作为公司数据资产的对比重要组成部分，日志在系统的进行可观察性、网络安全和数据分析方面扮演着关键角色。高效日志记录是日志故障排除的首选工具，也是分析提升系统安全性的重要参考。日志还是对比一个宝贵的数据源，通过对其进行分析，进行可以获取指导业务增长的高效有价值信息。 日志是日志计算机系统中事件的顺序记录。一个理想的分析日志分析系统应该是： 具备无模式支持。 原始日志是对比非结构化的自由文本，基本无法直接进行聚合和计算，进行因此，高效在将日志用于数据库或数据仓库进行分析之前，日志需要将其转化为结构化的分析表格形式（这个过程称为“ETL”）。如果发生日志模式更改，需要在ETL流程和结构化表中进行一系列复杂的调整。亿华云为了应对此情况，可以使用半结构化日志，主要采用JSON格式进行记录。在这种格式的日志中，可以相对容易地添加或删除字段，而日志存储系统会相应地调整其模式。低成本。 日志数据庞大且持续不断生成。一个相当大的公司每年会产生10~100 TB的日志数据。基于业务或合规要求，应该保留半年或更长时间的日志。这意味着需要存储以PB为单位的日志大小，成本相当可观。具备实时处理能力。 日志应该实时写入，否则工程师将无法及时捕捉故障排查和安全追踪中的最新事件。此外，良好的日志系统应该提供全文搜索功能，并能快速响应交互式查询。1 基于Elasticsearch的日志分析解决方案数据行业内常用的日志处理解决方案是ELK技术栈：Elasticsearch、Logstash和Kibana。该流程可分为五个模块： 日志收集：Filebeat收集本地日志文件并将其写入Kafka消息队列。日志传输：Kafka消息队列收集和缓存日志。免费源码下载日志转换：Logstash过滤和转换Kafka中的日志数据。日志存储：Logstash以JSON格式将日志写入Elasticsearch进行存储。日志查询：用户通过Kibana可视化搜索日志或通过Elasticsearch DSL API发送查询请求。 图片
ELK堆栈具有优秀的实时处理能力，但也存在一些问题。 1.1 缺乏无模式支持Elasticsearch中的索引映射定义了表的结构，包括字段名称、数据类型以及是否启用索引创建。  图片
Elasticsearch还拥有自动根据输入的JSON数据添加字段到映射的动态映射机制。这提供了某种程度的无模式支持，但这还不够，因为： 动态映射在处理脏数据时经常会创建过多的字段，从而中断整个系统的运行。字段的数据类型是不可变的。为了确保兼容性，用户通常将数据类型配置为"文本"，但这会导致比二进制数据类型（如整数）慢得多的查询性能。字段的索引也是网站模板不可变的。用户无法为特定字段添加或删除索引，因此经常为所有字段创建索引，以便在查询中方便地进行数据过滤。但是太多的索引需要额外的存储空间，并减慢数据摄入速度。1.2 分析能力不足Elasticsearch拥有独特的领域特定语言（DSL），与大多数数据工程师和分析师熟悉的技术栈非常不同，所以存在陡峭的学习曲线。此外，Elasticsearch相对封闭的生态系统，在与BI工具集成方面会遇到一些阻力。最重要的是，Elasticsearch仅支持单表分析，滞后于现代OLAP对多表连接、子查询和视图的需求。  图片
1.3 高成本和低稳定性Elasticsearch用户一直在抱怨计算和存储成本。根本原因在于Elasticsearch的工作方式。 计算成本：在数据写入过程中，Elasticsearch还执行计算密集型操作，包括倒排索引的创建、分词和倒排索引的排序。在这些情况下，数据以每个核心约2MB/s的速度写入Elasticsearch。当CPU资源紧张时，数据写入需求往往会在高峰时段被拒绝，进一步导致更高的延迟。存储成本：为了加快检索速度，Elasticsearch存储原始数据的正排索引、倒排索引和文档值，消耗了更多的存储空间。单个数据副本的压缩比仅为1.5:1，而大多数日志解决方案的压缩比为5:1。随着数据量和集群规模的增长，保持稳定性会成为另一个问题： 在数据写入高峰期：集群在数据写入高峰期容易超载。在查询期间：由于所有查询都在内存中处理，大型查询很容易导致JVM OOM（内存溢出）。恢复缓慢：对于集群故障，Elasticsearch需要重新加载索引，这对资源消耗很大，因此恢复过程可能需要几分钟。这对于服务可用性的保证是一个挑战。2 更具成本效益的方案在反思基于Elasticsearch的解决方案的优点和局限性后，Apache Doris开发人员对Apache Doris进行了日志处理的优化。 增加写入吞吐量： Elasticsearch的性能受到数据解析和倒排索引创建的限制，因此改进了Apache Doris在这些方面的性能：通过SIMD指令和CPU向量指令加快了数据解析和索引创建的速度；然后移除了在日志分析场景中不必要的数据结构，例如正排索引，以简化索引创建过程。减少存储成本： 移除了正排索引，这部分数据占据了索引数据的30%。采用了列式存储和ZSTD压缩算法，从而实现了5:1到10:1的压缩比。考虑到大部分历史日志很少被访问，引入了分层存储来分离热数据和冷数据。超过指定时间段的日志将被移动到存储成本更低的对象存储中。这可以将存储成本降低约70%。Elasticsearch的官方测试工具ES Rally进行的基准测试显示，Apache Doris在数据写入方面比Elasticsearch快约5倍，在查询方面快约2.3倍，并且仅消耗Elasticsearch使用存储空间的1/5。在HTTP日志的测试数据集上，它实现了550 MB/s的写入速度和10:1的压缩比。  图片
