日志分析系统目录一. 背景介绍 (2)二．日志系统比较 (2)1．怎样收集系统日志并进行分析 (2)A.实时模式： (2)B.准实时模式 (2)2.常见的开源日志系统的比较 (3)A. FaceBook的Scribe (3)B. Apache的Chukwa (3)C. LinkedIn的Kafka (4)E. 总结 (8)三．较为成熟的日志监控分析工具 (8)1.ELK (9)A.ELK 简介 (9)B.ELK使用场景 (10)C.ELK的优势 (10)D.ELK的缺点： (11)2.EFK (11)3. Logstash 于FluentD(Fluentd)对比 (11)一. 背景介绍许多公司的平台每天会产生大量的日志（一般为流式数据，如，搜索引擎的pv，查询等），处理这些日志需要特定的日志系统，一般而言，这些系统需要具有以下特征：（1）构建应用系统和分析系统的桥梁，并将它们之间的关联解耦；（2）支持近实时的在线分析系统和类似于Hadoop之类的离线分析系统；（3）具有高可扩展性。

即：当数据量增加时，可以通过增加节点进行水平扩展。

二．日志系统比较1．怎样收集系统日志并进行分析A.实时模式：1 在打印日志的服务器上部署agent2 agent使用低耗方式将日志增量上传到计算集群3 计算集群解析日志并计算出结果，尽量分布式、负载均衡，有必要的话（比如需要关联汇聚）则采用多层架构4 计算结果写入最适合的存储（比如按时间周期分析的结果比较适合写入Time Series模式的存储）5 搭建一套针对存储结构的查询系统、报表系统补充：常用的计算技术是stormB.准实时模式1 在打印日志的服务器上部署agent2 agent使用低耗方式将日志增量上传到缓冲集群3 缓冲集群将原始日志文件写入hdfs类型的存储4 用hadoop任务驱动的解析日志和计算5 计算结果写入hbase6 用hadoop系列衍生的建模和查询工具来产出报表补充：可以用hive来帮助简化2.常见的开源日志系统的比较A. FaceBook的ScribeScribe是facebook开源的日志收集系统，在facebook内部已经得到大量的应用。

它能够从各种日志源上收集日志，存储到一个中央存储系统（可以是NFS，分布式文件系统等）上，以便于进行集中统计分析处理。

它为日志的“分布式收集，统一处理”提供了一个可扩展的，高容错的方案。

特点:容错性好。

当后端的存储系统crash时，scribe会将数据写到本地磁盘上，当存储系统恢复正常后，scribe将日志重新加载到存储系统中。

架构：scribe的架构比较简单，主要包括三部分，分别为scribe agent， scribe和存储系统。

(1) scribe agentscribe agent实际上是一个thrift client。

向scribe发送数据的唯一方法是使用thrift client， scribe内部定义了一个thrift接口，用户使用该接口将数据发送给server。

(2) scribescribe接收到thrift client发送过来的数据，根据配置文件，将不同topic 的数据发送给不同的对象。

scribe提供了各种各样的store，如 file， HDFS 等，scribe可将数据加载到这些store中。

(3) 存储系统存储系统实际上就是scribe中的store，当前scribe支持非常多的store，包括file（文件），buffer（双层存储，一个主储存，一个副存储），network（另一个scribe服务器），bucket（包含多个 store，通过hash的将数据存到不同store中），null(忽略数据)，thriftfile（写到一个Thrift TFileTransport 文件中）和multi（把数据同时存放到不同store中）。

B. Apache的Chukwachukwa是一个非常新的开源项目，由于其属于hadoop系列产品，因而使用了很多hadoop的组件（用HDFS存储，用mapreduce处理数据），它提供了很多模块以支持hadoop集群日志分析。

需求：(1) 灵活的，动态可控的数据源(2) 高性能，高可扩展的存储系统(3) 合适的框架，用于对收集到的大规模数据进行分析架构：Chukwa中主要有3种角色，分别为：adaptor，agent，collector。

(1) Adaptor 数据源可封装其他数据源，如file，unix命令行工具等目前可用的数据源有：hadoop logs，应用程序度量数据，系统参数数据（如linux cpu使用流率）。

(2) HDFS 存储系统Chukwa采用了HDFS作为存储系统。

HDFS的设计初衷是支持大文件存储和小并发高速写的应用场景，而日志系统的特点恰好相反，它需支持高并发低速率的写和大量小文件的存储。

需要注意的是，直接写到HDFS上的小文件是不可见的，直到关闭文件，另外，HDFS不支持文件重新打开。

(3) Collector和Agent为了克服(2)中的问题，增加了agent和collector阶段。

Agent的作用：给adaptor提供各种服务，包括：启动和关闭adaptor，将数据通过HTTP传递给Collector；定期记录adaptor状态，以便crash后恢复。

