{"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\/de\/blog\/administrirovanie\/logirovanie-v-kubernetes-efk-protiv-plg","title":{"rendered":"Logging in Kubernetes: EFK gegen PLG","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Logging<\/p>\n

<\/p>\n

Monitoring ist ein \u00e4u\u00dferst wichtiger Bestandteil der wachsenden Cloud-L\u00f6sungen, da die Komplexit\u00e4t verteilte Systeme zunimmt. Es ist notwendig, ihr Verhalten zu verstehen. Skalierbare Tools sind erforderlich, um Daten aus allen Diensten zu sammeln und Fachleuten eine einheitliche Schnittstelle f\u00fcr Performance-Analysen, Fehlermeldungen, Verf\u00fcgbarkeit und Protokolle bereitzustellen. <\/p>\n

<\/p>\n

Diese Tools m\u00fcssen effizient und leistungsstark sein. In diesem Artikel werden wir zwei beliebte Technologiestacks untersuchen: EFK (Elasticsearch) und PLG (Loki) sowie ihre Architekturen und Unterschiede erl\u00e4utern.<\/p>\n

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

EFK-Stack<\/h2>\n

<\/p>\n

Vielleicht haben Sie bereits von dem sehr beliebten ELK oder EFK geh\u00f6rt. Der Stack besteht aus mehreren einzelnen Komponenten: Elasticsearch (Objektspeicher), Logstash oder FluentD (Sammlung und Aggregation von Protokollen) und Kibana zur Visualisierung.<\/p>\n

<\/p>\n

Ein typisches Arbeitsdiagramm sieht so aus:<\/p>\n

<\/p>\n

\"Logging<\/p>\n

<\/p>\n

Elasticsearch<\/strong> \u2014 ein verteiltes Objektspeicher mit Echtzeit-Suche und -Analyse. Eine hervorragende L\u00f6sung f\u00fcr teilweise strukturierte Daten, wie Protokolle. Informationen werden in Form von JSON-Dokumenten gespeichert, in Echtzeit indexiert und \u00fcber die Knoten des Clusters verteilt. Es wird ein invertierter Index verwendet, der alle einzigartigen W\u00f6rter und die entsprechenden Dokumente f\u00fcr die Volltextsuche enth\u00e4lt, die wiederum auf der Suchmaschine Apache Lucene basiert.<\/p>\n

<\/p>\n

FluentD<\/strong> \u2014 ist ein Datensammler, der die Daten bei ihrer Sammlung und Nutzung vereinheitlicht. Er versucht, die Daten so weit wie m\u00f6glich in JSON zu strukturieren. Seine Architektur ist erweiterbar, es gibt mehr als hunderte von verschiedenen Erweiterungen<\/a><\/noindex>, die von der Community f\u00fcr alle Lebenslagen unterst\u00fctzt werden.<\/p>\n

<\/p>\n

Kibana<\/strong> \u2014 ein Visualisierungstool f\u00fcr Daten in Elasticsearch mit verschiedenen zus\u00e4tzlichen Funktionen, wie Zeitreihenanalysen, Grafiken, maschinellem Lernen und mehr.<\/p>\n

<\/p>\n

Architektur von Elasticsearch<\/h3>\n

<\/p>\n

Die Daten des Elasticsearch-Clusters werden \u00fcber alle seine Knoten verteilt gespeichert. Der Cluster besteht aus mehreren Knoten zur Verbesserung der Verf\u00fcgbarkeit und Stabilit\u00e4t. Jeder Knoten kann alle Rollen des Clusters ausf\u00fchren, aber in gro\u00dfen und skalierbaren Bereitstellungen werden den Knoten in der Regel spezifische Aufgaben zugewiesen.<\/p>\n

<\/p>\n

Typen von Clusterknoten:<\/p>\n

<\/p>\n