ElasticStack常用工具:ElasticSearch、Kibana、Beats、Logstash

简介: ElasticStack常用工具:ElasticSearch、Kibana、Beats、Logstash

ElasticStack

https://www.elastic.co/cn/

ElasticSearch

下载、解压、启动

http://127.0.0.1:9200


1、参数配置

(1)jvm配置 jmv.options 如果运行有问题-> 256M

(2)log配置 log4j2.properties

(3)es的配置 elasticsearch.yml

-cluster.name 集群名称

-node.name 节点名称

-network.host 网络地址

-http.port 端口

-path.data 数据存储地址

-path.log 日志存储地址


启动时修改参数:

bin/elasticsearch -Ehttp.port=19200

2、运行模式

以network.host参数为判断标准

(1)Development

(2)Production


3、本地启动集群

$ elasticsearch

$ elasticsearch -Ehttp.port=8200 -Epath.data=node2
$ elasticsearch -Ehttp.port=7200 -Epath.data=node3


查看集群

http://127.0.0.1:9200/_cat/nodes?v

http://127.0.0.1:9200/_cluster/stats


4、常用术语

Document 文档数据

Index 索引

Type 索引中的数据类型

Field 字段,文档属性

Query DSL 查询语法


5、CURD

Create    创建    PUT       /index/type/id(data)
Read 读取 GET /index/type/id
Update 更新 POST /index/type/id/_update(doc)
Delete 删除 DELETE /index/type/id

6、查询语法2种

(1)Query String

GET /index/type/_search?q=Tom

(2)Query DSL

GET /index/type/_search
{
"query": {
"match": {
"name": "Tom"
}
}
}

Kibana

http://127.0.0.1:5601

1、默认配置

server.host         地址
server.port 端口
elasticsearch.url es地址

2、常用功能

Discover 数据搜索查看

Visualize 图表制作

Dashboard 仪表盘

Timelion 时序数据的高级可视化分析

DevTools 开发者工具

Management 配置

Beats

Filebeat 日志文件

Metricbeat 度量数据

packetbeat 网络数据

Winlogbeat Windows数据

Heartbeat 健康检查


1、Filebeat

Input   输入
-Prospector
-log/stdin
-Havester
Filter 处理
-Input
-Include_lines
-exclude_lines
-exclude_files
-Output Processors
-drop_event
-drop_fields
-decode_json_fields
-include_fields
Output 输出
-ElasticSearch
-Logstash
-Kafka
-Redis
-Console
-File

Filebeat Module

nginx

apach

mysql

最佳实践参考

head -n 2 demo.log|filebeat -e -c nginx.yml

2、packetbeat

实时抓取网络包

自动解析应用层协议

ICMP(v4 and v6)

DNS

HTTP

MySQL

Redis


类似Wireshark

sudo packetbeat -e -c es.yml -strict.perms=false

Logstash

ETL Extract Transform Load

1、处理流程

Input
-file
-redis
-beats
-kafka
Filter
-grok 基于正则表达式,非结构化作结构化处理
-mutate 增删改查
-drop
-date 时间字符串转为时间戳类型
Output
-stdout
-elasticsearch
-kafka

2、Grok示例

55.3.244.1 GET /index.html 15824 0.043

->
{%IP:client} %{WORD:method} %{URIPATHPARAM:requst} %{NUMBER:bytes} %{NUMBER:duration}

->
{
"client": "55.3.244.1",
"method": "GET",
"requst": "/index.html",
"bytes": "15824",
"duration": "0.043"
}

测试

head -n 2 demo.log | logstash -f conf.yml

实战

Packetbeat + logstash 收集数据

kibana + elasticsearch 数据分析


方案(不能是同一个集群)

1、Production Cluster

ElasticSearch http://127.0.0.1:9200

Kibana http://127.0.0.1:5601


2、Monitoring Cluster

ElasticSearch http://127.0.0.1:8200

elasticsearch -Ecluster.name=sniff_search -Ehttp.port=8200 -Ehttp.data=sniff

Kibana http://127.0.0.1:8601

kibana -e http://127.0.0.1:8200 -p 8601
            </div>
相关实践学习
以电商场景为例搭建AI语义搜索应用
本实验旨在通过阿里云Elasticsearch结合阿里云搜索开发工作台AI模型服务,构建一个高效、精准的语义搜索系统,模拟电商场景,深入理解AI搜索技术原理并掌握其实现过程。
ElasticSearch 最新快速入门教程
本课程由千锋教育提供。全文搜索的需求非常大。而开源的解决办法Elasricsearch(Elastic)就是一个非常好的工具。目前是全文搜索引擎的首选。本系列教程由浅入深讲解了在CentOS7系统下如何搭建ElasticSearch,如何使用Kibana实现各种方式的搜索并详细分析了搜索的原理,最后讲解了在Java应用中如何集成ElasticSearch并实现搜索。 &nbsp;
目录
相关文章
|
7天前
|
数据采集 人工智能 安全
|
17天前
|
云安全 监控 安全
|
3天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
285 164
|
2天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
293 155
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
222 113
|
10天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
765 5