{"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\/no\/blog\/administrirovanie\/logirovanie-v-kubernetes-efk-protiv-plg","title":{"rendered":"Logging i Kubernetes: EFK vs. PLG","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Logging<\/p>\n

<\/p>\n

Overv\u00e5kning har blitt en sv\u00e6rt viktig komponent i de voksende skytjenestene ettersom kompleksiteten i distribuerte systemer \u00f8ker. Den er n\u00f8dvendig for \u00e5 forst\u00e5 atferden deres. Skalerbare verkt\u00f8y er n\u00f8dvendige, som kan samle inn data fra alle tjenester \u2014 og gi spesialister et enkelt grensesnitt med ytelseanalyse, visning av feil, tilgjengelighet og logger. <\/p>\n

<\/p>\n

Disse verkt\u00f8yene m\u00e5 ogs\u00e5 v\u00e6re effektive og ytelsessterke. I denne artikkelen vil vi se p\u00e5 to popul\u00e6re teknologistakker: EFK (Elasticsearch) og PLG (Loki) og vi vil diskutere deres arkitekturer og forskjeller.<\/p>\n

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

EFK-stakken<\/h2>\n

<\/p>\n

Kanskje har du allerede h\u00f8rt om den popul\u00e6re ELK eller EFK. Stakken best\u00e5r av flere separate deler: Elasticsearch (objektdatabase), Logstash eller FluentD (innsamling og aggregering av logger) og Kibana for visualisering.<\/p>\n

<\/p>\n

En typisk arbeidsflyt ser slik ut:<\/p>\n

<\/p>\n

\"Logging<\/p>\n

<\/p>\n

Elasticsearch<\/strong> \u2014 et distribuert objektdatabaser med sanntids s\u00f8k og analyse. Et fremragende valg for delvis strukturerte data, som logger. Informasjonen lagres som JSON-dokumenter, indekseres i sanntid og distribueres p\u00e5 nodene i klyngen. Det brukes en invertert indeks, som inneholder alle unike ord og relaterte dokumenter for fulltekst-s\u00f8k, som igjen er basert p\u00e5 s\u00f8kemotoren Apache Lucene.<\/p>\n

<\/p>\n

FluentD<\/strong> \u2014 er en datainnsamler som utf\u00f8rer datastandardisering ved innsamling og forbruk. Den pr\u00f8ver \u00e5 organisere dataene i JSON s\u00e5 godt som mulig. Arkitekturen er utvidbar, det finnes mer enn hundre forskjellige utvidelser<\/a><\/noindex>, st\u00f8ttet av fellesskapet, for alle muligheter.<\/p>\n

<\/p>\n

Kibana<\/strong> \u2014 et datavisualiseringsverkt\u00f8y for Elasticsearch med ulike tilleggsfunksjoner, som tidsserieanalyse, grafer, maskinl\u00e6ring og mer.<\/p>\n

<\/p>\n

Elasticsearch-arkitektur<\/h3>\n

<\/p>\n

Dataene i Elasticsearch-klyngen lagres fordelt over alle nodene. Klyngen best\u00e5r av flere noder for \u00e5 forbedre tilgjengelighet og robusthet. Enhver node kan utf\u00f8re alle klyngens roller, men i st\u00f8rre skalerbare distribusjoner tildeles noder vanligvis separate oppgaver.<\/p>\n

<\/p>\n

Typer av klynge-noder:<\/p>\n

<\/p>\n