做了幾周的測試，踩了無數的坑，總結一下，全是乾貨，給大家分享~
一、ELK實用知識點總結
1、編碼轉換問題
這個問題，主要就是中文亂碼。
input中的codec=>plain轉碼：
codec => plain {
charset => "GB2312"
}
將GB2312的文本編碼，轉爲UTF-8的編碼。
也可以在filebeat中實現編碼的轉換（推薦）：
filebeat.prospectors:
- input_type: log
paths:
- c:\Users\Administrator\Desktop\performanceTrace.txt
encoding: GB2312
2、刪除多餘日誌中的多餘行
logstash filter中drop刪除：
if ([message] =~ "^20.-\ task\ request,.,start\ time.*") {
#用正則需刪除的多餘行
drop {}
}
日誌示例：
2018-03-20 10:44:01,523 [33]DEBUG Debug - task request,task Id:1cbb72f1-a5ea-4e73-957c-6d20e9e12a7a,start time:2018-03-20 10:43:59 #需刪除的行
-- Request String :
{"UserName":"150466×××3","Pwd":"ZYjyh727","DeviceType":2,"DeviceId":"PC-20170525SADY","EquipmentNo":null,"SSID":"pc","RegisterPhones":null,"AppKey":"ab09d78e3b2c40b789ddfc81674bc24deac","Version":"2.0.5.3"} -- End
-- Response String :
{"ErrorCode":0,"Success":true,"ErrorMsg":null,"Result":null,"WaitInterval":30} -- End
3、grok處理多種日誌不同的行
日誌示例：
2018-03-20 10:44:01,523 [33]DEBUG Debug - task request,task Id:1cbb72f1-a5ea-4e73-957c-6d20e9e12a7a,start time:2018-03-20 10:43:59
-- Request String :
{"UserName":"150466×××3","Pwd":"ZYjyh727","DeviceType":2,"DeviceId":"PC-20170525SADY","EquipmentNo":null,"SSID":"pc","RegisterPhones":null,"AppKey":"ab09d78e3b2c40b789ddfc81674bc24deac","Version":"2.0.5.3"} -- End
-- Response String :
{"ErrorCode":0,"Success":true,"ErrorMsg":null,"Result":null,"WaitInterval":30} -- End
在logstash filter中grok分別處理3行：
match => {
"message" => "^20.-\ task\ request,.,start\ time\:%{TIMESTAMP_ISO8601:RequestTime}"
match => {
"message" => "^--\ Request\ String\ :\ {\"UserName\":\"%{NUMBER:UserName:int}\",\"Pwd\":\"(?<Pwd>.)\",\"DeviceType\":%{NUMBER:DeviceType:int},\"DeviceId\":\"(?<DeviceId>.)\",\"EquipmentNo\":(?<EquipmentNo>.),\"SSID\":(?<SSID>.),\"RegisterPhones\":(?<RegisterPhones>.),\"AppKey\":\"(?<AppKey>.)\",\"Version\":\"(?<Version>.)\"}\ --\ \End."
}
match => {
"message" => "^--\ Response\ String\ :\ {\"ErrorCode\":%{NUMBER:ErrorCode:int},\"Success\":(?<Success>[a-z]),\"ErrorMsg\":(?<ErrorMsg>.),\"Result\":(?<Result>.),\"WaitInterval\":%{NUMBER:WaitInterval:int}}\ --\ \End."
