随着ELK方案在开源日志分析领域越来越流行，各种使用场景也给ELK方案带来了越来越多的挑战。本文将回顾一次真实客户案例，从使用姿势上，提供一些大集群、多日志主题场景下的集群优化思路。
我们客户的ELK已作为其日志分析平台的方案，服役了多年。随着新服务上线、业务增长，集群规模也随之扩大，每次集群扩容都成功使日志平台顶住了业务的压力。最近客户经历的几次高峰期，又按照以往的经验，紧急做了多次扩容，希望能快速解决问题。然而，依旧频繁出现大面积日志积压，甚至还出现日志查询变慢，集群飚红等从未出现过的情况。多次扩容后，ELK方案的月成本增加到了客户难以接受的6位数，然而问题接连不断，性能令人堪忧。难道ELK不香了？
我们第一时间对集群做了分析，奇怪的是在客户反馈积压的时刻，集群各层面的压力并不高。为了快速恢复日志服务的实时性，客户对logstash也做了扩容操作，期望能快速消费完kafka的积压。然而扩容后收益甚微，集群的写入速度变化不大。经历了几次，从客户发现高峰期积压，到高峰期结束，通过扩容的方式没能有效的解决积压问题，只能等待积压消费完成。
进一步分析发现，客户的集群规模很大，接近PB级别。索引多，整个集群热温架构，100个数据节点，75个热节点，共2000多个索引，50000多个分片。这2000多个索引，基本采用的是{index_name}-yyyy.MM.dd命名的按天滚动的索引，索引大小上两极分化，大的索引2~3TB，小的索引几KB，各索引的主分片数设置、分片大小的也不尽相同。实际上这种索引写入的规划上，是存在很大的优化空间的，但此时还没有明确的证据表明，这是导致链路积压的直接原因。直到我们偶然发现有集群中两个异常节点，压力比其他节点高很多。通过监控发现这两个节点在写入速度上，明显高于其他节点。
这种明显的写入倾斜，一般是分片分配不均导致。通过近期实现的cerebro添加的节点、索引增强过滤功能，在众多索引中快速定位到了问题索引。
可以看到这里只定义了一个主分片的索引，大小已经写到了800多G，其写入压力集中在了主分片和副本分配对应的两个节点上。这时我们和客户一起查看kafka的积压情况，果然也发生了积压。和客户了解到，这个索引是新业务上线写入，客户还没开始使用这个日志主题。这个单分片数也不是客户主动定义的，是索引模版的误修改，使得新增的日志主题匹配到了单分片的模版。了解清楚问题后，修正了模版，删掉了还未投入使用的日志索引。再次查看节点的写入监控，发现问题立刻得到了改善。
不难发现，这两个异常节点写入速度恢复了正常，其余节点的写入速度、整体集群的写入速度也同时提升了！这是一次主动发现的，个别索引影响整个集群性能的问题。那么，是否客户在高峰期遇到的积压问题，也可能是个别索引造成的呢？我们虽然未能找出这种明显的证据，但还是合理的怀疑这个可能性。
为了求证这一想法，深入了解了客户日志集群的架构后，发现：
多个日志主题的数据混合写入到了同一个集群。几乎可以确定，只要有某个或某几个分片数规划不合理的索引，其写入性能受限，就会存在“短板效应”，引起整体集群写入速度受限！过多的日志主题，导致我们不易发现具体是哪个日志主题的索引拖慢了集群，很可能有很多索引都存在这样的问题。ELK的使用姿势优化势在必行。
由于混合写入，带来了短板问题，那么最快的解决手段就是将量级较大的日志主题使用独立的kafka topic和logstash pipeline。然而，从客户的角度看，这几乎是无法实施的。日志接入是一直沿用的规范，由于历史原因中间的处理逻辑暂无人维护。且每个日志主题都对应了一个业务/微服务，需要推动对应的团队来修改，改造成本较大。
那么我们不得不换一个思路。既然数据接入层面混写无法优化，存在“短板效应”问题，那我们来解决短板问题不就好了吗？也就是说，我们回到ES本身，将ES的每个日志主题的索引，都来做最合理的配置，让集群中不存在“短板”。这样即便混写的数据进来，我们只要保证了每个索引都有最佳的写入能力，也能一定程度缓解短板效应。
客户对这种优化方式表示接受，同时也提出了几点诉求。需要考虑
总结为优化目标：
微博登录
QQ登录1. 根治个别索引造成写入短板，阻塞整个链路。排除由于es原因导致消费能力无法提升的可能性
2. 保证分片的均匀分布和合理大小，提升各节点写入能力。排除单节点分配不均导致的性能问题
3. 平滑优雅的过渡流程，最小化操作，过程中尽量保证业务无感、故障可回退1. 制定template和ilm策略的命名和管理规范，核心策略数量简化到个位数，完成替换后统一删除旧的。避免template过多不易维护，甚至错误覆盖导致一系列的集群、索引问题
