随着云原生技术的快速发展，微服务架构、容器及 Kubernetes 等技术的不断迭代，对于海量日志的管理提出了更高的要求，包括容器内磁盘是否持久化、HPA 时如何保证数据不丢失、海量日志如何进行可靠的传输、微服务数量达到一定规模时日志该如何管理、如何了解不同云商的收费策略以最大化节省成本，等等。
【云资源优化服务 SpotMax 充分利用云原生特性，基于微服务架构，可在保障用户服务稳定的同时充分利用Spot实例，实现云端降本增效。戳链接了解SpotMax】
“云原生日志流实战”将会通过实操加讲解的方式，和大家一起探讨在云背景下收集海日志的架构及实现细节。接下来为大家展示的这套架构，目前已经经过实践检验，稳定支撑了线上每日百亿至千级别的日志的收集。我们将一步步带领大家动手完成一个部署在k8s集群的日志采集器。
fluentd与Docker
市场上常用的开源日志采集工具一般有logstash、FLUME、 fluentd。其中FLUME、 fluentd的设计理念比较相像。fluentd是基于C + Ruby的一套开源工具，FLUME是分布式的、可靠、可用的Apache项目，但是相对 fluentd来说，配置较为复杂。本次课程我们主要使用的是较为轻量级的开源工具fluentd。
![]()
fluentd配置简单，对日志的预处理也非常简单方便。我们来看一下fluentd官网的document（docs.fluentd.org)：
![]()
首先来看input、output插件。使用input插件，我们可以从本地、或者通过tcp、udp流获取到日志，然后我们会给每一个日志打tag，后面通过match 该tag可以做进一步的处理：如过滤、格式化等。最终我们可以通过Output插件完成落地。 例如落到本地文件，或者存到亚马逊的s3，或打到kafka，等等。
![]()
左侧菜单栏中可见container deployment，其中有docker image——这就是docker的一个基础镜像。我们在后面的实操中会从这里获取到基础镜像，来生成一个容器。
![]()
简单介绍一下Docker的特性：docker采用的是沙盒机制，即每个运行的程序是做资源隔离的，不同程序之间不会互相影响。
如下图所示，docker采用了一种远程管理方式。这里有两个概念：image镜像、container容器，他们的关系就像一个类和对象的关系一样，一个image可以生成多个container。
我们可以通过dockerbuild的方式来build一个镜像，可以通过docker pull/push的方式，以及dockerhub（类似github）做一个远程的提交，也可以用docker run指定一个镜像，运行一个容器。
![]()
日志采集器架构
首先，我们看一下采集器的简单架构，假设我们有一个http的服务，产生了一个日志。一般的情况下，我们会在本地部署一个crontab做一个定时任务的压缩上传，也可能会把它打到一个实时的kafka队列。
![]()
一般情况下这么处理，是没有问题的，但假如我们的服务性能足够好，产生了大量的日志，会发生什么？
如下是CPU的负载图：我们看到每小时都有一个尖峰，因为每小时我们做一个压缩，上传的时候会占一定的CPU，因此非常不利于抗流量服务，做hpa(自动伸缩)。此外，处理日志的程序，跟业务机耦合在一起，也会占一定的资源。
![]()
那么，怎么解决这个问题？
假如我们面对的是海量日志，对数据的一致性要求没有那么高，我们就会想到：能不能先把日志通过实时的方式传到另外一个集群，由该集群做支持处理？
因此，我们演化出这样的一个架构：
![]()
可以看到，该架构中多了一个日志聚合层的集群。我们可以在抗流量服务机器上部署fluentd的client端，在聚合层部署fluentd的server端。这样，我们就可以把日志通过TCP、UDP实时传输到日志聚合层，由聚合层做一个处理。
因此，我们要带领大家完成的，就是如何把日志聚合层，打包成一个产品，最终部署到k8s集群上。 下一期，我们将带领大家完成简单的实操演示。
