01 背景介绍
日志作为线上定位问题排障的重要手段，在可观测领域有着不可替代的作用。
稳定性、成本、易用性、可扩展性都是日志系统需要追求的关键点。
B站基于Elastic Stack的日志系统（Billions） 从2017建设以来， 已经服务了超过5年，目前规模超过500台机器，每日写入日志量超过700TB。
ELK体系是业界最常用的日志技术栈，在传输上以结合规范key的JSON作为传输格式，易于多种语言实现和解析，并支持动态结构化字段。存储上ElasticSearch支持全文检索，能够快速从杂乱的日志信息中搜寻到关键字。展示上Kibana具有美观、易用等特性。
随着业务系统的高速发展，日志系统的规模也随之快速扩展，我们遇到了一系列的问题，同时可观测业界随着OpenTelemetry规范的成熟，推动着我们重新考量，迈入下一代日志系统。 02 遇到的问题
-
首先必须要提的就是成本和稳定性。日志作为一种应用产生的实时数据，随着业务应用规模发展而紧跟着扩大。日志系统必须在具备高吞吐量的同时，也要具备较高的实时性要求。Elasticsearch由于分词等特性，在写吞吐量上有着明显的瓶颈，分词耗CPU且难以解决热点问题。如果资源冗余不足，就容易导致稳定性下降，日志摄入发生延迟，日志的延迟会对排障产生极大负面影响。
-
同时由于压缩率不高的原因，ES的存储成本也较高，对内存有着较高的要求。这些因素导致我们日志必须进行常态化的采样和限流，对用户使用上造成了困扰，限制了排障的场景。
-
内存使用率的问题也迫使我们必须将warm阶段的索引进行Close，避免占用内存。用户如果需要查询就必须操作进行Open，牺牲了一定的易用性。
-
为了稳定性和成本，动态Mapping也必须被关闭，有时用户引导不到位，就会导致用户发现自己搜索的日志遗留了Mapping配置而导致难以追溯查询。
-
在运维上，ES7之前缺少生命周期的能力，我们必须维护一整套生命周期相关组件，来对索引进行预创建、关闭和删除，不可避免的带来高维护成本。
-
Kibana虽然好用，但也不是没有缺点的，整体代码复杂，二次开发困难。且每次升级ES必须升级到对应的Kibana版本也增加了用户迁移的成本。还有一点就是Kibana Query虽然语法较为简单，但对于初次接触的研发还是有一定的学习成本的。
-
在采集和传输上，我们制定了一套内部的日志格式规范，使用JSON作为传输格式，并提供了Java和Golang的SDK。这套传输格式本身在序列化/反序列化上性能一般,且私有协议难以避免兼容性和可维护性问。
03 新架构体系 针对上述的一系列问题，我们设计了Bilibili日志服务2.0的体系，主要的进化为使用ClickHouse作为存储，实现了自研的日志可视化分析平台，并使用OpenTelemetry作为统一日志上报协议。
如图所示为日志实时上报和使用的全链路。日志从产生到消费会经过采集→摄入 →存储 →分析四个步骤，分别对应我们在链路上的各个组件，先做个简单的介绍：
-
OTEL Logging SDK
-
完整实现OTEL Logging日志模型规范和协议的结构化日志高性能SDK，提供了Golang和Java两个主要语言实现。
-
Log-Agent
-
日志采集器，以Agent部署方式部署在物理机上，通过Domain Socket接收OTEL协议日志，同时进行低延迟文件日志采集，包括容器环境下的采集。支持多种Format和一定的加工能力，如解析和切分等。
-
Log-Ingester
-
负责从日志 kafka 订阅日志数据， 然后将日志数据按时间维度和元数据维度(如AppID) 拆分，并进行多队列聚合, 分别攒批写入ClickHouse中.
-
ClickHouse
-
我们使用的日志存储方案，在ClickHouse高压缩率列式存储的基础上，配合隐式列实现了动态Schema以获得更强大的查询性能，在结构化日志场景如猛虎添翼。
-
Log-Query
-
日志查询模块，负责对日志查询进行路由、负载均衡、缓存和限流，以及提供查询语法简化。
-
BLS-Discovery
-
新一代日志的可视化分析平台，提供一站式的日志检索、查询和分析，追求日志场景的高易用性，让每个研发0学习成本无障碍使用。
下边我们将针对几个重点进行详细设计阐述。 3.1 基于ClickHouse的日志存储 新方案的最核心的部分就是我们将日志的通用存储换成了ClickHouse。 先说结果，我们在用户只需要付出微小迁移成本的条件下( 转过来使用SQL语法进行查询），达到了10倍的写入吞吐性能，并以原先日志系统 1/3的成本，存储了同等规模量的日志。在查询性能上，结构化字段的查询性能提升2倍， 99%的查询能够在3秒内完成。 下图为同一份日志在Elasticsearch, ClickHouse和ClickHouse(zstd)中的容量, 最终对比ES达到了 1:6。
ClickHouse方案里另一个最大的提升是写入性能,ClickHouse的写入性能达到了ES的10倍以上。
在通用结构化日志场景，用户往往是使用动态Schema的，所以我们引入了隐式列Map类型来存储动态字段, 以同时获得动态性和高查询性能，稍后将会重点介绍隐式列的实现。文章来源：https://www.toymoban.com/news/detail-451003.html
我们的表设计如下，我们针对每个日志组，都建立了一张复制表。表中的字段分为公共字段(即OTEL规范的Resource字段, 以及trace_id和span_id等)，以及隐式列字段，string_map，number_map，bool_map 分别对应字符串字段，数字字段和布尔字段。我们对常用的日志值类型进行分组，使用这三个字段能满足大部分查询和写入的需求。文章来源地址https://www.toymoban.com/news/detail-451003.html
到了这里，关于B站基于Clickhouse的下一代日志体系建设实践的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
