业务背景
有时候日志的信息比拟多,怎么样才能够让零碎做到自适应采样呢?
拓展浏览
日志开源组件(一)java 注解联合 spring aop 实现主动输入日志
日志开源组件(二)java 注解联合 spring aop 实现日志traceId惟一标识
日志开源组件(三)java 注解联合 spring aop 主动输入日志新增拦截器与过滤器
日志开源组件(四)如何动静批改 spring aop 切面信息?让主动日志输入框架更好用
日志开源组件(五)如何将 dubbo filter 拦截器原理使用到日志拦截器中?
自适应采样
是什么?
系统生成的日志能够蕴含大量信息,包含谬误、正告、性能指标等,但在理论利用中,解决和剖析所有的日志数据可能会对系统性能和资源产生累赘。
自适应采样在这种状况下发挥作用,它可能依据以后零碎状态和日志信息的重要性,智能地决定哪些日志须要被采样记录,从而无效地治理和剖析日志数据。
采样的必要性
日志采样系统会给业务零碎额定减少耗费,很多零碎在接入的时候会比拟排挤。
给他们一个百分比的抉择,或者是一个不错的开始,而后依据理论须要抉择适合的比例。
自适应采样是一个对用户通明,同时又十分优雅的计划。
如何通过 java 实现自适应采样?
接口定义
首先咱们定义一个接口,返回 boolean。
依据是否为 true 来决定是否输入日志。
/** * 采样条件 * @author binbin.hou * @since 0.5.0 */public interface IAutoLogSampleCondition { /** * 条件 * * @param context 上下文 * @return 后果 * @since 0.5.0 */ boolean sampleCondition(IAutoLogContext context);}
百分比概率采样
咱们先实现一个简略的概率采样。
0-100 的值,让用户指定,依照百分比决定是否采样。
public class InnerRandomUtil { /** * 1. 计算一个 1-100 的随机数 randomVal * 2. targetRatePercent 值越大,则返回 true 的概率越高 * @param targetRatePercent 指标百分比 * @return 后果 */ public static boolean randomRateCondition(int targetRatePercent) { if(targetRatePercent <= 0) { return false; } if(targetRatePercent >= 100) { return true; } // 随机 ThreadLocalRandom threadLocalRandom = ThreadLocalRandom.current(); int value = threadLocalRandom.nextInt(1, 100); // 随机概率 return targetRatePercent >= value; }}
实现起来也非常简单,间接一个随机数,而后比拟大小即可。
自适应采样
思路
咱们计算一下以后日志的 QPS,让输入的概率和 QPS 称正比。
/** * 自适应采样 * * 1. 初始化采样率为 100%,全副采样 * * 2. QPS 如果越来越高,那么采样率应该越来越低。这样防止 cpu 等资源的损耗。最低为 1% * 如果 QPS 越来越低,采样率应该越来越高。减少样本,最高为 100% * * 3. QPS 如何计算问题 * * 间接设置大小为 100 的队列,每一次在外面放入工夫戳。 * 当大小等于 100 的时候,计算首尾的时间差,currentQps = 100 / (endTime - startTime) * 1000 * * 触发 rate 从新计算。 * * 3.1 rate 计算逻辑 * * 这里咱们存储一下 preRate = 100, preQPS = ? * * newRate = (preQps / currentQps) * rate * * 范畴限度: * newRate = Math.min(100, newRate); * newRate = Math.max(1, newRate); * * 3.2 工夫队列的清空 * * 更新完 rate 之后,对应的队列能够清空? * * 如果额定应用一个 count,如同也能够。 * 能够调整为 atomicLong 的计算器,和 preTime。 *
代码实现
public class AutoLogSampleConditionAdaptive implements IAutoLogSampleCondition { private static final AutoLogSampleConditionAdaptive INSTANCE = new AutoLogSampleConditionAdaptive(); /** * 单例的形式获取实例 * @return 后果 */ public static AutoLogSampleConditionAdaptive getInstance() { return INSTANCE; } /** * 次数大小限度,即接管到多少次申请更新一次 adaptive 计算 * * TODO: 这个如何能够让用户能够自定义呢?后续思考配置从默认的配置文件中读取。 */ private static final int COUNT_LIMIT = 1000; /** * 自适应比率,初始化为 100.全副采集 */ private volatile int adaptiveRate = 100; /** * 上一次的 QPS * * TODO: 这个如何能够让用户能够自定义呢?后续思考配置从默认的配置文件中读取。 */ private volatile double preQps = 100.0; /** * 上一次的工夫 */ private volatile long preTime; /** * 总数,申请计数器 */ private final AtomicInteger counter; public AutoLogSampleConditionAdaptive() { preTime = System.currentTimeMillis(); counter = new AtomicInteger(0); } @Override public boolean sampleCondition(IAutoLogContext context) { int count = counter.incrementAndGet(); // 触发一次从新计算 if(count >= COUNT_LIMIT) { updateAdaptiveRate(); } // 间接计算是否满足 return InnerRandomUtil.randomRateCondition(adaptiveRate); }}
