作者 | 悟鹏、沉醉
来源 | 阿里巴巴云原生公众号
《Kubernetes 稳定性保障手册》系列文章:
-
Kubernetes 稳定性保障手册 – 日志专题(本文)
不论对于软件的用户还是开发者,日志都是很重要的信息源。日志可以用来表征软件的运行状态,在软件运行不符合预期时提供丰富的信息,也可以用在开发阶段调试软件,方便定位问题。
软件的生命周期涉及到 开发 和 运行 两个阶段,日志的生成是在软件的开发阶段,日志的使用集中在软件的运行阶段。
在开发阶段规范化日志,有助于运行阶段通过标准化方法分析日志、配置日志监控和告警。
在运行阶段通过标准化方法使用日志,有助于低成本把握程序的运行态行为,及时感知异常,促进开发阶段的迭代效率。
在软件的生命周期中,运行阶段时长占比会远大于开发阶段,即对日志的使用时长会远大于开发阶段写日志逻辑的时长。在开发阶段应用良好的日志规范,会对软件生命周期的正常运行和快速迭代带来很大帮助:
复杂度分析
程序中的元素可以抽象为两部分:自身逻辑,依赖。两类元素之间的交互为:自身逻辑闭环,自身逻辑与依赖交互。
从长期角度来看,交互环节出问题的概率会比自身逻辑出问题的概率高,因此要重点关注交互环节的日志逻辑。
同时,对日志的管理需要意识到 _谁会使用这些日志,_通常有 4 类角色:
- 用户
- 维护者
- 安全人员
- 审计人员
用户从黑盒角度使用软件,通过日志了解软件当前的运行状态,关注重点是软件正常的状态。
维护者从白盒角度使用软件,开发角色通过日志调试软件,SRE 角色通过日志及时感知软件的异常状态,并通过日志上下文分析异常原因。
安全人员通过分析日志,了解恶意登录、异常删除等风险。
审计人员通过审计日志、应用日志,确认业务、架构的合规性。
根据上述不同的使用场景,我们可以梳理出几类日志类别,进一步增强开发和运行阶段对日志的理解:
开发阶段
最佳实践
理解了日志使用者关注的重点后,开发阶段写日志时,推荐使用如下最佳实践:
- 使用 structured logs
- 不使用 format strings
- 使用 info 和 error 表征日志级别
- info 又可细化为多个级别,0~10,信息的重要性依次降低 (也可以参考《Kubernetes: sig-instrumentation/logging.md》
- 0:用户想要看到的信息
- 1:维护者关注的白盒行为信息
- 10: 维护者调试用的信息
- info 又可细化为多个级别,0~10,信息的重要性依次降低 (也可以参考《Kubernetes: sig-instrumentation/logging.md》
- 使用具有过滤器能力的 log lib,通过 logger 自动过滤敏感信息
- 日志通过 stdout/stderr 输出,关闭不必要的文本日志
- 避免额外的磁盘占用、IO 消耗、日志清理任务的维护等
对于 golang,可以考虑使用 klog 作为 logger 实现。
FAQ
为什么使用 structured logs?
structured logs 是一种结构化的日志格式,结构如下,其中 msg 表征通用的事件,多对的 k=v 用来具化事件:
msg k=v k=v … k=v
示例:
“Pod status updated” pod=“kube-system/kubedns” status=“ready”
对于开发阶段,structured logs 通过固化的结构和字段语义,协助开发者思考程序逻辑状态,有助于进一步控制程序复杂度和理解程序逻辑。
对于运行阶段,structured logs 中的 k 天然具备索引的属性,便于进行查询和分析。也可以考虑将 msg 规范化,增加 事件 语义,通过限制 msg 语义来增强 msg 的作用。
为什么不使用 debug/warning/critical/fatal?
