用了日志系统新贵 Loki，ELK突然不香了！

╰半夏微凉° 2023-02-26 02:28 30阅读 0赞

公众号后台回复“**面试**”，获取精品学习资料

![format_png][]

扫描下方二维码了解详情，试听课程

![format_png 1][]

![format_png 2][]本文来源：

*http://blog.csdn.net/Linkthaha/article/details/100575651*

**《互联网 Java 工程师面试突击（第3季）》重磅升级，由原来的70讲增至150讲，内容扩充一倍，升级部分内容请参见文末**

最近，在对公司容器云的日志方案进行设计时，发现主流的 ELK 或者 EFK 比较重，再加上现阶段对于 ES 复杂的搜索功能很多都用不上，最终选择了 Grafana 开源的 Loki 日志系统，下面介绍下 Loki 的背景。

背景和动机

当我们的容器云运行的应用或者某个节点出现问题了，解决思路应该如下：

![format_png 3][]

我们的监控使用的是基于 Prometheus 体系进行改造的，Prometheus 中比较重要的是 Metric 和 Alert。

Metric 是来说明当前或者历史达到了某个值，Alert 设置 Metric 达到某个特定的基数触发了告警，但是这些信息明显是不够的。

我们都知道，Kubernetes 的基本单位是 Pod，Pod 把日志输出到 stdout 和 stderr，平时有什么问题我们通常在界面或者通过命令查看相关的日志。

**举个例子：**当我们的某个 Pod 的内存变得很大，触发了我们的 Alert，这个时候管理员，去页面查询确认是哪个 Pod 有问题，然后要确认 Pod 内存变大的原因。

我们还需要去查询 Pod 的日志，如果没有日志系统，那么我们就需要到页面或者使用命令进行查询了：

![format_png 4][]

如果，这个时候应用突然挂了，这个时候我们就无法查到相关的日志了，所以需要引入日志系统，统一收集日志。

而使用 ELK 的话，就需要在 Kibana 和 Grafana 之间切换，影响用户体验。

所以 ，Loki 的第一目的就是最小化度量和日志的切换成本，有助于减少异常事件的响应时间和提高用户的体验。

ELK 存在的问题

现有的很多日志采集的方案都是采用全文检索对日志进行索引（如 ELK 方案），优点是功能丰富，允许复杂的操作。但是，这些方案往往规模复杂，资源占用高，操作苦难。

很多功能往往用不上，大多数查询只关注一定时间范围和一些简单的参数（如 host、service 等），使用这些解决方案就有点杀鸡用牛刀的感觉了。

![format_png 5][]

因此，Loki 的第二个目的是，在查询语言的易操作性和复杂性之间可以达到一个权衡。

成本

全文检索的方案也带来成本问题，简单的说就是全文搜索（如 ES）的倒排索引的切分和共享的成本较高。

后来出现了其他不同的设计方案如：OKlog（https://github.com/oklog/oklog），采用最终一致的、基于网格的分布策略。

这两个设计决策提供了大量的成本降低和非常简单的操作，但是查询不够方便。因此，Loki 的第三个目的是，提高一个更具成本效益的解决方案。

整体架构

Loki 的架构如下：

![format_png 6][]

不难看出，Loki 的架构非常简单，使用了和 Prometheus 一样的标签来作为索引。

也就是说，你通过这些标签既可以查询日志的内容也可以查询到监控的数据，不但减少了两种查询之间的切换成本，也极大地降低了日志索引的存储。

Loki 将使用与 Prometheus 相同的服务发现和标签重新标记库，编写了 Pormtail，在 Kubernetes 中 Promtail 以 DaemonSet 方式运行在每个节点中，通过 Kubernetes API 等到日志的正确元数据，并将它们发送到 Loki。

下面是日志的存储架构：

![format_png 7][]

读写

日志数据的写主要依托的是 Distributor 和 Ingester 两个组件，整体的流程如下：

![format_png 8][]

