Elasticsearch的全观测能力
随着企业IT系统拓扑结构日趋复杂，系统架构从单体道分布式再到微服务，部署模式从物理服务器部署到虚拟化再到容器化应用，基础设施上云后开发模式也从传统瀑布式到DevOps开发运维结合。复杂的系统链路中多种数据源背后，是不同的数据类型，以及极高的海量非结构化数据的统一采集、加工、存储和维护成本。在传统SRE运维场景之外，企业业务场景在实时分析、安全审计、用户行为、运营增长、交易记录场景衍生出各类应用，由此带来多套观测方案交织，维护成本大幅提升，同一个业务组件或系统，产生的数据不同方案中数据难互通，无法充分发挥数据价值。
由此，各个企业也越发关注对系统可观测能力的建设，迫切需要把各类数据在统一平台进行存储、监控和检索分析。业内公认，log、metric、trace是全观测的三大支柱，通过搭建统一的观测系统，在运维场景帮助运维人员在「事前」了解系统运行状态，「事中」快速定位故障，「事后」根因分析，以此提升系统高可用，降本增效。但在全观测技术演进过程中，不仅需要跨云、跨业务系统实现日志和时序数据的观测，而日志、时序等各类数据场景支撑的技术原子工具繁多，工具之间的衔接困难，技术组价及平台的维护成本高。
可观测作为Elastic三大核心解决方案之一，基于Elasticsearch全观测能力可以统一收集日志、指标、uptime数据、应用程序跟踪tracing数据，并将各类数据统一存储到 Elasticsearch，进行统一处理分析并基于Kibana 完成可视化。从而可观测场景下实现了技术栈统一，SRE团队也无须基于多种技术组件搭建可观测平台。
在全观测场景下，阿里云Elasticsearch在基于云原生Serverless日志引擎能力，持续优化在海量日志数据的写入性能及存储成本。而在对Metric时序数据的存储和处理过程中，往往会面临以下几个问题：
TimeStream是什么？
TimeStream是阿里云Elasticsearch团队自研，并结合Elastic社区时序类产品特性共建的时序引擎。在云原生ELK全托管基础上，通过TimeStream时序增强功能插件，可实现高性能、低成本时序数据存储和查询分析。
阿里云ES TimeStream的优势
作为与Ali内核深度整合的阿里云ES时序场景核心技术，Timestream大幅优化了阿里云ES时序场景的成本、性能和易用性：
- 数据管理提效：基于Timestream时序数据模型及增删改查，集成Elasticsearch在时序场景的最佳实践模板，大幅降低了Elasticsearch管理时序指标数据的门槛
- 查询体验提升：支持使用PromQL查询Elasticsearch数据，可无缝对接Prometheus+Grafana，支持DownSample采样查询和DataStream时间分区
- 存储成本优化：通过数据压缩优化、元数据存储容量优化，TimeStream索引相比开源Elasticsearch普通索引的存储容量降低了80%以上
- 读写性能提升：TimeStream索引相比开源Elasticsearch普通索引写入TPS提升近40%，对于时序数据的常用查询分析，性能相比开源Elasticsearch提升了5倍
与开源对比
时序场景中Elasticsearch在使用和不使用TimeStream插件情况下，场景化配置、存储、查询对比如下：
对比项 |
使用TimeStream |
不使用TimeStream |
场景化配置 |
TimeStream引擎原生支持时序类型数据模型，自动生成_tsid，indexing sort优化等 |
需要用户进行大量指标场景最佳实践，例如生成一个时间线id字段，使用时间线id和时间配置indexing sorting，使用时间线id做routing等 |
存储 |
|
|
查询语句 |
支持PromQL查询DSL |
专门构建query DSL查询Metric数据 |
降采样 |
简单配置时间间隔，即可支持降采样功能 |
需要用户侧自行进行降采样处理 |
时间分区 |
按照实际数据分区，一个时间范围的数据会分布在确定的索引中 |
按写入的顺序分区，一个时间范围的数据可能分布在很多索引中 |
性能对比
从benchmark对比结果看， 阿里云Elasticsearch基于TimeStream实现了Elasticsearch时序读写性能大幅提升，核心性能与传统开源时序类产品处于同一级别
存储容量方面
TimeStream索引相比开源Elasticsearch普通索引存储容量降低超过80%；
TimeStream支持不存储_id，使得与同等条件下存储_id的普通索引相比，存储容量降低超过90%，与开源时序数据库持平；
写入性能方面
TimeStream索引相比开源Elasticsearch普通索引提升写入TPS提升近40%
查询性能方面
单并发简单查询，阿里云ES接近开源时序产品；
单并发复杂查询，阿里云ES TimeStream查询性能表现更优。
多并发，简单和复杂查询语句下，阿里云ES TimeStream 查询性能表现更优
实践案例
案例A：TimeStream管理Elasticsearch时序数据快速入门
STEP1 购买和使用
TimeStream目前支持阿里云ES 7.16版本实例（内核版本1.7.0及以上）
通过系统默认插件列表查看是否已安装Aliyun-TimeStream插件，确认拥有TimeStream最新功能
STEP2 创建TimeStream时序数据索引
在Kibana控制台通过time_stream的create接口创建时序数据类型索引，命令及返回结果如下。
STEP3 写入数据
使用bulk、index接口写入数据，写入时需按照时序模型写入（模型字段可修改），命令及返回结果如下。
STEP4 查询数据
使用search接口查询数据，以及使用cat indices接口查看test_stream具体索引信息，命令及返回结果如下：
STEP5 使用DownSample功能
通过time_stream的create接口创建时，可直接指定DownSample规则，通过配置interval设定downsample精度，示例如下：
案例B：使用阿里云ES TimeStream对接Prometheus+Grafana实现可观测性
阿里云Elasticsearch支持无缝对接Prometheus+Grafana，支持Prometheus Query相关的API，可以直接将TimeStream索引作为Grafana的Prometheus数据源使用，能够提高时序数据存储与查询分析的性能，同时节约成本。
通过node_expoter收集各种与硬件和内核相关的指标，并提供给Prometheus进行读取，再通过remote write将数据写入阿里云ES TimeStream索引，并通过配置Grafana进行可视化分析。
下图示例在Grafana配置Prometheus数据源，使用PromQL查询作为Prometheus数据源的阿里云ES数据，访问并可视化。
相关文档
联系我们（钉群二维码）
更多可观测场景架构及使用最佳实践交流，欢迎扫描二维码加入钉群>>