2. 仅用别名来读写索引，对外屏蔽内部索引策略优化项完成后视情况操作降配，兼顾稳定性
深入分析了每个日志主题的日增大小，可以将其分为4类
大日志主题 | 中日志主题 | 小日志主题 | 微日志主题 | |
|---|---|---|---|---|
日增索引大小 | 960G | 240G~960G | 60G~240G | <60G |
日志主题数量 | 12 | 7 | 15 | 153 |
- 使用`ilm索引生命周期`的rollover能力，将`rollover_alias`设置为索引名即可
- 例如，`log1-2022.10.19`这个索引，以后使用时，都仅指定`log1`，es会根据该别名，定位到需要读写的具体索引
- 写入时，以往logstash直接带出了后缀日期，后续这个后缀交给`ilm索引生命周期`来自动管理，logstash写入时只需指定`log1`
- 查询时，kibana的index pattern将通配改为使用别名`log1`来指定分片均匀分布- 热层索引主分片数等同于热节点数量
- 索引`total_shards_per_node`=2，避免索引维度分片聚堆
- 提升分片均衡算法中的索引权重`cluster.routing.allocation.balance.index`，以保证索引层面的分片均匀分配索引策略尽量减少，并抽象归类为- 大日志主题（日增索引大小>960G），共用一套模版： 1. rollover条件，`max_primary_shard_size=40g`，`max_age=1d`，两条件触发任何一个即滚动一个新索引供写入
2. rollover后1d降温，即从创建开始，最长2d会降温
3. 降温后13d删除，即从创建开始，最长15d会删除
- 小日志主题（240G<日增索引大小<960G），共用一套模版： 1. rollover条件，`max_primary_shard_size=40g`，`max_age=2d`，两条件触发任何一个即滚动一个新索引供写入
2. rollover后1d降温，即从创建开始，最长3d会降温
3. 降温后13d删除，即从创建开始，最长15d会删除
- 小日志主题（60G<日增索引大小<240G），共用一套模版： 1. rollover条件，`max_primary_shard_size=40g`，`max_age=4d`，两条件触发任何一个即滚动一个新索引供写入
2. rollover后1d降温，即从创建开始，最长5d会降温
3. 降温后10d删除，即从创建开始，最长15d会删除
- 微日志主题（日增索引大小<60G），共用一套模版： 1. 索引热阶段分配在即冷节点，索引从创建到删除始终在温节点，
2. rollover条件，`max_primary_shard_size=40g`，`max_age=8d`，两条件触发任何一个即滚动一个新索引供写入
3. rollover后1d降温，即从创建开始，最长9d会降温
4. 降温后6d删除，即从创建开始，最长15d会删除ilm+组件模版本次优化核心配置示例PUT _ilm/policy/ALIAS_POLICY_VER.2022.11.02-large_topic_ilm
{
"policy": {
"phases": {
"hot": {
"min_age": "0ms",
"actions": {
"rollover": {
"max_primary_shard_size": "40gb",
"max_age": "1d"
}
}
},
"warm": {
"min_age": "1d",
"actions": {
"allocate": {
"include": {
"_tier_preference": "data_warm"
}
}
}
},
"delete": {
"min_age": "13d",
"actions": {
"delete": {
"delete_searchable_snapshot": true
}
}
}
}
}
}
PUT _component_template/ALIAS_POLICY_VER.2022.11.02-large_topic_component_template
{
"template": {
"settings": {
"index": {
"lifecycle": {
"name": "ALIAS_POLICY_VER.2022.11.02-large_topic_ilm"
},
"number_of_shards": "32",
"number_of_replicas": "0",