下图显示了一个典型的基于Doris的日志处理系统的样貌。它更加全面，从数据摄取、分析到应用，都可以更灵活地使用： 数据导入：Apache Doris支持多种日志数据的摄入方式。可以通过使用Logstash的HTTP输出将日志推送到Doris，可以在将日志写入Doris之前使用Flink预处理日志，或者可以通过常规加载和S3加载从Flink或对象存储中加载日志到Doris中。数据分析：可以把日志数据放入Doris，并在数据仓库中进行跨日志和其他数据的联接查询。应用：Apache Doris兼容MySQL协议，因此可以把各种数据分析工具和客户端集成到Doris中，例如Grafana和Tableau。还可以通过JDBC和ODBC API将应用程序连接到Doris。这里计划构建一个类似于Kibana的系统来可视化日志。 图片
此外，Apache Doris具有更好的无模式支持和更用户友好的分析引擎。 2.1 原生支持半结构化数据首先，在数据类型上进行优化。通过矢量化优化了字符串搜索和正则表达式匹配的文本性能，性能提升了2~10倍。对于JSON字符串，Apache Doris将其解析并存储为更紧凑和高效的二进制格式，可以加快查询速度4倍。还为复杂数据添加了一种新的数据类型：Array Map。它可以将连接的字符串进行结构化，以实现更高的压缩率和更快的查询速度。 其次，Apache Doris支持模式演化。这意味着可以根据业务变化调整模式。可以添加或删除字段和索引，并更改字段的数据类型。 Apache Doris提供了轻量级的模式更改功能，因此开发人员可以在几毫秒内添加或删除字段： 复制-- 添加列。结果会在毫秒级返回。 ALTER TABLE lineitem ADD COLUMN l_new_column INT;1.2. 还可以仅为目标字段添加索引，以避免不必要的索引创建带来的开销。在添加索引后，默认情况下，系统将为所有增量数据生成索引，并且可以指定需要索引的历史数据分区。 复制-- 添加倒排索引。Doris会为以后的所有新数据生成倒排索引。 ALTER TABLE table_name ADD INDEX index_name(column_name) USING INVERTED; -- 为指定的历史数据分区构建索引。 BUILD INDEX index_name ON table_name PARTITIONS(partition_name1, partition_name2);1.2.3.4.5. 2.2 基于SQL的分析引擎基于SQL的分析引擎确保数据工程师和分析师能够在短时间内轻松掌握Apache Doris，并将其在SQL方面的经验应用到这个OLAP引擎中。借助SQL的丰富功能，用户可以执行数据检索、聚合、多表连接、子查询、UDF、逻辑视图和物化视图，以满足自身需求。 Apache Doris具备MySQL兼容性，可以与大数据生态系统中的大多数GUI和BI工具集成，使用户能够实现更复杂和多样化的数据分析。 3 使用案例中的性能表现一家游戏公司已经从ELK技术栈转向了Apache Doris解决方案。他们基于Doris的日志系统所需的存储空间只有之前的1/6。 一家网络安全公司利用Apache Doris中的倒排索引构建了他们的日志分析系统，支持每秒写入30万行数据，仅使用以前所需的1/5服务器资源。 4 实践指南现在按照以下三个步骤来构建一个基于Apache Doris的日志分析系统。 在开始之前，从官方网站下载Apache Doris 2.0或更新版本，并部署集群。 4.1 步骤1：创建表格这是一个表格创建的示例。 对配置的解释： 将DATETIMEV2时间字段指定为键，以加快对最新N条日志记录的查询速度。为频繁访问的字段创建索引，并使用解析器参数指定需要进行全文搜索的字段。"PARTITION BY RANGE"意味着根据时间字段将数据按范围进行分区，启用动态分区以进行自动管理。"DISTRIBUTED BY RANDOM BUCKETS AUTO"意味着将数据随机分布到桶中，系统会根据集群大小和数据量自动决定桶的数量。"log_policy_1day"和"log_s3"意味着将超过1天的日志移动到S3存储。 