向特定索引中添加 JSON 文档，也可更改特定索引中的 JSON 文档。

  • Logstash 的用途是什么?
    Logstash 是 Elastic Stack 的核心产品之一，可用来对数据进行聚合和处理，并将数据发送到 Elasticsearch。Logstash 是一个开源的服务器端数据处理管道，允许您在将数据索引到 Elasticsearch 之前同时从多个来源采集数据，并对数据进行充实和转换。

  • Kibana的用途是什么?
    Kibana 是一款适用于 Elasticsearch 的数据可视化和管理工具，可以提供实时的直方图、线形图、饼状图和地图。Kibana 同时还包括诸如 Canvas 和 Elastic Maps 等高级应用程序;Canvas 允许用户基于自身数据创建定制的动态信息图表，而 Elastic Maps 则可用来对地理空间数据进行可视化。

这三个项目分别是：Elasticsearch、Logstash 和 Kibana。三个项目各有不同的功能

  • Elasticsearch 是一个实时的全文搜索,存储库和分析引擎。
  • Logstash 是数据处理的管道，能够同时从多个来源采集数据，转换数据，然后将数据发送到诸如 Elasticsearch 等存储库中。
  • Kibana 则可以让用户在 Elasticsearch 中使用图形和图表对数据进行可视化。

之后又增加了许多新项目, 于是 从5.X版本后改名为Elastic Stack

Elastic Stack 是一套适用于数据采集、扩充、存储、分析和可视化的免费开源工具。

人们通常将 Elastic Stack 称为 ELK Stack（代指 Elasticsearch、Logstash 和 Kibana）

目前 Elastic Stack 包括一系列丰富的轻量型数据采集代理，这些代理统称为 Beats，可用来向 Elasticsearch 发送数据。

ELK 版本演进: 0.X,1.X,2,X,5.X,6,X,7.X,8.X …

官网： https://www.elastic.co/
ELK官方介绍：https://www.elastic.co/cn/what-is/elk-stack
ELK 下载链接：https://www.elastic.co/cn/downloads/
ELK 说明: https://www.elastic.co/guide/cn/index.html
ELK 权威指南: https://www.elastic.co/guide/cn/elasticsearch/guide/current/index.html

ELK stack的主要优点：

  • 功能强大：Elasticsearch 是实时全文索引，具有强大的搜索功能
  • 配置相对简单：Elasticsearch 全部其于 JSON，Logstash使用模块化配置，Kibana的配置都比较简单。
  • 检索性能高效：基于优秀的设计，每次查询可以实时响应，即使百亿级数据的查询也能达到秒级响应。
  • 集群线性扩展：Elasticsearch 和 Logstash都可以灵活线性扩展
  • 前端操作方便：Kibana提供了比较美观UI前端，操作也比较简单

官方下载

https://www.elastic.co/cn/downloads/

EFK 由ElasticSearch、Fluentd和Kibana三个开源工具组成。

Fluentd是一个实时开源的数据收集器,和logstash功能相似,这三款开源工具的组合为日志数据提供了分布式的实时搜集与分析的监控系统。

Fluentd官网和文档:

https://www.fluentd.org/
https://docs.fluentd.org/

Elasticsearch

Elasticsearch 介绍

在这里插入图片描述

官方介绍

https://www.elastic.co/cn/what-is/elasticsearch

https://db-engines.com/en/ranking

Elasticsearch 是一个分布式的免费开源搜索和分析引擎，适用于包括文本、数字、地理空间、结构化和非结构化数据等在内的所有类型的数据。Elasticsearch 在 Apache Lucene 的基础上开发而成，由 Elasticsearch N.V.（即现在的 Elastic）于 2010 年首次发布。Elasticsearch 以其简单的 REST 风格 API、分布式特性、速度和可扩展性而闻名，是 Elastic Stack 的核心组件