**Distributor**

一旦 Promtail 收集日志并将其发送给 Loki，Distributor 就是第一个接收日志的组件。

由于日志的写入量可能很大，所以不能在它们传入时将它们写入数据库。这会毁掉数据库。我们需要批处理和压缩数据。

Loki 通过构建压缩数据块来实现这一点，方法是在日志进入时对其进行 Gzip 操作，组件 Ingester 是一个有状态的组件，负责构建和刷新 Chunck，当 Chunk 达到一定的数量或者时间后，刷新到存储中去。

每个流的日志对应一个 Ingester，当日志到达 Distributor 后，根据元数据和 Hash 算法计算出应该到哪个 Ingester 上面。

![format_png 9][]

此外，为了冗余和弹性，我们将其复制 n（默认情况下为 3）次。

**Ingester**

Ingester 接收到日志并开始构建 Chunk：

![format_png 10][]

基本上就是将日志进行压缩并附加到 Chunk 上面。一旦 Chunk“填满”（数据达到一定数量或者过了一定期限），Ingester 将其刷新到数据库。

我们对块和索引使用单独的数据库，因为它们存储的数据类型不同。

![format_png 11][]

刷新一个 Chunk 之后，Ingester 然后创建一个新的空 Chunk 并将新条目添加到该 Chunk 中。

**Querier**

读取就非常简单了，由 Querier 负责给定一个时间范围和标签选择器，Querier 查看索引以确定哪些块匹配，并通过 greps 将结果显示出来。它还从 Ingester 获取尚未刷新的最新数据。

对于每个查询，一个查询器将为您显示所有相关日志。实现了查询并行化，提供分布式 grep，使即使是大型查询也是足够的。

![format_png 12][]

可扩展性

Loki 的索引存储可以是 cassandra/bigtable/dynamodb，而 Chuncks 可以是各种对象存储，Querier 和 Distributor 都是无状态的组件。

对于 Ingester 他虽然是有状态的但是，当新的节点加入或者减少，整节点间的 Chunk 会重新分配，已适应新的散列环。

而 Loki 底层存储的实现 Cortex 已经在实际的生产中投入使用多年了。有了这句话，我可以放心的在环境中实验一把了。

**END**

《Java工程师面试突击第三季》加餐部分大纲：（注：1-66讲的大纲请扫描文末二维码，在课程详情页获取）

![format_png 13][]

![format_png 14][]

![format_png 15][]

**详细的课程内容，大家可以扫描下方二维码了解：**

![format_png 16][]

[format_png]: /images/20230209/9a147617a01d4618b956e65eb8d816fe.png
[format_png 1]: /images/20230209/2f125f84677d452d9f889a27fc2e7686.png
[format_png 2]: /images/20230209/edf21d7580fd4d46877a108f68573877.png
[format_png 3]: /images/20230209/8e8aa62efc6742b7be46891c69d8b1f0.png
[format_png 4]: /images/20230209/c7c055fdcb874f4f99c863fe28d0d3c8.png
[format_png 5]: /images/20230209/5488e8d682c746ccaee8923bd2f6c8cd.png
[format_png 6]: /images/20230209/a40b1a4090334f46bfc333daf2aa0e96.png
[format_png 7]: /images/20230209/7393880fc1b647ff9308757f147bd505.png
[format_png 8]: /images/20230209/cc6315f976c84b64a89260f8c09cfd26.png
[format_png 9]: /images/20230209/e887cef063c040069aa342078e34dd1e.png
[format_png 10]: /images/20230209/dc5e5254944f45399e1fade806f3b5ae.png
[format_png 11]: /images/20230209/187b249397f64c6499226ff1dd339252.png
[format_png 12]: /images/20230209/4a469dbbf17a49758f7367eb23c5361c.png
[format_png 13]: /images/20230209/d5e0c9eee70e4acb8e8489f0f6b36754.png
[format_png 14]: /images/20230209/c657dc5d2bdc49cfaf858c505a9a17cd.png
[format_png 15]: /images/20230209/8d36dbd3fc1246319f9f4a91791a9aa8.png
[format_png 16]: /images/20230209/f605ab3f89844cb2a2c07532b22e8d04.png