Zipkin 和 Snowflake 集成

通过 Telegraf(由 InfluxData 构建的开源数据连接器)提供支持,实现强大的性能和简单的集成。

info

对于大规模实时查询,这不是推荐的配置。为了进行查询和压缩优化、高速摄取和高可用性,您可能需要考虑Zipkin 和 InfluxDB

50 亿+

Telegraf 下载量

#1

时间序列数据库
来源:DB-Engines

10 亿+

InfluxDB 下载量

2,800+

贡献者

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,它都会变得更有价值。InfluxDB 是排名第一的时间序列平台,旨在与 Telegraf 一起扩展。

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。

Telegraf 的 SQL 插件允许将指标无缝存储在 SQL 数据库中。当配置为 Snowflake 时,它采用专用的 DSN 格式和动态表创建,以将指标映射到相应的模式。

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,这对于排除微服务架构中的延迟问题至关重要。Zipkin 是一个分布式跟踪系统,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。该插件支持基于指定 Content-Type 的 JSON 或 thrift 格式的输入跟踪。此外,它还利用 span 元数据来跟踪请求的计时,从而增强对符合 OpenTracing 标准的应用程序的可观察性。作为一项实验性功能,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。

Snowflake

Telegraf 的 SQL 插件旨在通过基于传入数据创建表和列,将指标动态写入 SQL 数据库。当配置为 Snowflake 时,它采用 gosnowflake 驱动程序,该驱动程序使用 DSN,该 DSN 以紧凑的格式封装凭据、帐户详细信息和数据库配置。此设置允许自动生成表,其中每个指标都记录有精确的时间戳,从而确保详细的历史跟踪。虽然该集成被认为是实验性的,但它利用了 Snowflake 强大的数据仓库功能,使其适用于可扩展的、基于云的分析和报告解决方案。

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"

Snowflake

[[outputs.sql]]
  ## Database driver
  ## Valid options: mssql (Microsoft SQL Server), mysql (MySQL), pgx (Postgres),
  ## sqlite (SQLite3), snowflake (snowflake.com), clickhouse (ClickHouse)
  driver = "snowflake"

  ## Data source name
  ## For Snowflake, the DSN format typically includes the username, password, account identifier, and optional warehouse, database, and schema.
  ## Example DSN: "username:password@account/warehouse/db/schema"
  data_source_name = "username:password@account/warehouse/db/schema"

  ## 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
  ## Defaults to ANSI/ISO SQL types unless overridden. Adjust if needed for Snowflake compatibility.
  #[outputs.sql.convert]
  #  integer       = "INT"
  #  real          = "DOUBLE"
  #  text          = "TEXT"
  #  timestamp     = "TIMESTAMP"
  #  defaultvalue  = "TEXT"
  #  unsigned      = "UNSIGNED"
  #  bool          = "BOOL"

输入和输出集成示例

Zipkin

  1. 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,提高响应时间,并确保跨服务的更流畅的用户体验。

  2. 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。

  3. 动态服务依赖关系映射:利用收集的跟踪数据,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。

  4. 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。

Snowflake

  1. 基于云的数据湖集成:利用插件将来自各种来源的实时指标流式传输到 Snowflake 中,从而创建集中的数据湖。此集成支持云数据上的复杂分析和机器学习工作流程。

  2. 动态商业智能仪表板:利用插件从传入指标自动生成表,并将它们馈送到 BI 工具中。这使企业能够创建动态仪表板,可视化性能趋势和运营洞察,而无需手动模式管理。

  3. 可扩展的物联网分析:部署插件以捕获来自 IoT 设备的高频数据到 Snowflake 中。此用例有助于传感器数据的聚合和分析,从而实现大规模的预测性维护和实时监控。

  4. 用于合规性的历史趋势分析:使用插件在 Snowflake 中记录和存档详细的指标数据,然后可以查询这些数据以进行长期趋势分析和合规性报告。此设置确保组织可以维护强大的审计跟踪并在需要时执行取证分析。

反馈

感谢您成为我们社区的一份子!如果您对这些页面有任何一般性反馈或发现任何错误,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,它都会变得更有价值。InfluxDB 是排名第一的时间序列平台,旨在与 Telegraf 一起扩展。

查看入门方法

相关集成

HTTP 和 InfluxDB 集成

HTTP 插件从一个或多个 HTTP(S) 端点收集指标。它支持各种身份验证方法和数据格式的配置选项。

查看集成

Kafka 和 InfluxDB 集成

此插件从 Kafka 读取消息,并允许基于这些消息创建指标。它支持各种配置,包括不同的 Kafka 设置和消息处理选项。

查看集成

Kinesis 和 InfluxDB 集成

Kinesis 插件允许从 AWS Kinesis 流中读取指标。它支持多种输入数据格式,并提供带有 DynamoDB 的检查点功能,以实现可靠的消息处理。

查看集成