{"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\/es\/blog\/administrirovanie\/logirovanie-v-kubernetes-efk-protiv-plg","title":{"rendered":"Registro en Kubernetes: EFK contra PLG","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Registro<\/p>\n

<\/p>\n

El monitoreo se ha convertido en un componente crucial de las crecientes soluciones en la nube con el aumento de la complejidad de los sistemas distribuidos. Es necesario para entender su comportamiento. Se necesitan herramientas escalables que puedan recolectar datos de todos los servicios y proporcionar a los especialistas una interfaz \u00fanica con an\u00e1lisis de rendimiento, visualizaci\u00f3n de errores, disponibilidad y registros. <\/p>\n

<\/p>\n

Estas herramientas tambi\u00e9n deben ser efectivas y eficientes. En este art\u00edculo, analizaremos dos tecnolog\u00edas populares: EFK (Elasticsearch) y PLG (Loki) y examinaremos sus arquitecturas y diferencias.<\/p>\n

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

Pila EFK<\/h2>\n

<\/p>\n

Es posible que ya haya o\u00eddo hablar del popular ELK o EFK. La pila consta de varias partes separadas: Elasticsearch (almacenamiento de objetos), Logstash o FluentD (recolecci\u00f3n y agregaci\u00f3n de registros) y Kibana para la visualizaci\u00f3n.<\/p>\n

<\/p>\n

Un esquema t\u00edpico de funcionamiento se ve as\u00ed:<\/p>\n

<\/p>\n

\"Registro<\/p>\n

<\/p>\n

Elasticsearch<\/strong> \u2014 almacenamiento de objetos distribuido con b\u00fasqueda y an\u00e1lisis en tiempo real. Una excelente soluci\u00f3n para datos semiestructurados, como los registros. La informaci\u00f3n se almacena en documentos JSON, se indexa en tiempo real y se distribuye entre los nodos del cl\u00faster. Se utiliza un \u00edndice invertido que contiene todas las palabras \u00fanicas y los documentos relacionados para la b\u00fasqueda de texto completo, que se basa en el motor de b\u00fasqueda Apache Lucene.<\/p>\n

<\/p>\n

FluentD<\/strong> \u2014 es un recopilador de datos que realiza la unificaci\u00f3n de datos durante su recolecci\u00f3n y consumo. Intenta organizar los datos en JSON tanto como sea posible. Su arquitectura es extensible, hay m\u00e1s de cientos de diferentes extensiones<\/a><\/noindex>, soportadas por la comunidad, para todos los casos de uso.<\/p>\n

<\/p>\n

Kibana<\/strong> \u2014 es una herramienta de visualizaci\u00f3n de datos para Elasticsearch con varias capacidades adicionales, como an\u00e1lisis de series temporales, gr\u00e1ficos, aprendizaje autom\u00e1tico y m\u00e1s.<\/p>\n

<\/p>\n

Arquitectura de Elasticsearch<\/h3>\n

<\/p>\n

Los datos del cl\u00faster de Elasticsearch se almacenan repartidos entre todos sus nodos. El cl\u00faster consiste en varios nodos para mejorar la disponibilidad y la resistencia. Cualquier nodo puede desempe\u00f1ar todos los roles del cl\u00faster, pero en implementaciones escalables de gran tama\u00f1o, generalmente se asignan tareas separadas a los nodos.<\/p>\n

<\/p>\n

Tipos de nodos del cl\u00faster:<\/p>\n

<\/p>\n