{"id":89038,"date":"2020-07-17T19:42:30","date_gmt":"2020-07-17T17:42:30","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/logirovanie-v-kubernetes-efk-protiv-plg"},"modified":"2020-07-17T19:42:30","modified_gmt":"2020-07-17T17:42:30","slug":"logirovanie-v-kubernetes-efk-protiv-plg","status":"publish","type":"post","link":"https:\/\/prohoster.info\/da\/blog\/administrirovanie\/logirovanie-v-kubernetes-efk-protiv-plg","title":{"rendered":"Logging i Kubernetes: EFK kontra PLG","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Logging<\/p>\n

<\/p>\n

Overv\u00e5gning er blevet en v\u00e6sentlig komponent i voksende cloud-l\u00f8sninger med den stigende kompleksitet af distribuerede systemer. Det er n\u00f8dvendigt for at forst\u00e5 deres adf\u00e6rd. Der kr\u00e6ves skalerbare v\u00e6rkt\u00f8jer, der kan indsamle data fra alle tjenester \u2014 og give specialisterne en samlet gr\u00e6nseflade med ydeevneanalyse, fejlvisning, tilg\u00e6ngelighed og logfiler. <\/p>\n

<\/p>\n

Disse v\u00e6rkt\u00f8jer skal ogs\u00e5 v\u00e6re effektive og ydedygtige. I denne artikel vil vi se p\u00e5 to popul\u00e6re teknologi-stakke: EFK (Elasticsearch) og PLG (Loki) og gennemg\u00e5 deres arkitekturer og forskelle.<\/p>\n

<\/a><\/noindex><\/p>\n

EFK-stakken<\/h2>\n

<\/p>\n

M\u00e5ske har du allerede h\u00f8rt om den meget popul\u00e6re ELK eller EFK. Stakken best\u00e5r af flere separate dele: Elasticsearch (objektlager), Logstash eller FluentD (indsamling og aggregering af logs) og Kibana til visualisering.<\/p>\n

<\/p>\n

En typisk arbejdsmodel ser s\u00e5ledes ud:<\/p>\n

<\/p>\n

\"Logging<\/p>\n

<\/p>\n

Elasticsearch<\/strong> \u2014 et distribueret objektlager med s\u00f8gning og analyse i realtid. En fremragende l\u00f8sning til delvist strukturerede data, som logs. Oplysninger gemmes i form af JSON-dokumenter, indekseres i realtid og distribueres p\u00e5 cluster-noder. Der anvendes et omvendt indeks, der indeholder alle unikke ord og de relaterede dokumenter til fuldtekst-s\u00f8gning, som i \u00f8vrigt er baseret p\u00e5 s\u00f8gemaskinen Apache Lucene.<\/p>\n

<\/p>\n

FluentD<\/strong> \u2014 en datainnsamler, der s\u00f8ger at standardisere dataene ved indsamling og forbrug. Den pr\u00f8ver at organisere dataene i JSON s\u00e5 meget som muligt. Dens arkitektur er udvidelig, og der findes mere end hundrede forskellige udvidelser<\/a><\/noindex>, underst\u00f8ttet af f\u00e6llesskabet, til alle mulige form\u00e5l.<\/p>\n

<\/p>\n

Kibana<\/strong> \u2014 et visualiseringsv\u00e6rkt\u00f8j til Elasticsearch med forskellige ekstra funktioner, s\u00e5som tidsserieanalyse, grafanalyse, maskinl\u00e6ring og meget mere.<\/p>\n

<\/p>\n

Elasticsearch-arkitektur<\/h3>\n

<\/p>\n

Dataene i Elasticsearch-clusteret gemmes spredt over alle dets noder. Clustret best\u00e5r af flere noder for at forbedre tilg\u00e6ngeligheden og robustheden. Enhver node kan udf\u00f8re alle roller i clustret, men i store skalerbare implementeringer f\u00e5r noderne typisk tildelt specifikke opgaver.<\/p>\n

<\/p>\n

Typer af cluster-noder:<\/p>\n

<\/p>\n