目录
强大的性能,无限的扩展能力
收集、组织和处理海量高速数据。 当您将任何数据视为时间序列数据时,它都会更有价值。 使用 InfluxDB,这是 #1 的时间序列平台,旨在通过 Telegraf 进行扩展。
查看入门方法
输入和输出集成概述
Zipkin 输入插件允许从微服务收集跟踪信息和计时数据。 此功能对于诊断复杂面向服务环境中的延迟问题至关重要。
Azure 数据资源管理器插件允许将指标收集与 Azure 数据资源管理器集成,使用户能够高效地分析和查询其遥测数据。 借助此插件,用户可以配置摄取设置以满足其需求,并利用 Azure 强大的分析功能。
集成详情
Zipkin
此插件实现了 Zipkin HTTP 服务器,以收集跟踪和计时数据,这对于解决微服务架构中的延迟问题是必要的。 Zipkin 是一个分布式跟踪系统,可帮助跨各种微服务收集计时数据,使团队能够可视化请求流并识别性能瓶颈。 该插件基于指定的 Content-Type,提供对 JSON 或 thrift 格式的输入跟踪的支持。 此外,它还利用 span 元数据来跟踪请求的计时,从而增强了对遵循 OpenTracing 标准的应用程序的可观察性。 作为一个实验性功能,其配置和模式可能会随着时间的推移而演变,以更好地满足用户需求和分布式跟踪方法的进步。
Azure 数据资源管理器
Azure 数据资源管理器插件允许用户将从各种 Telegraf 输入插件收集的指标、日志和时间序列数据写入 Azure 数据资源管理器、Azure Synapse 和 Fabric 中的实时分析。 此集成充当桥梁,使应用程序和服务能够有效地监控其性能指标或日志。 Azure 数据资源管理器针对对大量不同数据类型进行分析进行了优化,使其成为云环境中实时分析和监控解决方案的绝佳选择。 该插件使用户能够根据其要求配置指标摄取,动态定义表架构,并设置各种摄取方法,同时保留数据库操作所需的角色和权限的灵活性。 这支持现代应用程序的可扩展且安全的监控设置,这些应用程序利用云服务。
配置
Zipkin
[[inputs.zipkin]]
## URL path for span data
# path = "/api/v1/spans"
## Port on which Telegraf listens
# port = 9411
## Maximum duration before timing out read of the request
# read_timeout = "10s"
## Maximum duration before timing out write of the response
# write_timeout = "10s"
Azure 数据资源管理器
[[outputs.azure_data_explorer]]
## The URI property of the Azure Data Explorer resource on Azure
## ex: endpoint_url = https://myadxresource.australiasoutheast.kusto.windows.net
endpoint_url = ""
## The Azure Data Explorer database that the metrics will be ingested into.
## The plugin will NOT generate this database automatically, it's expected that this database already exists before ingestion.
## ex: "exampledatabase"
database = ""
## Timeout for Azure Data Explorer operations
# timeout = "20s"
## Type of metrics grouping used when pushing to Azure Data Explorer.
## Default is "TablePerMetric" for one table per different metric.
## For more information, please check the plugin README.
# metrics_grouping_type = "TablePerMetric"
## Name of the single table to store all the metrics (Only needed if metrics_grouping_type is "SingleTable").
# table_name = ""
## Creates tables and relevant mapping if set to true(default).
## Skips table and mapping creation if set to false, this is useful for running Telegraf with the lowest possible permissions i.e. table ingestor role.
# create_tables = true
## Ingestion method to use.
## Available options are
## - managed -- streaming ingestion with fallback to batched ingestion or the "queued" method below
## - queued -- queue up metrics data and process sequentially
# ingestion_type = "queued"
输入和输出集成示例
Zipkin
-
微服务中的延迟监控:使用 Zipkin 输入插件来捕获和分析来自微服务架构的跟踪数据。 通过可视化请求流并查明延迟来源,开发团队可以优化服务交互,缩短响应时间,并确保跨服务的更流畅的用户体验。
-
关键服务中的性能优化:在关键服务中集成该插件,不仅可以监控响应时间,还可以跟踪可能突出显示性能问题的特定注释。 收集 span 数据的能力可以帮助确定需要性能增强的领域,从而实现有针对性的改进。
-
动态服务依赖关系映射:借助收集的跟踪数据,自动映射服务依赖关系并在仪表板中可视化它们。 这有助于团队了解不同服务如何交互以及故障或速度减慢的影响,最终促成更好的架构决策和更快的问题解决。
-
服务延迟中的异常检测:将 Zipkin 数据与机器学习模型结合使用,以检测服务延迟和请求处理时间中的异常模式。 通过自动识别异常,运营团队可以主动响应新出现的问题,防止它们升级为严重故障。
Azure 数据资源管理器
-
实时监控仪表板:通过使用此插件将来自各种服务的指标集成到 Azure 数据资源管理器中,组织可以构建反映实时性能指标的综合仪表板。 这使团队能够主动响应性能问题并优化系统健康状况,而不会出现延迟。
-
集中式日志管理:利用 Azure 数据资源管理器来整合来自多个应用程序和服务的日志。 通过利用该插件,组织可以简化其日志分析流程,从而更轻松地搜索、过滤和从随着时间推移积累的历史数据中获得见解。
-
数据驱动的警报系统:通过基于通过此插件发送的指标配置警报来增强监控功能。 组织可以设置阈值并自动执行事件响应,从而显着减少停机时间并提高关键操作的可靠性。
-
机器学习模型训练:通过利用发送到 Azure 数据资源管理器的数据,组织可以执行大规模分析并准备数据以馈送到机器学习模型中。 此插件能够构建数据结构,这些数据结构随后可用于预测分析,从而增强决策能力。
反馈
感谢您成为我们社区的一份子! 如果您有任何一般性反馈或在这些页面上发现任何错误,我们欢迎并鼓励您提出意见。 请在 InfluxDB 社区 Slack 中提交您的反馈。
强大的性能,无限的扩展能力
收集、组织和处理海量高速数据。 当您将任何数据视为时间序列数据时,它都会更有价值。 使用 InfluxDB,这是 #1 的时间序列平台,旨在通过 Telegraf 进行扩展。
查看入门方法