}
... 等多行
4、日誌多行合併處理—multiline插件（重點）
示例：
①日誌
2018-03-20 10:44:01,523 [33]DEBUG Debug - task request,task Id:1cbb72f1-a5ea-4e73-957c-6d20e9e12a7a,start time:2018-03-20 10:43:59
-- Request String :
{"UserName":"150466×××3","Pwd":"ZYjyh727","DeviceType":2,"DeviceId":"PC-20170525SADY","EquipmentNo":null,"SSID":"pc","RegisterPhones":null,"AppKey":"ab09d78e3b2c40b789ddfc81674bc24deac","Version":"2.0.5.3"} -- End
-- Response String :
{"ErrorCode":0,"Success":true,"ErrorMsg":null,"Result":null,"WaitInterval":30} -- End
②logstash grok對合並後多行的處理。合併多行後續都一樣，如下：
filter {
grok {
match => {
"message" => "^%{TIMESTAMP_ISO8601:InsertTime}\ .*-\ task\ request,.*,start\ time:%{TIMESTAMP_ISO8601:RequestTime}\n--\ Request\ String\ :\ \{\"UserName\":\"%{NUMBER:UserName:int}\",\"Pwd\":\"(?<Pwd>.*)\",\"DeviceType\":%{NUMBER:DeviceType:int},\"DeviceId\":\"(?<DeviceId>.*)\",\"EquipmentNo\":(?<EquipmentNo>.*),\"SSID\":(?<SSID>.*),\"RegisterPhones\":(?<RegisterPhones>.*),\"AppKey\":\"(?<AppKey>.*)\",\"Version\":\"(?<Version>.*)\"\}\ --\ \End\n--\ Response\ String\ :\ \{\"ErrorCode\":%{NUMBER:ErrorCode:int},\"Success\":(?<Success>[a-z]*),\"ErrorMsg\":(?<ErrorMsg>.*),\"Result\":(?<Result>.*),\"WaitInterval\":%{NUMBER:WaitInterval:int}\}\ --\ \End"
}
}}
在filebeat中使用multiline插件（推薦）：
①介紹multiline
pattern：正則匹配從哪行合併；
negate：true/false，匹配到pattern 部分開始合併，還是不配到的合併。
match：after/before（需自己理解）
after：匹配到pattern 部分後合併，注意：這種情況最後一行日誌不會被匹配處理；
before：匹配到pattern 部分前合併（推薦）。
②5.5版本之後（before爲例）
filebeat.prospectors:
- input_type: log
paths:
- /root/performanceTrace*
fields:
type: zidonghualog
multiline.pattern: '.\"WaitInterval\":.--\ End'
multiline.negate: true
multiline.match: before
③5.5版本之前（after爲例）
filebeat.prospectors:
- input_type: log
paths:
- /root/performanceTrace*
input_type: log
multiline:
pattern: '^20.*'
negate: true
match: after
在logstash input中使用multiline插件（沒有filebeat時推薦）：
①介紹multiline
pattern：正則匹配從哪行合併；
negate：true/false，匹配到pattern 部分開始合併，還是不配到的合併。
what：previous/next（需自己理解）
previous：相當於filebeat 的after；
next：相當於filebeat 的before。
②用法
input {
file {
path => ["/root/logs/log2"]
start_position => "beginning"
codec => multiline {
pattern => "^20.*"
negate => true
what => "previous"}
}
}
在logstash filter中使用multiline插件（不推薦）：
不推薦的原因：
filter設置multiline後，pipline worker會自動降爲1；
5.5 版本官方把multiline 去除了，要使用的話需下載，下載命令如下：
/usr/share/logstash/bin/logstash-plugin install logstash-filter-multiline
示例：
filter {
multiline {pattern => "^20.*"
negate => true
what => "previous"
}
}
5、logstash filter中的date使用
日誌示例：
2018-03-20 10:44:01 [33]DEBUG Debug - task request,task Id:1cbb72f1-a5ea-4e73-957c-6d20e9e12a7a,start time:2018-03-20 10:43:59
date使用：
date {
match => ["InsertTime","YYYY-MM-dd HH:mm:ss "]
remove_field => "InsertTime"}
注：match => ["timestamp" ,"dd/MMM/YYYY H:m:s Z"]