通过减少日志类型,降低使用和维护负担。
debug 可以融入到 info 级别。
warning/critical 对于用户和维护者都是模糊的词,对于要采取的行动通常不具备指导意义。warning/critical 和 error 类似,表征程序运行过程中出现了预期外的现象,此时程序要么自动处理,要么交由外部人工介入判断。若由程序自动处理,那么用户和维护者感知到这类现象即可,info 可以满足。若需要交由外部人工介入,那么 error 就可以满足。对于问题的严重性,可放在运行阶段,通过异常具体的信息来表征,如 ServiceUnavailable、Unauthorized 等。
fatal 是将 error 和 panic 两类逻辑封装了起来,在开发过程中可能会带来执行逻辑上的不清晰,如决定是否 panic 的逻辑需要放在最顶层逻辑中,若在顶层逻辑之下调用 fatal,可能会带来资源泄露、程序运行复杂度增加等问题。
为什么不使用 format strings?
format strings 是形如如下的结构:
klog.V(4).Infof(“Got a Retry-After %ds response for attempt %d to %v”, seconds, retries, url)
这种结构将 通用事件 和 具体内容 耦合在一起,不利于开发阶段降低理解程序逻辑的成本,也不便于使用阶段通过标准化的方式进行查询、分析,增加日志的使用成本。
一种改善方式:
klog.V(4).InfoS(“got a retry-after response when requesting url”, “attempt”, retries, “after seconds”, seconds, “url”, url)
为什么要使用具有过滤器能力的 log lib?
开发过程中,可能会由于疏忽而将敏感信息输出到日志中,如密码、token 等信息。为了避免敏感信息泄露,需要加强 code review,同时也可以考虑在 logger 中配置过滤器,自动进行敏感信息的过滤,参见 《KEP: Kubernetes system components logs sanitization》 。
对于 golang,可以考虑使用 klog 作为 logger 实现,并配合 Kubernetes/component-base: sanitization 进行使用。
运行阶段
最佳实践
运行阶段是对日志的使用,包括如下 4 个阶段:
- 采集
- 查询
- 分析
- 告警
由于日志服务对程序的运行以及后续的运营极为重要,建议采用托管型的日志产品来满足运行阶段对日志的使用需求,如阿里云的 SLS 产品。
若在多个 region 部署集群,且集群的组件相同,在使用日志产品时,需要确保每个 region 中日志项目名称规则的一致性。以阿里云 SLS 产品为例,若需要分别收集多个 region 的日志,则 project、logstore 的名称需要在多个 region 中保持相同的规则,目的是便于通过统一的方法对不同集群的日志做查询和分析。
通常情况下,日志产品会提供上述 4 个阶段的服务,具体的使用方法可以参见对应日志产品的文档,下述针对告警做重点分析。
告警
告警要满足如下目标:
- 覆盖面全
- 关键告警及时感知
基于开发阶段的日志规范,可对 error 级别的告警做统一告警,将告警信息统一到低优先级的通知渠道,如表征普通告警的钉钉群。
若要及时感知到关键告警,需要从如下 2 个方面入手:
- 定义「关键告警」特征
- 分级告警,与相应的通知渠道结合
定义「关键告警」的特征是个 长期、持续完善 的过程,有 通用关键告警 和 业务关键告警。
通用关键告警 与业务耦合度小,如机器级别的关键告警 (宕机、内存压力大、load 过高等)、托管服务的关键告警 (master 组件 panic/OOM、master 组件内存压力大等),这部分告警配置可以作为基础服务,作为集群交付的一部分。
业务关键告警 与业务耦合度大,需要与业务长期维护,重点关注「业务交互环节」的告警。
通知渠道通常会有如下几类:
- IM 群 (如钉钉群等)
- 短信
- 电话
- webhook
这些通知渠道对人触达的及时性不同,电话触达性最好,短信其次,然后是 IM 群。webhook 本质上是条通道,可以对接不同的 IM 群或短信、电话渠道。
推荐如下三种告警级别:
配置告警是个长期、不断迭代的过程,为了有助于告警有效性的迭代,配置每条告警时,可以考虑使用如下表格,规范化每条告警的配置,并深入思考告警配置的有效性:
FAQ
如何预先配置未模拟出的异常?
业务依赖的 OpenAPI/SDK/Lib 等通常都会有错误码列表,如 阿里云:API 错误中心、Lib 中的 errors 文件等。可以基于该已知信息,枚举依赖的 OpenAPI/SDK 中对业务有明显负面影响的状态码做分级告警,如 ServiceUnavailable/Forbbiden/Unauthorized 等。
欢迎大家留言交流使用 Kubernetes 过程中的稳定性保障问题,以及对稳定性保障的期待工具或服务。大家也可通过邮箱联系作者,进一步深入交流:flyer.zyf@alibaba-inc.com