{"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\/sv\/blog\/administrirovanie\/logirovanie-v-kubernetes-efk-protiv-plg","title":{"rendered":"Loggning i Kubernetes: EFK kontra PLG","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Loggning<\/p>\n

<\/p>\n

\u00d6vervakning har blivit en mycket viktig komponent av v\u00e4xande molnl\u00f6sningar i takt med \u00f6kande komplexitet i distribuerade system. Det \u00e4r n\u00f6dv\u00e4ndigt f\u00f6r att f\u00f6rst\u00e5 deras beteende. Det beh\u00f6vs skalbara verktyg som kan samla data fr\u00e5n alla tj\u00e4nster \u2014 och ge specialister ett gemensamt gr\u00e4nssnitt f\u00f6r prestandaanalys, felvisning, tillg\u00e4nglighet och loggar. <\/p>\n

<\/p>\n

Dessa verktyg b\u00f6r vara effektiva och presterande. I denna artikel kommer vi att titta p\u00e5 tv\u00e5 popul\u00e4ra teknikstackar: EFK (Elasticsearch) och PLG (Loki) och g\u00e5 igenom deras arkitekturer och skillnader.<\/p>\n

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

EFK-stacken<\/h2>\n

<\/p>\n

Du har kanske redan h\u00f6rt talas om den popul\u00e4ra ELK eller EFK. Stacken best\u00e5r av flera separata delar: Elasticsearch (objektrepository), Logstash eller FluentD (insamling och aggregering av loggar) och Kibana f\u00f6r visualisering.<\/p>\n

<\/p>\n

Ett typiskt arbetsfl\u00f6de ser ut s\u00e5 h\u00e4r:<\/p>\n

<\/p>\n

\"Loggning<\/p>\n

<\/p>\n

Elasticsearch<\/strong> \u2014 ett distribuerat objektrepository med s\u00f6kning och analys i realtid. En utm\u00e4rkt l\u00f6sning f\u00f6r delvis strukturerad data, som loggar. Informationen lagras som JSON-dokument, indexeras i realtid och sprids \u00f6ver klustrets noder. En omv\u00e4nd index anv\u00e4nds, som inneh\u00e5ller alla unika ord och relaterade dokument f\u00f6r fulltextss\u00f6kning, som i sin tur bygger p\u00e5 s\u00f6kmotorn Apache Lucene.<\/p>\n

<\/p>\n

FluentD<\/strong> \u2014 \u00e4r en datainsamlare som utf\u00f6r datastandardisering vid insamling och konsumtion. Den str\u00e4var efter att strukturera data i JSON s\u00e5 l\u00e5ngt som m\u00f6jligt. Dess arkitektur \u00e4r utbyggbar, det finns mer \u00e4n hundratals olika till\u00e4gg<\/a><\/noindex>, som st\u00f6ds av gemenskapen, f\u00f6r alla situationer.<\/p>\n

<\/p>\n

Kibana<\/strong> \u2014 ett verktyg f\u00f6r datavisualisering f\u00f6r Elasticsearch med olika extra funktioner, som analys av tidsserier, grafer, maskininl\u00e4rning och mer.<\/p>\n

<\/p>\n

Elasticsearch-arkitektur<\/h3>\n

<\/p>\n

Data i Elasticsearch-klustret lagras utspritt \u00f6ver alla dess noder. Klustret best\u00e5r av flera noder f\u00f6r att f\u00f6rb\u00e4ttra tillg\u00e4nglighet och motst\u00e5ndskraft. Vilken nod som helst kan utf\u00f6ra alla klustrets roller, men i stora skalbara installationer tilldelas noder vanligtvis specifika uppgifter.<\/p>\n

<\/p>\n

Typer av klusternoder:<\/p>\n

<\/p>\n