"routing": {
"allocation": {
"total_shards_per_node": 2,
"include": {
"_tier_preference": "data_hot"
}
}
}
}
}
}
}
PUT _component_template/ALIAS_POLICY_VER.2022.11.02-tiny_topic_component_template
{
"template": {
"settings": {
"index": {
"lifecycle": {
"name": "ALIAS_POLICY_VER.2022.11.02-tiny_topic_ilm"
},
"number_of_shards": "24",
"number_of_replicas": "0",
"routing": {
"allocation": {
"total_shards_per_node": 2,
"include": {
"_tier_preference": "data_warm"
}
}
}
}
}
}
}log1为例）PUT _index_template/ALIAS_POLICY_VER.2022.11.02-log1
{
"template": {
"settings": {
"index": {
"lifecycle": {
"rollover_alias": "log1"
}
}
}
},
"index_patterns": [
"log1-*"
],
"composed_of": [
"ALIAS_POLICY_VER.2022.11.02-small_topic_component_template"
]
}
# PUT <log1-{now/d{yyyy.MM.dd|+08:00}}-000001>
PUT %3Clog1-%7Bnow%2Fd%7Byyyy.MM.dd%7C%2B08%3A00%7D%7D-000001%3E
{
"aliases": {
"log1": {
"is_write_index": true
}
}
}读写方需指定日期后缀，集群未使用别名（客户的logstash实际是混写，为了方便理解，将索引对应的数据流单独体现出来）
写入需指定日期后缀，读取可指定别名无需指定日期后缀
采用ilm定期定量rollover后的索引使用方式，索引切分策略交由ES来管理，读写访问无需带日期后缀
红色的别名代表is_write_index=true，当前写入指向的索引
别名（形如log1）日期后缀别名（形如log1-2022.10.20）索引，保证第二天的数据流不会创建新的日期后缀索引1. 通过脚本3，将所有日志主题最新的写入指向的索引，更新别名`log1`的属性`is_write_index=true`
2. 通过脚本4，激活所有新模版（提交index_template）修改logstash的写入方式，去除时间后缀，重新部署所有管道通过脚本5，将当前各主题最新索引赋予rollover_alias策略并手动执行rollover观察写入稳定后，关键流程结束待所有旧索引生命周期结束后（预计两周），删除所有旧模版、旧ilm策略原本希望不引入脚本操作，尝试使用alias date math的功能，但其不支持在模板中定义，https://github.com/elastic/elasticsearch/issues/75651 。所以最终还是编写了批处理脚本，按照上述方式，基本完成了平滑无感的变更。完成后集群压力明显下降，随后便顺利地完成了集群的降配。
从结果上看，本次针对es集群的优化方案，已经达到了预期的效果，成功的解决了客户的问题。客户关注的几个方面都顺利完成
多索引场景下，部分索引有写入瓶颈，混写时产生“短板效应”。
使用rollover的按量滚动能力，使所有分片均工作在合理的大小，使索引、集群维度，分片都是均衡分配的，充分发挥集群性能。
使用component_template功能，抽象并简化索引策略，大幅提升集群的可维护性。
本次优化，一方面是在制定更加合理的ES使用规范，解决稳定、易运维、降本三方面的问题；另一方面更是在帮助客户梳理其整个业务日志链路，给杂乱无章的梳理工作起了个头，让客户对ELK方案重拾信心。后续客户表示会逐步推动拆分logstash、kafka仍存在的混写情况。
如果您对ES比较了解，或者是ELK的老用户，希望本文能给您带来一些新的启发。如果您面临新的使用场景，也强烈推荐使用站长素材网ES的自治索引来保持正确的使用姿势。站长素材网ES团队可以提供专业的技术支持，期待能够与您合作。
