大数据技术栈浅述

最近在做企业安全建设，企业安全建设中最常见的一项就是做监控，监控的种类多种多样，但是底层的技术栈却基本是一致的————大数据技术，下面我记录一下我最近学习到的一些大数据技术，下文只是描述个脉络而已。

大数据的技术栈，以及对应的上下依赖图如下：

看完这个图，是不是觉得和之前学习过的网络协议、框架都非常相识，无非就是把里面的名词替换了一下而已。我感觉软件产品的设计思路都是要分模块化、解耦合，你看TCP/IP协议层，每层都各司其职，每层里面的每个功能也是按照这个总体思路继续向下设计。解耦合的好处很多，建议自行百度。

我个人觉得，里面比较有难度的就是Flink那块，因为对数据的分析、计算处理都是在这一块中完成的，Flink也可以用storm替换，不过性能没有flink好。
当将计算结果存储到ES之后，就可以做很多事了，比如做自动告警功能了。

数据源

数据源可以是任何数据，不过现在采集最多的应该就是日志类数据

Filebeat

采集器是最容易理解的，主要是用来汇总日志然后转发的，采集器的技术方案也有很多，这里举例filebeat。

Filebeat主要由两个组件构成：prospector（探测器）和harvester（收集器），这两类组件一起协作完成Filebeat的工作。

Filebeat的工作流程如下：
当开启Filebeat程序的时候，它会启动一个或多个探测器去检测指定的日志目录或文件，对于探测器找出的每一个日志文件，Filebeat会启动收集进程，每一个收集进程读取一个日志文件的内容，然后将这些日志数据发送到后台处理程序，后台处理程序会集合这些事件，最后发送集合的数据到output指定的目的地。

Filebeat在有数据源的机器安装好之后，要做的就是写一下配置，
主要配置读取文件的路径，以及输出流的位置以及相应的性能参数等，以Kafka消息中间件作为缓冲，所有的日志收集器都向Kafka输送日志流。

定义日志信息输出格式：

        //存放日志的文件夹名称
        logs
        //日志文件名称
        collector
        //日志格式
        //[%d{yyyy-MM-dd'T'HH:mm:ss.SSSZZ}] 日志输入时间，东八区
        //[%level{length=5}]    日志级别，debug、info、warn、error
        //[%thread-%tid]    当前线程信息
        //[%logger] 当前日志信息所属类全路径
        //[%X{hostName}]    当前节点主机名。需要通过MDC来自定义。
        //[%X{ip}]  当前节点ip。需要通过MDC来自定义。
        //[%X{applicationName}] 当前应用程序名。需要通过MDC来自定义。
        //[%F,%L,%C,%M] %F：当前日志信息所属的文件(类)名，%L：日志信息在所属文件中的行号，%C：当前日志所属文件的全类名，%M：当前日志所属的方法名
        //[%m]  日志详情
        //%ex   异常信息
        //%n    换行
        [%d{yyyy-MM-dd'T'HH:mm:ss.SSSZZ}] [%level{length=5}] [%thread-%tid] [%logger]
            [%X{hostName}] [%X{ip}] [%X{applicationName}] [%F,%L,%C,%M] [%m] ## '%ex'%n

Filebeat配置参考信息：

  paths:
    - /usr/local/logs/error-collector.log
  document_type: "error-log"
  multiline:
    # pattern: '^\s*(\d{4}|\d{2})\-(\d{2}|[a-zA-Z]{3})\-(\d{2}|\d{4})'   
    # 指定匹配的表达式（匹配以 2017-11-15 08:04:23:889 时间格式开头的字符串）
    pattern: '^\['                                # 指定匹配的表达式（匹配以 "{ 开头的字符串）
    negate: true                                # 是否匹配到
    match: after                                # 合并到上一行的末尾
    max_lines: 2000                         # 最大的行数
    timeout: 2s                                 # 如果在规定时间没有新的日志事件就不等待后面的日志
  fields:
    logbiz: collector
    logtopic: error-log-collector   ## 按服务划分用作kafka topic
    evn: dev
    
output.kafka:
  enabled: true
  hosts: ["192.168.204.139:9092"]
  topic: '%{[fields.logtopic]}'
  partition.hash:
    reachable_only: true
  compression: gzip
  max_message_bytes: 1000000
  required_acks: 1
logging.to_files: true

