- EFK + K8s
- Prometheus+ K8s
- SkyWalking + K8s
这3个监控组合都非常不错，那在实际生产过程中，对一家中等规模的微服务业务应用，该如何选型呢？
如果企业采用spring + k8s技术栈，EFK + Prometheus + SkyWalking就是我推荐的监控三套件，这三个分别是日志、metrics和调用链监控的利器，社区生态好。
而CAT主要为物理机/虚拟机场景研发，容器环境应该也支持，但是文档资料较少。总体CAT是一个不错的产品，但是相对门槛较高，社区和文档不足。相比而言，skywalking门槛较低，社区文档好，对容器环境有明确的支持。
方法级监控可以用Promethues，但是需要对方法进行埋点，如果是Spring应用，你用MicroMeter对方法添加相应的注解即可。注意，最好在框架层统一埋点。
Skywalking也可以监控到方法级，前提是需要相应的plugin支持，如果现成的plugin监控不到你的方法，你可以扩展或者自己写plugin。
elastic不适合用于数据存储 那我们项目里用elastic 也相当于给skywalking做了数据库，稳定性和效率怎么看？
elastic属于一种高性能大容量的nosql数据存储，底层基于反向索引数据结构，在大数据存储、搜索和分析方面有广泛用途。它可以做skywalking的存储，也可以做普通日志存储。关于性能稳定性和效率，elastic本身是分布式高性能设计，实际要看你的调优和运维能力，国内公司如携程，有超过50台机器做成的elastic集群，每天收集存储超过TB级别数据量。
fluentd V.S logstash 有何优势在k8s中
不能说有明显的优势，logstash历史比较老一点，fluentd比较新一点，目前是云原生支持的项目之一。尽管存在一些差异，但Logstash和Fluentd之间的相似之处大于它们的区别。 Logstash或Fluentd的用户在日志管理方面遥遥领先。
skywalking可和EFK共用ES吗？ES集群个数和内存CPU如何分配？
因为需使用istio的熔断流量控制，istio也有一些trace什么的zipkin,怎么选择？
skywalking当然可和efk共用ElasticSearch，它们用不同的index，实际要不要这样弄，具体要考虑业务场景/容量需求等因素。集群节点个数和内存CPU建议先粗略估算，然后监控起来(ES有很多监控手段)，运行一段时间后根据监控数据优化容量规划。
zipkin的trace监控是应用层的，可以和应用/框架代码紧密集成，开发定制灵活性更高。istio的trace是系统层的，对应用层无倾入，但是开发人员的控制和定制弱。具体框架和运维团队要协商综合考虑，哪种更适合，当然也可以两个都用结合起来。
架构图
参考
