{"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\/et\/blog\/administrirovanie\/logirovanie-v-kubernetes-efk-protiv-plg","title":{"rendered":"Logimine Kuberneteses: EFK versus PLG","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Logimine<\/p>\n

<\/p>\n

J\u00e4lgimine on muutunud v\u00e4ga oluliseks komponendiks kasvavatesse pilve lahendustesse, kuna jaotatud s\u00fcsteemide keerukus suureneb. See on vajalik nende k\u00e4itumise m\u00f5istmiseks. On vaja skaleeritavaid t\u00f6\u00f6riistu, mis suudavad koguda andmeid k\u00f5ikidest teenustest ja pakkuda spetsialistidele \u00fchtset liidest j\u00f5udluse anal\u00fc\u00fcsimiseks, vigade tuvastamiseks, k\u00e4tte saadavuse j\u00e4lgimiseks ja logide haldamiseks. <\/p>\n

<\/p>\n

Need t\u00f6\u00f6riistad peavad olema t\u00f5husad ja tootlikud. K\u00e4esolevas artiklis vaatleme kahte populaarset tehnoloogeograafiat: EFK (Elasticsearch) ja PLG (Loki) ning anal\u00fc\u00fcsime nende arhitektuure ja erinevusi.<\/p>\n

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

EFK tehnoloogeograafia<\/h2>\n

<\/p>\n

V\u00f5imalik, et olete juba kuulnud v\u00e4ga populaarsest ELK v\u00f5i EFK-st. Tehnoloogeograafia koosneb mitmest eraldi osast: Elasticsearch (objektide salvestamine), Logstash v\u00f5i FluentD (logide kogumine ja agregatsioon) ning Kibana visualiseerimiseks.<\/p>\n

<\/p>\n

T\u00fc\u00fcpiline t\u00f6\u00f6voog n\u00e4eb v\u00e4lja j\u00e4rgmiselt:<\/p>\n

<\/p>\n

\"Logimine<\/p>\n

<\/p>\n

Elasticsearch<\/strong> \u2014 jaotatud objektide salvestamine, reaalajas otsingu ja anal\u00fc\u00fcsi v\u00f5imalustega. Suurep\u00e4rane lahendus osaliselt struktureeritud andmete, nagu logide, jaoks. Teave salvestatakse JSON dokumentidena, indekseeritakse reaalajas ja jagatakse klastrite s\u00f5lmede vahel. Kasutatakse p\u00f6\u00f6rds\u00f5nastikku, mis sisaldab k\u00f5iki unikaalseid s\u00f5nu ja nendega seotud dokumente t\u00e4isteksti otsingu jaoks, mis p\u00f5hineb Apache Lucene'i otsingumootoril.<\/p>\n

<\/p>\n

FluentD<\/strong> \u2014 andmete kogumiseks m\u00f5eldud t\u00f6\u00f6riist, mis \u00fchtlustab andmeid nende kogumise ja kasutamise ajal. See p\u00fc\u00fcab andmeid JSON formaadis v\u00f5imalikult korralikult struktureerida. Selle arhitektuur on laiendatav ning olemas on \u00fcle saja erineva laienduse<\/a><\/noindex>, mida toetavad kogukonnad iga olukorra jaoks.<\/p>\n

<\/p>\n

Kibana<\/strong> \u2014 Elasticsearchi andmete visualiseerimise t\u00f6\u00f6riist koos erinevate t\u00e4iendavate funktsioonidega, nagu ajaread, graafikud, masin\u00f5pe ja muud.<\/p>\n

<\/p>\n

Elasticsearchi arhitektuur<\/h3>\n

<\/p>\n

Elasticsearchi klastrite andmed on jaotatud k\u00f5ikide selle s\u00f5lmede vahel. Klastril on mitu s\u00f5lme, et parandada k\u00e4tte saadavust ja vastupidavust. Iga s\u00f5lm v\u00f5ib t\u00e4ita k\u00f5iki klastrit\u00f6id, kuid suurtel skaleeritavatel juurutustel m\u00e4\u00e4ratakse tavaliselt s\u00f5lmedele erinevad \u00fclesanded.<\/p>\n

<\/p>\n

Klastri s\u00f5lmede t\u00fc\u00fcbid:<\/p>\n

<\/p>\n