基于实时ETL的日志存储与分析实践

2022-01-26 22:49:37

日志大数据下的鱼和熊掌

我们正处于大数据、多样化数据（非结构化）的时代，实时的机器数据快速产生，做一家数据公司的核心之一是如何充分利用好大量日志数据。
由此背景，对日志的采集、存储、分析、管理也提出了更高的挑战，其中包括鱼和熊掌的选择问题：

鱼：成本高昂可能导致数据被删除，由此错过了价值发现。在数据量快速增长的同时，客户要保留更长时间的日志，还希望在相应场景下降低存储成本一半或更多。
熊掌：实时数据占机器数据的比例逐步增加，在实时价值越来越受重视的今天，客户希望继续得到交互式、一站式的体验。

鱼和熊掌如何得兼？这里讨论成本与体验的平衡。
阿里云日志服务（SLS）是针对机器数据的一站式服务，为用户提供快捷的数据采集、消费、投递以及查询分析等功能，提升运维、运营效率。
我们在服务众多客户的时候，观察到在很多场景下，伴随日志量的不断增长，数据呈现出访问热度的差异。例如：

机器指标不断地追加更新，但在监控指标仪表盘上，新数据的访问频率远超过一天前的数据。
排查异常时，研发人员通过 tail 和 grep 关注 ERROR/WARN 日志的变化，定位问题往往不需要几天前的程序日志。
数据按业务属性有重要程度之分，大量非生产环境日志数据在7天后被访问概率很低，而最近的生产日志需要被灵活访问到。

本文将为大家介绍在 SLS 上兼顾日志数据灵活性、经济性的存储策略与实践。

基于数据加工与投递的业务分层

数据系统架构

以 SLB 访问日志处理为例，一个区域下的多个实例数据通常存放在一个全量 Logstore 下（10 秒级延迟）。在该 Logstore 上配置数据加工作业实现数据预处理、按业务标签做数据流转。
错误、高延时的请求，需保证实时查询、快速统计能力，可以规划到一个带 SLS 索引的 Logstore。
其它的所有生产域名请求日志，需要长期存储以备审计、合规，可以转储临时 Logstore（充当桥梁）并投递到更经济的存储。

运维数据管道往往比较复杂，SLS 提供的 Serverless 的加工、投递服务，开箱即用。让如上方案实现起来更容易，且具有成本优势。

数据加工实现预处理

对于 SLB 七层监听的访问日志，URI 字段包含高价值的业务 key-value 字段，UserAgent 字段可以辅助监控各个端上的服务质量、稳定性。
加工前原日志部分字段：

request_uri: /api/get.convert.v2?fn=callback&url=https%3A%2F%2Fmini.yyrtv.com%2Fr%2F80ba436b763b747d.html%3Ffrom%3D320101%26site%3D1
http_user_agent: Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3947.100 Safari/537.36

加工 DSL 针对日志规整、抽取场景做处理：

通过 e_kv 抽取 URI 中的业务 key-value 对。
通过 ua_parse_all 对 http_user_agent 字符串做自动抽取。

e_kv('request_uri', prefix = 'uri.')
e_set('ua', ua_parse_all(v('http_user_agent')))
e_json("ua", depth = 1, fmt = 'root')
e_drop_fields('ua', '__tag__:__receive_time__')

URI 抽取得到 fn、url 两个业务 key-value 对，使用 e_json 函数对 ua_parse_all 的结果做进一步抽取得到设备、OS、UA 结构化信息。
加工后结果字段如下：

uri.fn:  callback
uri.url:  https%3A%2F%2Fmini.yyrtv.com%2Fr%2F80ba436b763b747d.html%3Ffrom%3D320101%26site%3D1
ua.device:  {"family": "Other"}
ua.os:  {"family": "Windows", "major": "7"}
ua.user_agent:  {"family": "Chrome", "major": "69", "minor": "0", "patch": "3947"}

数据加工实现数据分流

加工提供算子快速实现多源的数据汇集、同源数据的多目标分发，支持攒批发送（增加吞吐、利于压缩存储）、数据写入异常自动重试。
如下加工 DSL 实现了：

如果 RS 处理延迟有值且大于5.0秒，或者状态码非200，这部分数据写入目标 debug。
符合正则表达式的线上域名产生的访问日志，全部写入到目标 product-host。

e_if(op_or(
        op_and(op_ne(v('upstream_response_time'), '-'), op_ge(ct_float(v('upstream_response_time')), 5.0)), 
        op_ne(v('status'), '200')),
    e_coutput(name = 'debug'))
e_if(e_search('host ~= ".*-prod\.com"'), e_output(name = 'product-host'))
e_drop()

源 Logstore 不开启索引并缩短存储周期到 1 天，将上述两段 DSL 保存到一个加工作业运行，数据实时处理后流向两个下游 Logstore：

debug：存储周期设置为 30 天，开启索引。
product-host：存储周期设置为 1 天，开启 OSS 投递。

索引计算实现在线分析

SLS 开启 Logstore 索引大大提高了数据分析的灵活性，适合热的数据存储与处理场景。可以完成实时的查询、同步的 SQL 交互、丰富的可视化、基于业务日志的告警。

通过 UserAgent 统计设备厂商、设备 OS 分布

计算后端服务器处理延迟超过 60 秒的请求来源 IP 地理分布

数据投递实现OSS数据湖

SLS 投递服务帮助实现数据在阿里云生态、开源软件上*流转，破除数据孤岛，提升客户上云的灵活性，降低系统适配成本。
按下图配置，对全量生产域名的访问日志（product-host），在 Logstore 开启 OSS 投递，将数据以分钟级延迟同步到 OSS 存储桶。

SLS 数据投递到 OSS 数据湖上，常见有两种场景：

极低成本存储

投递时配置开启压缩以降低对象文件大小（日志一般为5~15倍压缩比），数据长期冷存储甚至可以选择归档存储类型或低频访问存储类型 OSS bucket。

数据湖存储，兼顾中低频分析

SLS 投递 OSS 提供行存（json/csv）格式、列存（parquet）格式选择，可以根据自定义 key 列表来构建文件。
根据计算引擎（Spark、DLA 等）的特性，选择适当文件格式，可以在计算效率和成本之间取得一个平衡。
例如，使用 OSS select 指定对象文件做简单的数据查询，基于 OSS 的多种存储、计算分离实践都可以通过 Select 做加速。

总结

随着业务场景支持的逐步深入，在 SLS 目前有以下存储实体：

LogHub：流式存储，提供实时 pub/sub 能力。
Index：倒排索引、列存等，支撑交互式查询体验。
Metric：针对指标数据特征，做到高效存储、读取效率。
外部存储：OSS、RDS、MaxCompute 等，可以作为投递目标或是富化日志的源头。

多个存储实体之间，通过连线可以实现数据的流动分层。
在日志数据融合、价值释放、高效利用的道路上，SLS 数据加工、投递持续做好管道服务，满足更多样化的场景需求。

码农公寓