业务平台每天产生大量日志数据，为了实现数据分析，需要将生产服务器上的所有日志收集后进行大数据分析处理，Docker提供了日志驱动，然而并不能满足不同场景需求，本次将结合实例分享日志采集、存储以及告警等方面的实践经验。

2013年以来Docker迅速火了起来，它的理念带来了非常大的便利性，不过实际应用中会发现还有监控、日志、网络等问题尚待解决，本文会结合实例分享数人云做容器日志系统的经验。

基于ELK的日志管理系统架构

日志收集是大数据的基础，业务平台每天产生大量日志数据，为了实现数据分析，需要将生产服务器上的所有日志收集后进行分析处理；高可用性，高可靠性以及可扩展性是日志收集系统的必备要素。

ELK是目前较流行的日志一体化解决方案，提供日志收集、处理、存储、搜索、展示等功能。容器标准输出日志常用的查询方式是通过Docker命令 docker logs containerid来查看，容器内日志受容器隔离性影响不便于收集，因此当面对大型系统，用单一命令管理日志是不可行的，需要一个对于容器日志统一检索管理的方案。基于ELK实践了一套容器日志管理系统，架构如下：

日志采集

传统的日志采集有较成熟的解决方案，如Flume、Logstash等，但传统的采集方案不适用于容器日志。Docker本身提供了LogDriver功能，可以利用不同的driver把日志输出到不同地方，LogDriver具体有以下几种：

None（将日志设置成不再输出）
json-file（Docker默认的LogDriver，将日志以JSON文件的方式存储在本地）
Syslog（标准输出日志可通过该方式传输）
Journal
SELF
Fluent
awslogs
Splunk
etwLogs
gcplogs

对于这些LogDriver就不一一详细介绍了，大家有兴趣可以去Docker官网查看。可见Docker对日志提供了较为丰富的处理方式，供选择的还有优秀的开源项目Logspout等，然而这并不能满足所有的使用场景。

容器的标准输出日志可从以上驱动中选择，由于大多数用户选择标准化输出日志，故Docker没有提供采集功能，如果将日志内的文件挂载出来进行采集，多个实例同名日志则会无法区分，容器内文件日志处理、错误日志多行处理等问题时有发生，若想标准输出日志和容器内文件日志兼得，则需自己动手丰衣足食，以下为数人云日志采集系统实践。

1. 标准输出日志

针对Marathon + Mesos环境开发了一套日志采集工具，Docker的标准输出日志json-file默认持久化在本地上，Mesos对于标准输出日志也存了一份在Sandbox下：

因此标准输出日志也可以通过Mesos文件的方式进行采集。

2. 容器内文件日志

平台支持的文件存储是Overlay，避免了许多复杂环境的处理。关于Overlay盗用一张图：

容器的存储驱动运用写时复制（Copy On Write），Overlay主要分为lower和upper, 当需要修改一个文件时，使用CoW将文件从只读的Lower层复制到可写层Upper层进行修改，在Docker中，底部的只读层是image，可写层是Container，因此容器内日志在宿主机上通过Upper的文件系统可找到，例如在容器内的/var/log/test.log中写一个test字符，如图：

同理，无论是标注输出的日志还是容器内文件日志，都可以通过文件的方式进行处理，也可以同时把json-file关闭，以减轻Docker本身的压力。

3. 自研日志采集工具

基于上述方式开发了一款日志采集工具，对日志进行统一收集管理，日志通过TCP把JSON格式化的日志输出到Logstash，包括应用ID，容器Name，容器ID，TaskID等，当然开发的过程中也遇到许多问题，如断点续传和错误日志多行处理等功能，这其中参考了Filebeat（Go语言开发）对于日志处理的方式，个人认为如果是对于传统文件日志处理，Filebeat是不错的选择，日志采集功能第一步支持：

容器标准输出日志采集
容器内文件日志采集，支持同时采集多个文件
断点续传（如果Agent崩溃，从上次offset采集）
多行日志合并（如：多行错误日志合并）
日志文件异常处理（如：日志被rotate可以重新采集）
TCP传输
–add-env –add-label标签，可以通过指定命令把container的env或者label加到日志数据里，如（–add-env hostname=HOST –add-env test=ENV_NAME1 –add-label tlabel=label_name）
Prometheus指标数据

