CN114116427A - 异常日志写入方法、装置、设备及介质 - Google Patents
异常日志写入方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114116427A CN114116427A CN202111439444.1A CN202111439444A CN114116427A CN 114116427 A CN114116427 A CN 114116427A CN 202111439444 A CN202111439444 A CN 202111439444A CN 114116427 A CN114116427 A CN 114116427A
- Authority
- CN
- China
- Prior art keywords
- log
- kafka
- abnormal
- level
- logs
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012216 screening Methods 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 abstract description 22
- 238000004891 communication Methods 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000013500 data storage Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/172—Caching, prefetching or hoarding of files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/178—Techniques for file synchronisation in file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/1805—Append-only file systems, e.g. using logs or journals to store data
- G06F16/1815—Journaling file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/546—Message passing systems or structures, e.g. queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/54—Indexing scheme relating to G06F9/54
- G06F2209/547—Messaging middleware
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/54—Indexing scheme relating to G06F9/54
- G06F2209/548—Queue
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及大数据领域,提供一种异常日志写入方法、装置、设备及介质,Kafka系统包括一级Kafka、二级Kafka及三级Kafka,通过多级结构,实现对任务的流式处理,有效降低了单个节点的压力,将目标系统产生的日志实时写入一级Kafka,并从中筛选出异常日志写入二级Kafka,从本地缓存中读取关键字模板对二级Kafka中的日志进行异常等级划分,优先从本地缓存中读取模板,无需跨网络通信,读取速度更快,等级划分也便于有针对性的处理,将具有预设异常等级的异常日志写入三级Kafka,从中读取目标日志至配置数据库,进而结合Kafka系统的多级结构以及本地缓存,实现对异常日志高效且稳定的写入。此外,本发明还涉及区块链技术,目标日志可存储于区块链节点中。
Description
技术领域
本发明涉及大数据技术领域,尤其涉及一种异常日志写入方法、装置、设备及介质。
背景技术
日志,主要包括程序日志及系统日志,一般包含时间、运行代码、业务信息、错误信息等内容。开发、测试、运维、安全对日志都有非常硬性的需求:问题的核查、信息的统计、异常的发现、用户行为的分析等,作为运维大数据分析的基础之一,日志是较为重要的领域。
其中,Exception日志(异常日志)是日志数据中的错误信息日志,直观反映了一个系统的运行状况,因此,即时、有效地收集Exception日志对系统运行状况的分析非常重要。
目前,Exception日志的主要收集方式有两种:一种是单机系统,用户量较少,系统每日产生的日志数据较少,这种情况下,一般直接写入数据库、文件服务器等存储介质中;另一种是大集群,用户较多,数据量也较大,每日产生的日志数据也较多,存储甚至以TB(Terabyte,太字节)为单位,没有任何系统能够承受住这么大数量级的I/O(Input/Output,输入/输出)写入,这种情况下,单机写入的模式不再适用,针对多数据、高并发的日志收集场景,不可避免的面临资源耗尽,系统死机的问题,影响日志写入的准确率及效率。
发明内容
鉴于以上内容,有必要提供一种异常日志写入方法、装置、设备及介质,旨在解决异常日志写入时资源消耗高,写入效率及准确率低的问题。
一种异常日志写入方法,所述异常日志写入方法包括:
获取目标系统,及与所述目标系统相通信的Kafka系统,其中,所述Kafka系统包括一级Kafka、二级Kafka及三级Kafka;
将所述目标系统产生的日志实时写入所述一级Kafka;
响应于异常日志写入指令,从所述一级Kafka存储的日志中筛选出异常日志,并将所述异常日志写入所述二级Kafka;
从本地缓存中读取关键字模板,并利用所述关键字模板对所述二级Kafka中的所述异常日志进行异常等级划分;
将具有预设异常等级的所述异常日志确定为目标日志,并将所述目标日志写入所述三级Kafka;
响应于对所述目标日志的消费请求,从所述三级Kafka中读取所述目标日志至配置数据库。
根据本发明优选实施例,所述从所述一级Kafka存储的日志中筛选出异常日志包括:
从所述一级Kafka存储的日志中获取带有预设格式及/或预设字段的日志;
将获取到的日志确定为所述异常日志。
