如何在12个小时，搞定日志监控

　　日志监控，是每个公司必须解决的一个问题。创业型公司，如何用半天的时间，搞定一个可扩展，通用的日志监控框架，是今天要聊的话题。

　　什么是日志监控?

　　关于日志，不同公司，情况不同：

　　(1) A类公司：没有日志;

　　(2) B类公司：有日志，只有用户说系统挂了，或者有bug的时候，才会登录到系统看看日志，大部分日志打印得对心所欲，缺乏组织性和系统性;

　　画外音：很多时候，追查bug发现日志信息不全，要先上线一个有日志的版本，以帮助定位bug。

　　(3) C类公司：有日志，有日志规范，系统性的组织和收集了日志;

　　对日志进行监控，先于用户发现系统的故障，实时告警，就是今天要讨论的日志监控问题。

　　日志监控有什么需求?

　　对于日志的监控，一般有这么几类需求：

　　(1) 某种级别的日志(例如FATAL级别，或者ERROR级别的日志)一旦出现，或者超过一定频率，就告警;

　　(2) 包含某些特殊含义关键字(例如OutOfMemory，或者Exception)的异常日志，一旦出现，或者超过一定频率，就告警;

　　(3) 包含某些特殊含义关键字(例如Login，或者Click)的正常日志，一旦一定时间周期没有出现，就告警;

　　其中，前两类需求，属于异常日志监控范畴，出现异常，实施告警。第三类需求，属于正常日志监控范畴，一定的时间没有出现“正常”，就默认异常，实施告警。

　　为什么不是一出现异常日志就告警呢?

　　避免抖动引起的误报，一般到达一定频率才会告警，这属于告警策略的一部分。

　　为什么说，目录与日志的规范化，是通用日志监控的前提?

　　这是一个线上模块的目录示例：

　　有源代码：hello.c

　　有可执行文件：a.out

　　有配置文件：hello.conf

　　有备份日志：hello.log.2018012812

　　有日志：hello.log

　　有临时文件：tmp

　　体会一下，运维同学看到这样的线上文件部署，是什么感受?

　　画外音：没见过源代码直接部署到线上的?

　　有什么常见的目录规范呢?

　　目录规范化不但对日志监控，对自动化运维都极为重要，要是线上目录都瞎搞，几乎没有办法实现自动化运维。

　　常见的目录规范有两类：

　　模块类目录规范;

　　功能类目录规范;

　　什么是模块的目录规范?

　　以模块名为组织目录：

　　根目录下，有das，entry，logic三个模块目录;

　　在模块目录下，又分别有存放可执行文件，配置文件，日志文件的bin目录，conf目录，以及log目录;

　　什么是功能的目录规范?

　　以功能为组织目录：

　　根目录下，二进制目录bin，配置文件目录conf，日志目录log;

　　功能目录下，有das，entry，logic等不同模块的目录;

　　楼主旗帜鲜明的推荐第二种，功能的目录规范，对二进制备份，配置备份，日志清理都非常方便。

　　有什么常见的日志规范呢?

　　日志规范化不但对日志监控，对大数据体系建设都极为重要，需要考虑规范：

　　(1) 日志分级规范：不同级别的日志理应打到不同的文件中，例如FATAL级，ERROR级，WARM级，LOG级，INFO级，DEBUG级：

　　fatal.log error.log info.log debug.log …

　　(2) 日志切分规范：运维应该提供自动化的日志切分工具，支持小时级别，或者天级别的日志切分，曾经看过一个120G的access日志，从日志中grep出某个uid的日志，是极其低效的：

　　daojia.log.2018012800 daojia.log.2018012801 … daojia.log.2018012823

　　(3) 日志格式规范：日志格式规范是一个可展开的话题，此处不展开;

　　画外音：是不是有小伙伴在思考，ca，自己怎么没有这三类规范呢?

　　通用可扩展日志监控框架，有什么思路?