匹配這個字段，字段的格式爲：日日/月月月/年年年年 時/分/秒 時區，也可以寫爲：match => ["timestamp","ISO8601"]（推薦）
date介紹：
就是將匹配日誌中時間的key替換爲@timestamp的時間，因爲@timestamp的時間是日誌送到logstash的時間，並不是日誌中真正的時間。
6、對多類日誌分類處理（重點）
在filebeat的配置中添加type分類：
filebeat:
prospectors:
-
paths:
#- /mnt/data/WebApiDebugLog.txt*
- /mnt/data_total/WebApiDebugLog.txt*
fields:
type: WebApiDebugLog_total
-
paths:
- /mnt/data_request/WebApiDebugLog.txt*
#- /mnt/data/WebApiDebugLog.txt*
fields:
type: WebApiDebugLog_request
-
paths:
- /mnt/data_report/WebApiDebugLog.txt*
#- /mnt/data/WebApiDebugLog.txt*
fields:
type: WebApiDebugLog_report
在logstash filter中使用if，可進行對不同類進行不同處理：
filter {
if [fields][type] == "WebApiDebugLog_request" {
#對request 類日誌
if ([message] =~ "^20.*-\ task\ report,.*,start\ time.*") {
#刪除report 行
drop {}
}
grok {
match => {"... ..."}
}}
在logstash output中使用if：
if [fields][type] == "WebApiDebugLog_total" {
elasticsearch {
hosts => ["6.6.6.6:9200"]
index => "logstashl-WebApiDebugLog_total-%{+YYYY.MM.dd}"
document_type => "WebApiDebugLog_total_logs"}
二、對ELK整體性能的優化
1、性能分析
服務器硬件Linux：1cpu4GRAM
假設每條日誌250Byte。
分析：
①logstash-Linux：1cpu 4GRAM
每秒500條日誌；
去掉ruby每秒660條日誌；
去掉grok後每秒1000條數據。
②filebeat-Linux：1cpu 4GRAM
每秒2500-3500條數據；
每天每臺機器可處理：24h60min60sec 3000250Byte=64,800,000,000Bytes，約64G。
③瓶頸在logstash從Redis中取數據存入ES，開啓一個logstash，每秒約處理6000條數據；開啓兩個logstash，每秒約處理10000條數據（cpu已基本跑滿）；
④logstash的啓動過程佔用大量系統資源，因爲腳本中要檢查java、ruby以及其他環境變量，啓動後資源佔用會恢復到正常狀態。
2、關於收集日誌的選擇：logstash/filter
沒有原則要求使用filebeat或logstash，兩者作爲shipper的功能是一樣的。
區別在於：
logstash由於集成了衆多插件，如grok、ruby，所以相比beat是重量級的；
logstash啓動後佔用資源更多，如果硬件資源足夠則無需考慮二者差異；
logstash基於JVM，支持跨平臺；而beat使用golang編寫，AIX不支持；
AIX 64bit平臺上需要安裝jdk（jre） 1.7 32bit，64bit的不支持；
filebeat可以直接輸入到ES，但是系統中存在logstash直接輸入到ES的情況，這將造成不同的索引類型造成檢索複雜，最好統一輸入到els 的源。
總結：
logstash/filter總之各有千秋，但是我推薦選擇：在每個需要收集的日誌服務器上配置filebeat，因爲輕量級，用於收集日誌；再統一輸出給logstash，做對日誌的處理；最後統一由logstash輸出給els。
3、logstash的優化相關配置
可以優化的參數，可根據自己的硬件進行優化配置：
①pipeline線程數，官方建議是等於CPU內核數
默認配置 ---> pipeline.workers: 2；
可優化爲 ---> pipeline.workers: CPU內核數（或幾倍CPU內核數）。
②實際output時的線程數
默認配置 ---> pipeline.output.workers: 1；
可優化爲 ---> pipeline.output.workers: 不超過pipeline線程數。
③每次發送的事件數
默認配置 ---> pipeline.batch.size: 125；
可優化爲 ---> pipeline.batch.size: 1000。
④發送延時
默認配置 ---> pipeline.batch.delay: 5；
可優化爲 ---> pipeline.batch.size: 10。
總結：
通過設置-w參數指定pipeline worker數量，也可直接修改配置文件logstash.yml。這會提高filter和output的線程數，如果需要的話，將其設置爲cpu核心數的幾倍是安全的，線程在I/O上是空閒的。
默認每個輸出在一個pipeline worker線程上活動，可以在輸出output中設置workers設置，不要將該值設置大於pipeline worker數。
還可以設置輸出的batch_size數，例如ES輸出與batch size一致。
filter設置multiline後，pipline worker會自動將爲1，如果使用filebeat，建議在beat中就使用multiline，如果使用logstash作爲shipper，建議在input中設置multiline，不要在filter中設置multiline。
Logstash中的JVM配置文件：
Logstash是一個基於Java開發的程序，需要運行在JVM中，可以通過配置jvm.options來針對JVM進行設定。比如內存的最大最小、垃圾清理機制等等。JVM的內存分配不能太大不能太小，太大會拖慢操作系統。太小導致無法啓動。默認如下：
Xms256m#最小使用內存；
Xmx1g#最大使用內存。
4、引入Redis的相關問題
