{"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\/fr\/blog\/administrirovanie\/logirovanie-v-kubernetes-efk-protiv-plg","title":{"rendered":"Journalisation dans Kubernetes : EFK contre PLG","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Journalisation<\/p>\n

<\/p>\n

La surveillance est devenue un \u00e9l\u00e9ment crucial des solutions cloud en pleine croissance, en raison de la complexit\u00e9 croissante des syst\u00e8mes distribu\u00e9s. Elle est n\u00e9cessaire pour comprendre leur comportement. Des outils \u00e9volutifs sont n\u00e9cessaires pour collecter des donn\u00e9es depuis tous les services - et fournir aux sp\u00e9cialistes une interface unique avec une analyse des performances, une d\u00e9monstration des erreurs, la disponibilit\u00e9 et les journaux. <\/p>\n

<\/p>\n

Ces outils doivent \u00e9galement \u00eatre efficaces et performants. Dans cet article, nous examinerons deux piles technologiques populaires : EFK (Elasticsearch) et PLG (Loki), et nous analyserons leurs architectures et diff\u00e9rences.<\/p>\n

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

La pile EFK<\/h2>\n

<\/p>\n

Vous avez peut-\u00eatre d\u00e9j\u00e0 entendu parler du tr\u00e8s populaire ELK ou EFK. La pile se compose de plusieurs parties distinctes : Elasticsearch (stockage d'objets), Logstash ou FluentD (collecte et agr\u00e9gation des journaux) et Kibana pour la visualisation.<\/p>\n

<\/p>\n

Un sch\u00e9ma de fonctionnement typique ressemble \u00e0 ceci :<\/p>\n

<\/p>\n

\"Journalisation<\/p>\n

<\/p>\n

Elasticsearch<\/strong> \u2014 un stockage d'objets distribu\u00e9 avec recherche et analyse en temps r\u00e9el. Excellente solution pour les donn\u00e9es partiellement structur\u00e9es, comme les journaux. Les informations sont conserv\u00e9es sous forme de documents JSON, index\u00e9es en temps r\u00e9el et r\u00e9parties sur les n\u0153uds du cluster. Un index invers\u00e9 est utilis\u00e9, contenant tous les mots uniques et les documents associ\u00e9s pour la recherche plein texte, qui est elle-m\u00eame bas\u00e9e sur le moteur de recherche Apache Lucene.<\/p>\n

<\/p>\n

FluentD<\/strong> \u2014 est un agr\u00e9gateur de donn\u00e9es qui uniformise les donn\u00e9es lors de leur collecte et consumption. Il s\u2019efforce de structurer les donn\u00e9es en JSON autant que possible. Son architecture est extensible, avec plus de centaines d'extensions<\/a><\/noindex>, soutenues par la communaut\u00e9, pour tous les cas de figure.<\/p>\n

<\/p>\n

Kibana<\/strong> \u2014 est un outil de visualisation de donn\u00e9es pour Elasticsearch, avec diverses fonctionnalit\u00e9s suppl\u00e9mentaires, telles que l'analyse des s\u00e9ries temporelles, des graphes, l'apprentissage automatique et plus encore.<\/p>\n

<\/p>\n

Architecture d'Elasticsearch<\/h3>\n

<\/p>\n

Les donn\u00e9es du cluster Elasticsearch sont dispers\u00e9es sur tous les n\u0153uds. Le cluster se compose de plusieurs n\u0153uds pour am\u00e9liorer la disponibilit\u00e9 et la r\u00e9silience. Chaque n\u0153ud peut remplir tous les r\u00f4les du cluster, mais dans les d\u00e9ploiements \u00e9volutifs \u00e0 grande \u00e9chelle, des t\u00e2ches distinctes sont g\u00e9n\u00e9ralement assign\u00e9es aux n\u0153uds.<\/p>\n

<\/p>\n

Types de n\u0153uds de cluster :<\/p>\n

<\/p>\n