Kafka

Apache kafka是消息中间件的一种，功能是高吞吐量的分布式发布订阅消息系统

Kafka特点：
kafka中的消息不是kafka主动去拉去的，而必须有生产者往kafka写消息。
kafka是不会主动往消费者发布消息的，而必须有消费者主动从kafka拉取消息。

kafka名词解释：
kafka的几个名词需要知道一下，比如topic、producer、consumer、broker，下面用最俗的方式解释

• producer：生产者，就是它来生产“鸡蛋”的。
• consumer：消费者，生出的“鸡蛋”它来消费。
• topic：你把它理解为标签，生产者每生产出来一个鸡蛋就贴上一个标签（topic），消费者可不是谁生产的“鸡蛋”都吃的，这样不同的生产者生产出来的“鸡蛋”，消费者就可以选择性的“吃”了。
• broker：相当于菜市场的小贩，小贩从生产者手里收购了鸡蛋，然后一直存储在商店中，等待消费者来购买。他在中间作鸡蛋的存储、转发、接受顾客问价（请求）和回答（响应）等功能。
  一个单独的Kafka Server就是一个Broker。在一般的生产环境中，一个Broker独占一台物理服务器。Broker的主要工作就是接收生产者发过来的消息，分配offset，之后保存到磁盘中。同时，接收消费者、其他Broker的请求，根据请求类型进行相应处理并返回响应。

kafka的单节点基本操作：
生产者

# 创建一个主题（标签），Hello-Kafka
bin/kafka-console-producer.sh --broker-list localhost:9092 --topic Hello-Kafka
# 生产者将等待来自stdin的输入并发布到Kafka集群。 默认情况下，每个新行都作为新消息发布，然后在 config / producer.properties 文件中指定默认生产者属性。 

# 在终端中键入几行消息
egg1
egg2

消费者

# 与生产者类似，在 config / consumer.proper-ties 文件中指定了缺省使用者属性。 打开一个新终端并键入以下消息消息语法。

bin/kafka-console-consumer.sh --zookeeper localhost:2181 —topic Hello-Kafka 
--from-beginning

# 自动出现
egg1
egg2

Flink

Flink核心是一个流式的数据流执行引擎，其针对数据流的分布式计算提供了数据分布、数据通信以及容错机制等功。
简单的说就是，Flink可以对数据流进行转换、计算、聚合等功能。如果你采集的数据需要做告警功能，那么就需要用Flink或者storm，如果只是将采集的数据进行存储，然后展示，那么就不需要用到Flink这种技术。

比如在企业安全建设中，做监控平台就需要有告警功能，采集到的监控数据会直接往 kafka 里塞，然后告警这边需要从 kafka topic 里面实时读取到监控数据，并将读取到的监控数据做一些 转换、计算、聚合等操作，然后将计算后的结果与告警规则的阈值进行比较，然后做出相应的告警措施（钉钉群、邮件、短信、电话等）。画了个简单的图如下：

flink处理静态sql的代理流程：

这个sql只能是写死在代码里面，如果是想要动态的修改sql，那么就要重启flink服务才能生效。

但是有个需求，就像下图这样，sql语句来之外部，因为需要让安全人员来描述规则，他们跟进安全态势来修改，并且需要常常更新规则来挖掘出最新安全事件，

那么就出现一个问题了，像上面的flink只能处理静态sql，想动态处理怎么办？

使用 flink-siddhi 来处理动态sql：
SIDDHI 是一款功能强大的open source CEP（Complex Event Processing）引擎引擎，具有自己的DSL，丰富的模式匹配功能和可扩展性，

使用Siddhi 引擎的好处就是，里面的sql语句可以任意修改，修改sql后，也不需要重启flink服务。
siddhi引擎我最近也是刚开始学习，这里就不过多笔墨了，后面会出siddhi的专项文章。

ES

ES太常见了，以后有空在补充吧。

Kibana

Kibana也很常见，以后有空在补充吧。希望读者给个评论或者推荐，让我有动力更新完。

参考

https://www.cnblogs.com/monument/p/12944718.html
https://www.jianshu.com/p/a8b66f586fd4
http://kafka.apachecn.org/
https://www.w3cschool.cn/apache_kafka/apache_kafka_introduction.html
https://blog.csdn.net/leanaoo/article/details/84310604
https://ci.apache.org/projects/flink/flink-docs-release-1.4/
https://www.cnblogs.com/fxjwind/p/5048583.html
https://baijiahao.baidu.com/s?id=1623279487849430246&wfr=spider&for=pc