filebeat可以直接輸入到logstash（indexer），但logstash沒有存儲功能，如果需要重啓需要先停所有連入的beat，再停logstash，造成運維麻煩；另外如果logstash發生異常則會丟失數據；引入Redis作爲數據緩衝池，當logstash異常停止後可以從Redis的客戶端看到數據緩存在Redis中；
Redis可以使用list(最長支持4,294,967,295條)或發佈訂閱存儲模式；
Redis做ELK緩衝隊列的優化：
bind 0.0.0.0 #不要監聽本地端口；
requirepass ilinux.io #加密碼，爲了安全運行；
只做隊列，沒必要持久存儲，把所有持久化功能關掉：
快照（RDB文件）和追加式文件（AOF文件），性能更好；
save "" 禁用快照；
appendonly no 關閉RDB。
把內存的淘汰策略關掉，把內存空間最大
maxmemory 0 #maxmemory爲0的時候表示我們對Redis的內存使用沒有限制。
5、Elasticsearch節點優化配置
服務器硬件配置，OS參數：
1）/etc/sysctl.conf 配置
vim /etc/sysctl.conf
① vm.swappiness = 1
#ES 推薦將此參數設置爲 1，大幅降低 swap 分區的大小，強制最大程度的使用內存，注意，這裏不要設置爲 0, 這會很可能會造成 OOM
② net.core.somaxconn = 65535
#定義了每個端口最大的監聽隊列的長度
③ vm.max_map_count= 262144
#限制一個進程可以擁有的VMA(虛擬內存區域)的數量。虛擬內存區域是一個連續的虛擬地址空間區域。當VMA 的數量超過這個值，OOM
④ fs.file-max = 518144
#設置 Linux 內核分配的文件句柄的最大數量
[root@elasticsearch]# sysctl -p生效一下。
2）limits.conf 配置
vim /etc/security/limits.conf
elasticsearch soft nofile 65535
elasticsearch hard nofile 65535
elasticsearch soft memlock unlimited
elasticsearch hard memlock unlimited
3）爲了使以上參數永久生效，還要設置兩個地方：
vim /etc/pam.d/common-session-noninteractive
vim /etc/pam.d/common-session
添加如下屬性：
session required pam_limits.so
可能需重啓後生效。
Elasticsearch中的JVM配置文件
-Xms2g
-Xmx2g
將最小堆大小（Xms）和最大堆大小（Xmx）設置爲彼此相等。
Elasticsearch可用的堆越多，可用於緩存的內存就越多。但請注意，太多的堆可能會使您長時間垃圾收集暫停。
設置Xmx爲不超過物理RAM的50％，以確保有足夠的物理內存留給內核文件系統緩存。
不要設置Xmx爲JVM用於壓縮對象指針的臨界值以上；確切的截止值有所不同，但接近32 GB。不要超過32G，如果空間大，多跑幾個實例，不要讓一個實例太大內存。
Elasticsearch配置文件優化參數：
vim elasticsearch.yml
bootstrap.memory_lock: true
#鎖住內存，不使用swap
#緩存、線程等優化如下
bootstrap.mlockall: true
transport.tcp.compress: true
indices.fielddata.cache.size: 40%
indices.cache.filter.size: 30%
indices.cache.filter.terms.size: 1024mb
threadpool:
search:
type: cached
size: 100
queue_size: 2000
2）設置環境變量
vim /etc/profile.d/elasticsearch.sh export ES_HE AP _SIZE=2g #Heap Size不超過物理內存的一半，且小於32G。
集羣的優化（我未使用集羣）：
ES是分佈式存儲，當設置同樣的cluster.name後會自動發現並加入集羣；
集羣會自動選舉一個master，當master宕機後重新選舉；
爲防止"腦裂"，集羣中個數最好爲奇數個；
爲有效管理節點，可關閉廣播discovery. zen.ping.multicast.enabled: false，並設置單播節點組discovery.zen.ping.unicast.hosts: ["ip1", "ip2", "ip3"]。
6、性能的檢查
檢查輸入和輸出的性能：
Logstash和其連接的服務運行速度一致，它可以和輸入、輸出的速度一樣快。
檢查系統參數：
1）CPU
注意CPU是否過載。在Linux/Unix系統中可以使用top-H查看進程參數以及總計。
如果CPU使用過高，直接跳到檢查JVM堆的章節並檢查Logstash worker設置。
2）Memory
注意Logstash是運行在Java虛擬機中的，所以它只會用到你分配給它的最大內存。
檢查其他應用使用大量內存的情況，這將造成Logstash使用硬盤swap，這種情況會在應用佔用內存超出物理內存範圍時。
3）I/O監控磁盤I/O檢查磁盤飽和度
使用Logstash plugin（例如使用文件輸出）磁盤會發生飽和。
當發生大量錯誤，Logstash生成大量錯誤日誌時磁盤也會發生飽和。
在Linux中，可使用iostat，dstat或者其他命令監控磁盤I/O。
4）監控網絡I/O
當使用大量網絡操作的input、output時，會導致網絡飽和。
在Linux中可使用dstat或iftop監控網絡情況。
檢查JVM heap：
heap設置太小會導致CPU使用率過高，這是因爲JVM的垃圾回收機制導致的。
一個快速檢查該設置的方法是將heap設置爲兩倍大小然後檢測性能改進。不要將heap設置超過物理內存大小，保留至少1G內存給操作系統和其他進程。
你可以使用類似jmap命令行或VisualVM更加精確的計算JVM heap。
如有更多優化方法，或是難點解決的方法，歡迎在留言區補充~
作者：alonghub
來源：https://www.cnblogs.com/along21/p/8613115.html