每次累加次数超过限定次数之后,咱们就更新一下对应的日志概率。
最初的概率计算和下面的百分比相似,不再赘述。
/** * 更新自适应的概率 * * 100 计算一次,其实还好。理论应该能够适当调大这个阈值,自身不会常常变动的货色。 */private synchronized void updateAdaptiveRate() { //耗费的毫秒数 long costTimeMs = System.currentTimeMillis() - preTime; //qps 的计算,时间差是毫秒。所以次数须要乘以 1000 double currentQps = COUNT_LIMIT*1000.0 / costTimeMs; // preRate * preQps = currentRate * currentQps; 保障采样平衡,服务器压力平衡 // currentRate = (preRate * preQps) / currentQps; // 更新比率 int newRate = 100; if(currentQps > 0) { newRate = (int) ((adaptiveRate * preQps) / currentQps); newRate = Math.min(100, newRate); newRate = Math.max(1, newRate); } // 更新 rate adaptiveRate = newRate; // 更新 QPS preQps = currentQps; // 更新上一次的工夫内戳 preTime = System.currentTimeMillis(); // 归零 counter.set(0);}
自适应代码-改进
问题
下面的自适应算法个别状况下都能够运行的很好。
然而有一种状况会不太好,那就是流量从高峰期到低峰期。
比方凌晨11点是申请高峰期,咱们的输入日志概率很低。深夜之后申请数会很少,想达到累计值就会很慢,这个时间段就会导致日志输入很少。
如何解决这个问题呢?
思路
咱们能够通过固定工夫窗口的形式,来定时调整流量概率。
java 实现
咱们初始化一个定时工作,1min 定时更新一次。
public class AutoLogSampleConditionAdaptiveSchedule implements IAutoLogSampleCondition { private static final ScheduledExecutorService EXECUTOR_SERVICE = Executors.newSingleThreadScheduledExecutor(); /** * 工夫分钟距离 */ private static final int TIME_INTERVAL_MINUTES = 5; /** * 自适应比率,初始化为 100.全副采集 */ private volatile int adaptiveRate = 100; /** * 上一次的总数 * * TODO: 这个如何能够让用户能够自定义呢?后续思考配置从默认的配置文件中读取。 */ private volatile long preCount; /** * 总数,申请计数器 */ private final AtomicLong counter; public AutoLogSampleConditionAdaptiveSchedule() { counter = new AtomicLong(0); preCount = TIME_INTERVAL_MINUTES * 60 * 100; //1. 1min 后开始执行 //2. 两头默认 5 分钟更新一次 EXECUTOR_SERVICE.scheduleAtFixedRate(new Runnable() { @Override public void run() { updateAdaptiveRate(); } }, 60, TIME_INTERVAL_MINUTES * 60, TimeUnit.SECONDS); } @Override public boolean sampleCondition(IAutoLogContext context) { counter.incrementAndGet(); // 间接计算是否满足 return InnerRandomUtil.randomRateCondition(adaptiveRate); }}
其中更新概率的逻辑和下面相似:
/** * 更新自适应的概率 * * QPS = count / time_interval * * 其中工夫维度是固定的,所以能够不必思考工夫。 */private synchronized void updateAdaptiveRate() { // preRate * preCount = currentRate * currentCount; 保障采样平衡,服务器压力平衡 // currentRate = (preRate * preCount) / currentCount; // 更新比率 long currentCount = counter.get(); int newRate = 100; if(currentCount != 0) { newRate = (int) ((adaptiveRate * preCount) / currentCount); newRate = Math.min(100, newRate); newRate = Math.max(1, newRate); } // 更新自适应频率 adaptiveRate = newRate; // 更新 QPS preCount = currentCount; // 归零 counter.set(0);}
小结
让零碎自动化分配资源,是一种十分好的思路,能够让资源利用最大化。
实现起来也不是很艰难,理论要依据咱们的业务量进行察看和调整。
开源地址
auto-log https://github.com/houbb/auto-log