Collector的作用：对多个数据源发过来的数据进行合并，然后加载到HDFS中；隐藏HDFS实现的细节，如，HDFS版本更换后，只需修改collector即可。

(4) Demux和achieving直接支持利用MapReduce处理数据。

它内置了两个mapreduce作业，分别用于获取data和将data转化为结构化的log。

存储到data store（可以是数据库或者HDFS等）中。

C. LinkedIn的KafkaKafka是2010年12月份开源的项目，采用scala语言编写，使用了多种效率优化机制，整体架构比较新颖（push/pull），更适合异构集群。

设计目标：(1) 数据在磁盘上的存取代价为O(1)(2) 高吞吐率，在普通的服务器上每秒也能处理几十万条消息(3) 分布式架构，能够对消息分区(4) 支持将数据并行的加载到hadoop架构：Kafka实际上是一个消息发布订阅系统。

producer向某个topic发布消息，而consumer订阅某个topic的消息，进而一旦有新的关于某个topic的消息，broker会传递给订阅它的所有consumer。

在kafka中，消息是按topic组织的，而每个topic又会分为多个partition，这样便于管理数据和进行负载均衡。

同时，它也使用了zookeeper进行负载均衡。

Kafka中主要有三种角色，分别为producer，broker和consumer。

(1) ProducerProducer的任务是向broker发送数据。

Kafka提供了两种producer接口，一种是low_level接口，使用该接口会向特定的broker的某个topic下的某个partition发送数据；另一种那个是high level接口，该接口支持同步/异步发送数据，基于zookeeper的broker自动识别和负载均衡（基于Partitioner）。

其中，基于zookeeper的broker自动识别值得一说。

producer可以通过zookeeper获取可用的broker列表，也可以在zookeeper中注册listener，该listener在以下情况下会被唤醒：a．添加一个brokerb．删除一个brokerc．注册新的topicd．broker注册已存在的topic当producer得知以上时间时，可根据需要采取一定的行动。

(2) BrokerBroker采取了多种策略提高数据处理效率，包括sendfile和zero copy等技术。

(3) Consumerconsumer的作用是将日志信息加载到中央存储系统上。

kafka提供了两种consumer接口，一种是low level的，它维护到某一个broker的连接，并且这个连接是无状态的，即，每次从broker上pull数据时，都要告诉broker数据的偏移量。

另一种是high-level 接口，它隐藏了broker的细节，允许consumer 从broker上push数据而不必关心网络拓扑结构。

更重要的是，对于大部分日志系统而言，consumer已经获取的数据信息都由broker保存，而在kafka中，由consumer自己维护所取数据信息。

D. Cloudera的FlumeFlume是cloudera于2009年7月开源的日志系统。

它内置的各种组件非常齐全，用户几乎不必进行任何额外开发即可使用。

设计目标：(1) 可靠性当节点出现故障时，日志能够被传送到其他节点上而不会丢失。

Flume提供了三种级别的可靠性保障，从强到弱依次分别为：end-to-end（收到数据agent首先将event写到磁盘上，当数据传送成功后，再删除；如果数据发送失败，可以重新发送。

），Store on failure（这也是scribe采用的策略，当数据接收方crash 时，将数据写到本地，待恢复后，继续发送），Best effort（数据发送到接收方后，不会进行确认）。

(2) 可扩展性Flume采用了三层架构，分别问agent，collector和storage，每一层均可以水平扩展。

其中，所有agent和collector由master统一管理，这使得系统容易监控和维护，且master允许有多个（使用ZooKeeper进行管理和负载均衡），这就避免了单点故障问题。

(3) 可管理性所有agent和colletor由master统一管理，这使得系统便于维护。

用户可以在master上查看各个数据源或者数据流执行情况，且可以对各个数据源配置和动态加载。

Flume提供了web 和shell script command两种形式对数据流进行管理。

(4) 功能可扩展性用户可以根据需要添加自己的agent，colletor或者storage。

此外，Flume自带了很多组件，包括各种agent（file， syslog等），collector和storage （file，HDFS等）。

架构：正如前面提到的，Flume采用了分层架构，由三层组成，分别为agent，collector和storage。

其中，agent和collector均由两部分组成：source和sink，source 是数据来源，sink是数据去向。

(1) agentagent的作用是将数据源的数据发送给collector，Flume自带了很多直接可用的数据源（source）(2) collectorcollector的作用是将多个agent的数据汇总后，加载到storage中。