Elasticsearch 支持数据的实时全文搜索搜索、支持分布式和高可用、提供API接口，可以处理大规模的各种日志数据的处理，比如: Nginx、Tomcat、系统日志等功能。

Elasticsearch 基于 Java 语言开发，利用全文搜索引擎 Apache Lucene 实现

为何使用 Elasticsearch？

  • Elasticsearch 很快。由于 Elasticsearch 是在 Lucene 基础上构建而成的，所以在全文本搜索方面
    表现十分出色。Elasticsearch 同时还是一个近实时的搜索平台，这意味着从文档索引操作到文档变
    为可搜索状态之间的延时很短，一般只有一秒。因此，Elasticsearch 非常适用于对时间有严苛要求
    的用例，例如安全分析和基础设施监测。
  • Elasticsearch 具有分布式的本质特征。Elasticsearch 中存储的文档分布在不同的容器中，这些容
    器称为分片，可以进行复制以提供数据冗余副本，以防发生硬件故障。Elasticsearch 的分布式特性
    使得它可以扩展至数百台（甚至数千台）服务器，并处理 PB 量级的数据。
  • Elasticsearch 包含一系列广泛的功能。除了速度、可扩展性和弹性等优势以外，Elasticsearch 还
    有大量强大的内置功能（例如数据汇总和索引生命周期管理），可以方便用户更加高效地存储和搜
    索数据。
  • Elastic Stack 简化了数据采集、可视化和报告过程。通过与 Beats 和 Logstash 进行集成，用户够在向 Elasticsearch 中索引数据之前轻松地处理数据。同时，Kibana 不仅可针对 Elasticsearch数据提供实时可视化，同时还提供 UI 以便用户快速访问应用程序性能监测 (APM)、日志和基础设 施指标等数据。

Elasticsearch 在速度和可扩展性方面都表现出色，而且还能够索引多种类型的内容，可用于多种场景：

  • 应用程序搜索
  • 网站搜索
  • 企业搜索
  • 日志处理和分析
  • 基础设施指标和容器监测
  • 应用程序性能监测
  • 地理空间数据分析和可视化
  • 安全分析
  • 业务分析
原理

原始数据会从多个来源（包括日志、系统指标和网络应用程序）输入到 Elasticsearch 中。数据采集指在
Elasticsearch 中进行索引之前解析、标准化并充实这些原始数据的过程。这些数据在 Elasticsearch 中
索引完成之后，用户便可针对他们的数据运行复杂的查询，并使用聚合来检索自身数据的复杂汇总。在
Kibana 中，用户可以基于自己的数据创建强大的可视化，分享仪表板，并对 Elastic Stack 进行管理。

Elasticsearch 索引指相互关联的文档集合。Elasticsearch 会以 JSON 文档的形式存储数据。每个文档都
会在一组键（字段或属性的名称）和它们对应的值（字符串、数字、布尔值、日期、数组、地理位置或
其他类型的数据）之间建立联系。

Elasticsearch 使用的是一种名为倒排索引的数据结构，这一结构的设计可以允许十分快速地进行全文本
搜索。倒排索引会列出在所有文档中出现的每个特有词汇，并且可以找到包含每个词汇的全部文档。
在索引过程中，Elasticsearch 会存储文档并构建倒排索引，这样用户便可以近乎实时地对文档数据进行
搜索。索引过程是在索引 API 中启动的，通过此 API 您既可向特定索引中添加 JSON 文档，也可更改特
定索引中的 JSON 文档。

基本概念

Near Realtime(NRT) 几乎实时
Elasticsearch是一个几乎实时的搜索平台。意思是，从索引一个文档到这个文档可被搜索只需要一点点
的延迟，这个时间一般为毫秒级。

Cluster 集群
群集是一个或多个节点（服务器）的集合， 这些节点共同保存整个数据，并在所有节点上提供联合索引
和搜索功能。一个集群由一个唯一集群ID确定，并指定一个集群名（默认为“elasticsearch”）。该集群
名非常重要，因为节点可以通过这个集群名加入群集，一个节点只能是群集的一部分。
确保在不同的环境中不要使用相同的群集名称，否则可能会导致连接错误的群集节点。