日志处理需要提供快速的数据处理能力，在开发过程中遇到了性能问题，CPU占用非常高，针对该问题对程序作调优，使用Golang内置的包net/http/pprof，对Golang程序调优很好用，可将程序中每个函数占用CPU内存的比例通过生成SVG的方式直观的反映出来，如图：

Golang内置包encoding/json json的序列化、正则、反射、字节转字符串对于资源的消耗也比较高，可针对以上几方面以及程序本身进行调整。

日志存储后端架构

日志存储功能有Logstash、Heka、Fluentd等方案，Logstash基于R uby，支持功能丰富，但性能方面诟病较多；Heka基于Go，性能方面比Logstash好很多，不过Heka好像已经不维护了。综合考虑社区活跃度、迭代速度以及稳定性方面最终选择了Logstash，实际应用过程中比较重要的参数如下：

–pipeline-workers （命令行参数）
–pipeline-batch-size （命令行参数）
LS_HEAP_SIZE=${LS_HEAP_SIZE} （根据自己的实际情况填写，可以写到环境变量活着命令行参数里面）
workers => 8（根据自己实际情况，一般等于CPU数，配置文件参数）
flush_size => 3000（根据自己的实际情况测试）

以上参数仅供参考，可根据实际环境进行调试。如果日志量较大，为了确保架构的稳定性，可以在中间加一层消息队列，比较常用的有Kafka、Redis等，相信大家对这方面应用比较多，不再赘述。

ES应该是索引存储的不二选择，整个架构的缓解包括ES通过Docker的方式部署，压测时用Marvel对ES的索引方式监控等，网上有很多调优资料，可自行实验。日志的展示是通过自己定制的，Kibana本身的功能比较强大的同时也略微有些学习成本，最终客户想要的是很简单的东西。

压测工具选择的是分布式压测工具Tsung，通过压测一个应用产生日志然后通过Log-Agent对日志进行采集，模拟真实环境日志采集。

日志告警

日志处理中，关键字报警是一个重要功能，对于监控报警主要用Prometheus + Alertmanager实现。应用运行过程中，根据日志关键字告警部的应用场景，从Logstash部分对日志做分流（具体方案可以看上面图的报警部分），自研grok_export对日志进行过滤分析生成Prometheus格式的数据，然后从Prometheus配置报警策略通过alertmanager报警。Log-Agent本身也支持Prometheus数据，Prometheus通过特定的规则查看日志的统计信息。

Prometheus：

Prometheus是开源的监控告警系统，通过pull的方式采集时间序列，以及用http传输，数据存储在本地，支持丰富的查询语法和简单的Dashboard展示。
Alertmanager：

Alertmanager作为Prometheus的组件，所有达到阀值的时间都通过Alertmanager报警，Alertmanager支持非常强大的告警功能，包括http、email通知，以及静默重复报警屏蔽等功能。

以上是数人云在实践容器日志系统过程中遇到的问题，更高层次的应用包括容器日志分析等，还有待继续挖掘和填坑，欢迎大家提出建议，一起交流。

Q&A

Q：Overlay 是没有实现 inotify 接口的，是咋获取文件日志增量数据的？

A：通过循环读取文件的方式，记录文件offset。

Q：既然主要框架是 ELK，采集端不直接用 Filebeat 是因为 Filebeat 有局限性吗？

A：Filebeat没有满足我们产品基于Docker的需求，等于上面加了Docker的逻辑。

Q：自研的日志系统，打出来的每条日志格式都是规定好的吗？开发中每个人都要按这个规范来做吗？不管是什么级别的日志？

A：其实并没有，但是如果是内部使用，能规约好当然更好，可以更方便的处理，而且可以做更细粒度的分析。

Q：日志收集有做分析展示处理吗？用什么处理的。

A：对于日志内容的分析还没做，例如Nginx请求日志还是有分析意义的。

Q：采集方面有考虑直接使用系统的Syslog和Logrotate吗？

A：用过Syslog后来因为容器内的文件日志需求重新开发的。