{"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\/pt\/blog\/administrirovanie\/logirovanie-v-kubernetes-efk-protiv-plg","title":{"rendered":"Log de eventos no Kubernetes: EFK versus PLG","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Log<\/p>\n

<\/p>\n

A monitoriza\u00e7\u00e3o tornou-se um componente extremamente importante nas solu\u00e7\u00f5es em nuvem em crescimento, dadas as complexidades dos sistemas distribu\u00eddos. \u00c9 essencial para entender seu comportamento. Precisamos de ferramentas escal\u00e1veis que consigam coletar dados de todos os servi\u00e7os \u2014 e fornecer aos especialistas uma interface \u00fanica com an\u00e1lise de desempenho, demonstra\u00e7\u00e3o de erros, disponibilidade e registros. <\/p>\n

<\/p>\n

Essas ferramentas tamb\u00e9m devem ser eficientes e produtivas. Neste artigo, examinaremos duas pilhas de tecnologia populares: EFK (Elasticsearch) e PLG (Loki), e analisaremos suas arquiteturas e diferen\u00e7as.<\/p>\n

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

Pilha EFK<\/h2>\n

<\/p>\n

Voc\u00ea pode j\u00e1 ter ouvido falar do muito popular ELK ou EFK. A pilha consiste em v\u00e1rias partes distintas: Elasticsearch (armazenamento de objetos), Logstash ou FluentD (coleta e agrega\u00e7\u00e3o de logs) e Kibana para visualiza\u00e7\u00e3o.<\/p>\n

<\/p>\n

Um diagrama t\u00edpico de funcionamento \u00e9 o seguinte:<\/p>\n

<\/p>\n

\"Log<\/p>\n

<\/p>\n

Elasticsearch<\/strong> \u2014 um armazenamento de objetos distribu\u00eddo com pesquisa e an\u00e1lise em tempo real. Uma excelente solu\u00e7\u00e3o para dados parcialmente estruturados, como logs. As informa\u00e7\u00f5es s\u00e3o armazenadas como documentos JSON, indexados em tempo real e distribu\u00eddos ao longo dos n\u00f3s do cluster. Um \u00edndice invertido \u00e9 utilizado, contendo todas as palavras \u00fanicas e os documentos correspondentes para pesquisa de texto completo, que por sua vez \u00e9 baseado no mecanismo de busca Apache Lucene.<\/p>\n

<\/p>\n

FluentD<\/strong> \u2014 \u00e9 um coletor de dados que realiza a unifica\u00e7\u00e3o dos dados durante sua coleta e consumo. Ele tenta organizar os dados em JSON tanto quanto poss\u00edvel. Sua arquitetura \u00e9 extens\u00edvel, existindo mais de centenas de extens\u00f5es diferentes<\/a><\/noindex>, suportadas pela comunidade, para todas as situa\u00e7\u00f5es.<\/p>\n

<\/p>\n

Kibana<\/strong> \u2014 uma ferramenta de visualiza\u00e7\u00e3o de dados para Elasticsearch com v\u00e1rias funcionalidades adicionais, como an\u00e1lise de s\u00e9ries temporais, gr\u00e1ficos, aprendizado de m\u00e1quina e mais.<\/p>\n

<\/p>\n

Arquitetura do Elasticsearch<\/h3>\n

<\/p>\n

Os dados do cluster do Elasticsearch s\u00e3o armazenados distribu\u00eddos por todos os seus n\u00f3s. O cluster consiste em v\u00e1rios n\u00f3s para melhorar a disponibilidade e resist\u00eancia. Qualquer n\u00f3 pode desempenhar todas as fun\u00e7\u00f5es do cluster, mas em grandes implanta\u00e7\u00f5es escal\u00e1veis, os n\u00f3s geralmente s\u00e3o atribu\u00eddos a tarefas separadas.<\/p>\n

<\/p>\n

Tipos de n\u00f3s do cluster:<\/p>\n

<\/p>\n