Node 节点
节点是单个服务器实例，它是群集的一部分，可以存储数据，并参与群集的索引和搜索功能。就像一个
集群，节点的名称默认为一个随机的通用唯一标识符（UUID），确定在启动时分配给该节点。如果不希
望默认，可以定义任何节点名。这个名字对管理很重要，目的是要确定网络服务器对应于ElasticSearch
群集节点。

我们可以通过群集名配置节点以连接特定的群集。默认情况下，每个节点设置加入名为“elasticSearch”
的集群。这意味着如果启动多个节点在网络上，假设他们能发现彼此都会自动形成和加入一个名为
“elasticsearch”的集群。

在单个群集中，您可以拥有尽可能多的节点。此外，如果“elasticsearch”在同一个网络中，没有其他节
点正在运行，从单个节点的默认情况下会形成一个新的单节点名为"elasticsearch"的集群。

Index 索引
索引是具有相似特性的文档集合。例如，可以为客户数据提供索引，为产品目录建立另一个索引，以及
为订单数据建立另一个索引。索引由名称（必须全部为小写）标识，该名称用于在对其中的文档执行索
引、搜索、更新和删除操作时引用索引。在单个群集中，您可以定义尽可能多的索引。
注意: 索引名不支持大写字母

Type 类型
在索引中，可以定义一个或多个类型。类型是索引的逻辑类别/分区，其语义完全取决于您。一般来说，
类型定义为具有公共字段集的文档。例如，假设你运行一个博客平台，并将所有数据存储在一个索引
中。在这个索引中，您可以为用户数据定义一种类型，为博客数据定义另一种类型，以及为注释数据定
义另一类型。
Elasticsearch 版本对 type 概念的演变情况如下：

在 5.X 版本中，一个 index 下可以创建多个 type

在 6.X 版本中，一个 index 下只能存在一个 type

在 7.X 版本中，默认可以支持 type ,但可以禁用

在 8.X 版本中，直接就删除 type,即 index 不再支持 type

Document 文档
文档是可以被索引的信息的基本单位。例如，您可以为单个客户提供一个文档，单个产品提供另一个文
档，以及单个订单提供另一个文档。本文件的表示形式为JSON（JavaScript Object Notation）格式，这
是一种非常普遍的互联网数据交换格式。
在索引/类型中，您可以存储尽可能多的文档。请注意，尽管文档物理驻留在索引中，文档实际上必须索
引或分配到索引中的类型。

Shards & Replicas 分片与副本

索引可以存储大量的数据，这些数据可能超过单个节点的硬件限制。例如，十亿个文件占用磁盘空间
1TB的单指标可能不适合对单个节点的磁盘, 或者仅从单个节点的搜索请求服务可能太慢

为了解决这一问题，Elasticsearch提供细分指标分成多个块称为分片的能力。当创建一个索引，可以简
单地定义想要的分片数量。每个分片本身是一个全功能的、独立的“指数”，可以托管在集群中的任何节点。

Shards分片的重要性主要体现在以下两个特征：

  • 分片允许您水平拆分或缩放内容的大小

  • 分片允许你分配和并行操作的碎片（可能在多个节点上）从而提高性能/吞吐量

这个机制中的碎片是分布式的以及其文件汇总到搜索请求是完全由ElasticSearch管理，对用户来说是透
明的。
在同一个集群网络或云环境上，故障是任何时候都会出现的，拥有一个故障转移机制以防分片和结点因
为某些原因离线或消失是非常有用的，并且被强烈推荐。为此，Elasticsearch允许你创建一个或多个拷
贝，索引分片进入所谓的副本或称作复制品的分片，简称Replicas。