复制CREATE DATABASE log_db; USE log_db; CREATE RESOURCE "log_s3" PROPERTIES ( "type" = "s3", "s3.endpoint" = "your_endpoint_url", "s3.region" = "your_region", "s3.bucket" = "your_bucket", "s3.root.path" = "your_path", "s3.access_key" = "your_ak", "s3.secret_key" = "your_sk" ); CREATE STORAGE POLICY log_policy_1day PROPERTIES( "storage_resource" = "log_s3", "cooldown_ttl" = "86400" ); CREATE TABLE log_table ( ``ts` DATETIMEV2, ``clientip` VARCHAR(20), ``request` TEXT, ``status` INT, ``size` INT, INDEX idx_size (`size`) USING INVERTED, INDEX idx_status (`status`) USING INVERTED, INDEX idx_clientip (`clientip`) USING INVERTED, INDEX idx_request (`request`) USING INVERTED PROPERTIES("parser" = "english") ) ENGINE = OLAP DUPLICATE KEY(`ts`) PARTITION BY RANGE(`ts`) () DISTRIBUTED BY RANDOM BUCKETS AUTO PROPERTIES ( "replication_num" = "1", "storage_policy" = "log_policy_1day", "deprecated_dynamic_schema" = "true", "dynamic_partition.enable" = "true", "dynamic_partition.time_unit" = "DAY", "dynamic_partition.start" = "-3", "dynamic_partition.end" = "7", "dynamic_partition.prefix" = "p", "dynamic_partition.buckets" = "AUTO", "dynamic_partition.replication_num" = "1" );1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.30.31.32.33.34.35.36.37.38.39.40.41.42.43.44.45.46.47.48.49. 4.2 步骤2：导入日志Apache Doris支持多种数据导入方法。对于实时日志，推荐以下三种方法： 从Kafka消息队列中拉取日志：Routine LoadLogstash：通过HTTP API将日志写入Doris自定义编写程序：通过HTTP API将日志写入Doris使用Kafka进行数据摄取 对于写入Kafka消息队列的JSON日志，创建常规加载（Routine Load），以便Doris从Kafka中拉取数据。以下是示例。property.*配置为可选配置： 复制-- 准备Kafka集群和主题（"log_topic"） -- 创建常规加载，从Kafka的 log_topic 加载数据到 "log_table" CREATE ROUTINE LOAD load_log_kafka ON log_db.log_table COLUMNS(ts, clientip, request, status, size) PROPERTIES ( "max_batch_interval" = "10", "max_batch_rows" = "1000000", "max_batch_size" = "109715200", "strict_mode" = "false", "format" = "json" ) FROM KAFKA ( "kafka_broker_list" = "host:port", "kafka_topic" = "log_topic", "property.group.id" = "your_group_id", "property.security.protocol"="SASL_PLAINTEXT", "property.sasl.mechanism"="GSSAPI", "property.sasl.kerberos.service.name"="kafka", "property.sasl.kerberos.keytab"="/path/to/xxx.keytab", "property.sasl.kerberos.principal"="xxx@yyy.com" );1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22. 