目录
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。
Telegraf 的 SQL 插件使用简单的表架构和动态列生成将收集的指标发送到 SQL 数据库。 当配置为 ClickHouse 时,它会调整 DSN 格式和类型转换设置,以确保无缝数据集成。
集成详情
Zipkin
此插件实现了 Zipkin HTTP 服务器,用于收集跟踪和计时数据,这些数据对于排查微服务架构中的延迟问题至关重要。 Zipkin 是一种分布式跟踪系统,可帮助收集跨各种微服务的计时数据,使团队能够可视化请求流并识别性能瓶颈。 该插件根据指定的 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,它的配置和架构可能会随着时间的推移而发展,以更好地满足用户需求和分布式跟踪方法的进步。
Clickhouse
Telegraf 的 SQL 插件旨在通过根据传入指标动态创建表和列,将指标数据写入 SQL 数据库。 当配置为 ClickHouse 时,它使用 clickhouse-go v1.5.4 驱动程序,该驱动程序采用唯一的 DSN 格式和一组专门的类型转换规则,将 Telegraf 的数据类型直接映射到 ClickHouse 的本机类型。 这种方法确保了高吞吐量环境中的最佳存储和检索性能,使其非常适合实时分析和大规模数据仓库。 动态架构创建和精确的类型映射实现了详细的时序数据日志记录,这对于监控现代分布式系统至关重要。
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"
Clickhouse
[[outputs.sql]]
## Database driver
## Valid options include mssql, mysql, pgx, sqlite, snowflake, clickhouse
driver = "clickhouse"
## Data source name
## For ClickHouse, the DSN follows the clickhouse-go v1.5.4 format.
## Example DSN: "tcp://localhost:9000?debug=true"
data_source_name = "tcp://localhost:9000?debug=true"
## Timestamp column name
timestamp_column = "timestamp"
## Table creation template
## Available template variables:
## {TABLE} - table name as a quoted identifier
## {TABLELITERAL} - table name as a quoted string literal
## {COLUMNS} - column definitions (list of quoted identifiers and types)
table_template = "CREATE TABLE {TABLE} ({COLUMNS})"
## Table existence check template
## Available template variables:
## {TABLE} - table name as a quoted identifier
table_exists_template = "SELECT 1 FROM {TABLE} LIMIT 1"
## Initialization SQL (optional)
init_sql = ""
## Maximum amount of time a connection may be idle. "0s" means connections are never closed due to idle time.
connection_max_idle_time = "0s"
## Maximum amount of time a connection may be reused. "0s" means connections are never closed due to age.
connection_max_lifetime = "0s"
## Maximum number of connections in the idle connection pool. 0 means unlimited.
connection_max_idle = 2
## Maximum number of open connections to the database. 0 means unlimited.
connection_max_open = 0
## Metric type to SQL type conversion for ClickHouse.
## The conversion maps Telegraf metric types to ClickHouse native data types.
[outputs.sql.convert]
conversion_style = "literal"
integer = "Int64"
text = "String"
timestamp = "DateTime"
defaultvalue = "String"
unsigned = "UInt64"
bool = "UInt8"
real = "Float64"
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: 将插件集成到关键服务中,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区域的优先级,从而实现有针对性的改进。
-
动态服务依赖关系映射: 通过收集的跟踪数据,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相结合,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,运营团队可以在新兴问题升级为严重故障之前主动做出响应。
Clickhouse
-
高容量数据的实时分析: 使用该插件将来自大型系统的流式指标馈送到 ClickHouse。 此设置支持超快的查询性能和近乎实时的分析,非常适合监控高流量应用程序。
-
时序数据仓库: 将插件与 ClickHouse 集成以创建强大的时序数据仓库。 此用例允许组织存储详细的历史指标,并执行复杂的查询以进行趋势分析和容量规划。
-
分布式环境中的可扩展监控: 利用该插件在 ClickHouse 中为每种指标类型动态创建表,从而更容易管理和查询来自大量分布式系统的数据,而无需事先定义架构。
-
物联网部署的优化存储: 部署该插件以将来自物联网传感器的数据摄取到 ClickHouse 中。 其高效的架构创建和本机类型映射有助于处理海量数据,从而实现实时监控和预测性维护。
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了任何错误,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。