注意：ES的副本指不包括主分片的其它副本,即只包括备份，这与Kafka是不同的

Replicas的重要性主要体现在以下两个特征：

  • 副本为分片或节点失败提供了高可用性。需要注意的是，一个副本的分片不会分配在同一个节点作
    为原始的或主分片，副本是从主分片那里复制过来的。

  • 副本允许用户扩展你的搜索量或吞吐量，因为搜索可以在所有副本上并行执行。

相关概念在关系型数据库和ElasticSearch中的对应关系

在这里插入图片描述

关系型数据库Elasticsearch
数据库 Database索引 Index，支持全文检索
表 Table类型 Type（废弃)
数据行 Row文档 Document，但不需要固定结构，不同文档可以具有不同字段集合
数据列 Column字段 Field

详细说明：

概念说明
索引库
indices		indices是index的复数，代表许多的索引，
类型 type类型是模拟mysql中的table概念，一个索引库下可以有不同类型的索引，比如商品 索引，订单索引，其数据格式不同。不过这会导致索引库混乱，因此未来版本中会 移除这个概念
文档 document存入索引库原始的数据。比如每一条商品信息，就是一个文档
字段 field文档中的属性

Logstash

https://www.elastic.co/cn/what-is/elasticsearch

在这里插入图片描述

Logstash 是 Elastic Stack 的核心产品之一，可用来对数据进行聚合和处理，并将数据发送到
Elasticsearch。Logstash 是一个基于Java实现的开源的服务器端数据处理管道，允许您在将数据索引到
Elasticsearch 之前同时从多个来源采集数据，并对数据进行过滤和转换。

可以通过插件实现日志收集和转发，支持日志过滤，支持普通log、自定义json格式的日志解析。

Kibana

Kibana 是一款适用于 Elasticsearch 的基于Javascript语言实现的数据可视化和管理工具，可以提供实时
的直方图、线形图、饼状图和地图。Kibana 同时还包括诸如 Canvas 和 Elastic Maps 等高级应用程序；
Canvas 允许用户基于自身数据创建定制的动态信息图表，而 Elastic Maps 则可用来对地理空间数据进
行可视化。

官方文档

https://www.elastic.co/cn/what-is/kibana

主要是通过接口调用elasticsearch的数据，并进行前端数据可视化的展现。

Kibana 与 Elasticsearch 和更广意义上的 Elastic Stack 紧密的集成在一起，这一点使其成为支持以下场
景的理想选择：

  • 搜索、查看并可视化 Elasticsearch 中所索引的数据，并通过创建柱状图、饼图、表格、直方图和
    地图对数据进行分析。仪表板视图能将这些可视化元素组织到一起，然后通过浏览器进行分享，以
    提供对海量数据的实时分析视图，所支持的用例如下：
1. 日志处理和分析
2. 基础设施指标和容器监测
3. 应用程序性能监测 (APM)
4. 地理空间数据分析和可视化
5. 安全分析
6. 业务分析
  • 借助网络界面来监测和管理 Elastic Stack 实例并确保实例的安全
  • 针对基于 Elastic Stack 开发的内置解决方案（面向可观测性、安全和企业搜索应用程序），将其访 问权限集中到一起

ELK 应用场景

运维主要应用场景：

  • 将分布在不同主机的日志统一收集,并进行转换，通过集中的Web UI 进行查询和管理
  • 通过查看汇总的日志,找到故障的根本原因
  • Web 展示和报表功能
  • 实现安全和事件等管理

大数据运维主要应用场景：

  • 查询聚合, 大屏分析
  • 预测告警, 网络指标，业务指标安全指标
  • 日志查询，问题排查，基于API可以实现故障恢复和自愈
  • 用户行为，性能,业务分析

ELK 应用架构

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/933666.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