可以通过SHOW ROUTINE LOAD命令查看常规加载的运行情况。 通过Logstash进行数据导入 配置Logstash的HTTP输出，然后通过HTTP Stream Load将数据发送到Doris。 1） 在logstash.yml中指定批量大小和批量延迟，以提高数据写入性能。 复制pipeline.batch.size: 100000 pipeline.batch.delay: 100001.2. 2） 在日志收集配置文件testlog.conf中添加HTTP输出，URL为Doris中的Stream Load地址。 由于Logstash不支持HTTP重定向，应该使用后端地址而不是FE地址。头部中的授权是http basic auth，使用echo -n username:password | base64进行计算。头部中的load_to_single_tablet可以减少数据摄取中的小文件数量。 复制output { http { follow_redirects => true keepalive => false http_method => "put" url => "http://172.21.0.5:8640/api/logdb/logtable/_stream_load" headers => [ "format", "json", "strip_outer_array", "true", "load_to_single_tablet", "true", "Authorization", "Basic cm9vdDo=", "Expect", "100-continue" ] format => "json_batch" } }1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16. 通过自定义程序进行数据摄取 以下是通过HTTP Stream Load将数据摄取到Doris的示例。 注意： 使用basic auth进行HTTP授权，使用 echo -n username:password | base64 进行计算。http header "format:json"：指定数据类型为JSON。http header "read_json_by_line:true"：每行都是一个JSON记录。http header "load_to_single_tablet:true"：每次写入一个分片（tablet）。对于数据写入客户端，建议批量大小为100MB~1GB。未来的版本将在服务器端启用Group Commit，并减小客户端的批量大小。 复制curl \ --location-trusted \ -u username:password \ -H "format:json" \ -H "read_json_by_line:true" \ -H "load_to_single_tablet:true" \ -T logfile.json \ http://fe_host:fe_http_port/api/log_db/log_table/_stream_load1.2.3.4.5.6.7.8. 4.3 步骤3：执行查询Apache Doris支持标准SQL，因此可以通过MySQL客户端或JDBC连接到Doris，然后执行SQL查询。 复制mysql -h fe_host -P fe_mysql_port -u root -Dlog_db1. 一些常见的日志分析查询： 检查最新的10条记录。 复制SELECT * FROM log_table ORDER BY ts DESC LIMIT 10;1. 检查Client IP为"8.8.8.8"的最新的10条记录。 复制SELECT * FROM log_table WHERE clientip = 8.8.8.8 ORDER BY ts DESC LIMIT 10;1. 检索在"request"字段中包含"error"或"404"的最新的10条记录。MATCH_ANY是Doris中的通过全文搜索来查找包含指定关键词中任意一个的记录。 复制SELECT * FROM log_table WHERE request MATCH_ANY error 404 ORDER BY ts DESC LIMIT 10;1. 检索在"request"字段中同时包含"image"和"faq"的最新的10条记录。MATCH_ALL也是Doris中的全文搜索语法关键词，表示查找同时包含所有指定关键词的记录。 复制SELECT * FROM log_table WHERE request MATCH_ALL image faq ORDER BY ts DESC LIMIT 10;1. 5 总结如果需要一种高效的日志分析解决方案，Apache Doris是非常友好的选择，尤其适合那些具备SQL知识的读者。相比ELK堆栈，使用Apache Doris可以获得更好的无模式支持，实现更快的数据写入和查询，并且减少存储负担。 |
喜欢
讨厌