　　制订了目录规范，日志规范之后，要建立日志监控框架，实施异常与正常的日志监控，就简单多了，主要有集中式监控，分散式监控两类思路。

　　什么是集中式日志监控?

　　集中式的日志监控，流行的莫过于ELK：

　　各个机器节点上部署logstash，收集日志;

　　收集的日志汇总到ES;

　　通过Kibana做统一分析和展现;

　　运维的同学对这一套集中式日志监控系统非常熟悉。

　　什么是分散式日志监控？

　　ELK有点重，三套系统搭建与运维起来比较麻烦，如果只是为了实现ERROR日志的监控，异常关键字监控，正常关键字监控，有点杀鸡用牛刀了。

　　与集中式的日志监控相比，分散式的日志监控，就显得轻量级许多，非常适用与早期的创业型公司，其思路为：

　　通过日志监控模块，对不同集群，进行ERROR日志阈值设置，进行异常关键字设置，正常关键字设置;

　　日志监控中心模块，进行统一调度，将配置分发到不同机器的agent节点上;

　　agent节点模块，并不统一收集日志，而是接收到监控中心分发的log监控配置，在各个机器上实施日志监控，如果触发日志监控策略，立刻发起告警;

　　与ELK相比，这个日志监控框架会简单的多，而且扩展性非常好。

　　如何半天搞定日志监控框架?

　　整个框架设计如上，大致分为三个部分：

　　(1)被监控集群;

　　(2)基础信息与服务;

　　cluster.info.xml：存储集群信息

　　owner.info.xml：存储集群责任人信息

　　mail.service/SM.service：告警基础服务

　　(3)日志监控框架; 集群信息与负责人信息，与前文描述的一样。

　　集群配置cluster.info.conf

　　[daojia_main] ip.list : ip1, ip2, ip3 log.path : /home/work/log/daojia_main/ owner.list : shenjian, zhangsan   [daojia_user] ip.list : ip4, ip5, ip6 log.path : /home/work/log/daojia_user/ owner.list : shenjian

　　责任人配置owner.info.conf

　　[shenjian] email : XX@XX.com phone :15912345678   [zhangsan] email : YY@YY.com phone :18611220099

　　日志监控框架又分为两个模块：

　　可扩展监控配置文件log.monitor.conf

　　[log.monitor.item] cluster.name : daojia_main # error日志监控，每分钟超过此阈值就告警 error.log. threshold : 10 # 异常关键字监控，日志出现这些关键字就告警 bad.key : exeption | timeout | coredump # 正常关键字监控，日志每分钟不出现这些关键字就告警 good.key : login | user | click   [log.monitor.item] cluster.name : daojia_user error.log.threshold : 10

　　日志监控调度框架，这里需要编码啦，伪代码如下：

　　Array[log-monitor] A1= Parse(log.monitor.config); Array[cluster-info] A2= Parse(cluster.info.config); Array[owner-info] A3= Parse(owner.info.config);   // 遍历所有监控项 for(each item in A1){          //取出监控项的集群名，阈值，异常/正常关键词          clusterName= item.clusterName;          threshold= item.threshold;          badKey= item.badkey;          goodKey= item.goodkey;            //由集群名，获取集群信息          clusterInfo= A2[clusterName];          //获取日志目录，集群ip列表，集群负责人列表          logPath= clusterInfo.path;          Listips = clusterInfo.ip;          Listowners = clusterinfo.owner;                   //集群内的每一个ip实例，都需要日志监控          for(each ip in ips){                    //登录到这一台机器                    ssh $ip                    //跳到相关的目录下                    cd $logPath                    //查看近一分钟error日志数量                    $count= `grep $time error.log | wc -l`                    //查看badkey与goodkey                    $boolBad= `grep $badkey *`                    $boolGood= `grep $goodkey *`                      if($count< threshold &&                          $boolBad==NO &&                          $boolGood==YES){                             //正常，继续监控                             continue;                   }                     // 否则，对所有集群负责人发送告警                   for(each owner in owners){                            // 略…                   }          } }

　　一个简单的调度框架，看明白了吗?