SpringBoot教程（十四） SpringBoot之集成Redis

SpringBoot教程（十四） SpringBoot之集成Redis

SpringBoot教程（十四） | SpringBoot之集成Redis 一、Redis集成简介二、集成步骤 2.1 添加依赖2.2 添加配置2.3 项目中使用之简单使用 （举例讲解）2.4 项目中使用之工具类封装 （正式用这个）2.5 序列化 &…
阅读更多...
【Transformer序列预测】Pytorch中构建Transformer对序列进行预测源代码

【Transformer序列预测】Pytorch中构建Transformer对序列进行预测源代码

Python，Pytorch中构建Transformer进行序列预测源程序。包含所有的源代码和数据，程序能够一键运行。此程序是完整的Transformer，即使用了Encoder、Decoder和Embedding所有模块。源程序是用jupyterLab所写，建议分块运行。也整理了.p…
阅读更多...
基于LLM智能问答系统【阿里云：天池比赛】

基于LLM智能问答系统【阿里云：天池比赛】

流程： 1、分别识别问题及提供的资料文件中的公司名实体，有公司名的走语义检索，无公司名的走结构化召回 2、结构化召回：Qwen根据问题生成sql，执行sql获取结果数值，把结果数值与问题给到Qwen生成最终结果 …
阅读更多...
商品期权开户条件是什么？

商品期权开户条件是什么？

商品期权开户条件是什么？ 商品期权是一种金融衍生品，它赋予期权持有者在特定日期（欧式期权）或在特定日期之前（美式期权），以特定价格（行权价格）买入或卖出一定数量的某种…
阅读更多...
大文件分块上传后端服务器

大文件分块上传后端服务器

一、背景： 后台系统需要上传大文件、大视频等数据，耗时过长，接口等待超时，故需优化通过前端多线程分片方式进行文件上传，显著提升上传速度。 二、流程： 前端逻辑： 前端使用分片技术&#xff…
阅读更多...
docker部署seata

docker部署seata

1.准备数据库表 Seata支持多种存储模式，但考虑到持久化的需要，我们一般选择基于数据库存储。 先准备seata-tc.sql脚本，在你的数据库中运行，内容复制粘贴即可。 CREATE DATABASE IF NOT EXISTS seata; USE seata;CREATE TABLE I…
阅读更多...
java+ssm+mysql美妆论坛

java+ssm+mysql美妆论坛

项目介绍： 使用javassmmysql开发的美妆论坛，系统包含超级管理员，系统管理员、用户角色，功能如下： 用户：主要是前台功能使用，包括注册、登录；查看论坛板块和板块下帖子；…
阅读更多...
Openlayers基础知识回顾（五）

Openlayers基础知识回顾（五）

1、GeoJSON数据的加载 GeoJSON是一种基于JSON的地理空间数据交换格式，它定义了几种类型JSON对象以及它们组合在一起的方法，以表示有关地理要素、属性和它们的空间范围的数据 2、GeoJSON转化为ol要素 new ol.format.GeoJSON().readFeatures() 一、canv…
阅读更多...
使用 ASP.NET Core HttpLoggingMiddleware 记录 http 请求/响应

使用 ASP.NET Core HttpLoggingMiddleware 记录 http 请求/响应

我们发布了一个应用程序，该应用程序运行在一个相当隐蔽的 WAF 后面。他们向我们保证，他们的产品不会以任何方式干扰我们的应用程序。这是错误的。他们删除了我们几乎所有的“自定义”标头。为了“证明”这一点，我构建了一个中间件&#xff0c…
阅读更多...
后端工程搭建

后端工程搭建

后端工程通过maven聚合工程的形式来搭建 1.1创建spzx-parent工程(父工程) 存放公共依赖 锁定公共依赖版本 1.2创建spzx-common工程(公共模块) 存放一些工具类/公共服务 1.3创建spzx-model工程(数据模型) 存放实体类 1.4创建spzx-menager工程(后台管理系统) 后台管理系统服务模…
阅读更多...
Flink Python作业快速入门

Flink Python作业快速入门

Flink Python快速入门_实时计算 Flink版(Flink)-阿里云帮助中心 import argparse # 用于处理命令行参数和选项，使程序能够接收用户通过命令行传递的参数 import logging import sysfrom pyflink.common import WatermarkStrategy, Encoder, Types from pyflink.data…
阅读更多...
数字图像处理（15）：图像平移

数字图像处理（15）：图像平移

（1）图像平移的基本原理：计算每个像素点的移动向量，并将这些像素按照指定的方向和距离进行移动。 （2）平移向量包括水平和垂直分量，可以表示为（dx，dy）&#xff…
阅读更多...
JAVA秋招面试题精选-第一天总结

JAVA秋招面试题精选-第一天总结

目录 分栏简介： 问题一：订单表每天新增500W条数据，分库分表应该怎么设计？ 问题难度以及频率： 问题导向： 满分答案： 举一反三： 问题总结： 问题二：解释…
阅读更多...
Rnnoise和SpeexDsp两种降噪方式有什么区别？

Rnnoise和SpeexDsp两种降噪方式有什么区别？

在蒙以CourseMaker 7.0软件中，增加了两种降噪模式，一种是Rnnoise，一种是SpeexDsp，这两种降噪模式有什么区别呢？ Rnnoise 基于神经网络。当噪声与 rnnoise 的模型训练的噪声匹配时，它的效果非常好。比如说&…
阅读更多...
博物馆导览系统方案（一）背景需求分析与核心技术实现

博物馆导览系统方案（一）背景需求分析与核心技术实现

维小帮提供多个场所的室内外导航导览方案，如需获取博物馆导览系统解决方案可前往文章最下方获取，如有项目合作及技术交流欢迎私信我们哦~撒花！ 一、博物馆导览系统的背景与市场需求 在数字化转型的浪潮中，博物馆作为文化传承和知…
阅读更多...
福昕PDF低代码平台

福昕PDF低代码平台

福昕PDF低代码平台简介 福昕PDF 低代码平台是一款创新的工具，旨在简化PDF处理和管理的流程。通过这个平台，用户可以通过简单的拖拽界面上的按钮，轻松完成对Cloud API的调用工作流，而无需编写复杂的代码。这使得即使没有编程经验的…
阅读更多...
Linux —— 管理文件

Linux —— 管理文件

一、Linux的目录结构及用途 /bin：存放最常用的命令，如ls、cat等，所有用户都可以执行的命令。/boot：包含启动Linux系统所需的核心文件，如内核文件和引导加载程序。/dev：设备文件目录，包含系统中的…
阅读更多...
NanoLog起步笔记-7-log解压过程初探

NanoLog起步笔记-7-log解压过程初探

nonolog起步笔记-6-log解压过程初探 再看解压过程建立调试工程修改makefile添加新的launch项 注：重新学习nanolog的README.mdPost-Execution Log Decompressor 下面我们尝试了解，解压的过程，是如何得到文件头部的meta信息的。 再看解压过程 …
阅读更多...
处理配置System Viewer缺少SFR文件

处理配置System Viewer缺少SFR文件

按照网上的教程，其他的都配好 这里给几个参考 嵌入式开发--Keil MDK仿真时System Viewer不显示寄存器选项_keil system viewer不显示外设寄存器-CSDN博客 keil无法查看外设寄存器（生成SFR文件）_keil sfr文件-CSDN博客 keil5软件仿真 Logic…
阅读更多...
网络安全中大数据和人工智能应用实践

网络安全中大数据和人工智能应用实践

传统的网络安全防护手段主要是通过单点的网络安全设备，随着网络攻击的方式和手段不断的变化，大数据和人工智能技术也在最近十年飞速地发展，网络安全防护也逐渐开始拥抱大数据和人工智能。传统的安全设备和防护手段容易形成数据孤岛&#xff0…
阅读更多...
最新文章

Copyright @ 2022~2023