根据本发明优选实施例,在所述从本地缓存中读取关键字模板前,所述方法还包括:
获取关键字,并根据所述关键字建立所述关键字模板;
将所述关键字模板同步存储至所述本地缓存及非关系型数据库中。
根据本发明优选实施例,在所述从本地缓存中读取关键字模板时,所述方法还包括:
当所述本地缓存重启时,从所述非关系型数据库中读取所述关键字模板,并利用所述关键字模板对所述二级Kafka中的所述异常日志进行异常等级划分;
将所述关键字模板同步至所述本地缓存;
在预先配置的空闲时段,将所述非关系型数据库中存储的所有模板增量同步至所述本地缓存。
根据本发明优选实施例,所述方法还包括:
当所述本地缓存及所述非关系型数据库都失效时,调用关系型数据库,其中,所述关系型数据库中存储着所有关键字;
从所述关系型数据库中抓取所述关键字模板;
将所述关键字模板同步至所述本地缓存及所述非关系型数据库;
在同步完成后,在所述非关系型数据库中为所述关键字模板配置预设标记,其中,所述预设标记表示已从所述关系型数据库中抓取过。
根据本发明优选实施例,所述方法还包括:
在从所述关系型数据库中抓取任意关键字模板时,根据所述预设标记确定所述非关系型数据库中是否存储有所述任意关键字模板;
当所述非关系型数据库中存储有所述任意关键字模板时,停止从所述关系型数据库中抓取所述任意关键字模板。
根据本发明优选实施例,所述利用所述关键字模板对所述二级Kafka中的所述异常日志进行异常等级划分包括:
获取所述异常日志中每条日志的字段;
利用每条日志的字段在所述关键字模板所包括的关键字中进行查询,得到每条日志的关键字;
从所述关键字模板中获取关键字与异常等级的对应关系;
根据获取的关键字与异常等级的对应关系确定每条日志的关键字对应的异常等级;
将每条日志的关键字对应的异常等级确定为每条日志的异常等级。
一种异常日志写入装置,所述异常日志写入装置包括:
获取单元,用于获取目标系统,及与所述目标系统相通信的Kafka系统,其中,所述Kafka系统包括一级Kafka、二级Kafka及三级Kafka;
写入单元,用于将所述目标系统产生的日志实时写入所述一级Kafka;
筛选单元,用于响应于异常日志写入指令,从所述一级Kafka存储的日志中筛选出异常日志,并将所述异常日志写入所述二级Kafka;
读取单元,用于从本地缓存中读取关键字模板,并利用所述关键字模板对所述二级Kafka中的所述异常日志进行异常等级划分;
所述写入单元,还用于将具有预设异常等级的所述异常日志确定为目标日志,并将所述目标日志写入所述三级Kafka;
所述读取单元,还用于响应于对所述目标日志的消费请求,从所述三级Kafka中读取所述目标日志至配置数据库。
一种计算机设备,所述计算机设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述异常日志写入方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被计算机设备中的处理器执行以实现所述异常日志写入方法。
由以上技术方案可以看出,本发明能够获取目标系统,及与所述目标系统相通信的Kafka系统,其中,所述Kafka系统包括一级Kafka、二级Kafka及三级Kafka,通过多级结构,能够实现对任务的流式处理,有效降低了单个节点的压力,达到削峰的效果,提高了系统的运行性能,将所述目标系统产生的日志实时写入所述一级Kafka,响应于异常日志写入指令,从所述一级Kafka存储的日志中筛选出异常日志,并将所述异常日志写入所述二级Kafka,从本地缓存中读取关键字模板,并利用所述关键字模板对所述二级Kafka中的所述异常日志进行异常等级划分,优先从所述本地缓存中读取所述关键字模板,无需跨网络通信,读取关键字模板的速度将是指数性的提升,且不会对系统产生影响,根据关键字对异常日志的异常等级进行划分,也便于后续针对不同的异常等级进行有针对性的处理,将具有预设异常等级的所述异常日志确定为目标日志,并将所述目标日志写入所述三级Kafka,响应于对所述目标日志的消费请求,从所述三级Kafka中读取所述目标日志至配置数据库,进而结合Kafka系统的多级结构,以及本地缓存,实现了对异常日志高效且稳定的写入。
附图说明
图1是本发明异常日志写入方法的较佳实施例的流程图。
图2是本发明异常日志写入装置的较佳实施例的功能模块图。
图3是本发明实现异常日志写入方法的较佳实施例的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明异常日志写入方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述异常日志写入方法应用于一个或者多个计算机设备中,所述计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital SignalProcessor,DSP)、嵌入式设备等。
所述计算机设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述计算机设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,获取目标系统,及与所述目标系统相通信的Kafka系统,其中,所述Kafka系统包括一级Kafka、二级Kafka及三级Kafka。
在本实施例中,所述目标系统可以包括任意业务系统,本发明不限制。
在本实施例中,所述Kafka系统是一种消息队列中间件。
本实施例进一步将所述Kafka系统配置为所述一级Kafka、所述二级Kafka及所述三级Kafka,通过多级结构,能够实现对任务的流式处理,延长日志处理线,使各个节点只做一件事,有效降低了单个节点的压力,达到削峰的效果,提高了系统的运行性能。并且,Kafka系统本身也具有较高的吞吐量(每秒可以生产约25万条消息,并处理55万条消息),且具有能够进行持久化数据存储的特点,分布式结构也易于扩展。
S11,将所述目标系统产生的日志实时写入所述一级Kafka。
在本实施例中,所述一级Kafka用于存储所述目标系统产生的全量日志,以供后续消费使用。
如:系统日志、应用程序日志、安全日志等。
S12,响应于异常日志写入指令,从所述一级Kafka存储的日志中筛选出异常日志,并将所述异常日志写入所述二级Kafka。
在本实施例中,所述异常日志写入指令可以由相关工作人员触发,如系统测试人员、开发人员等。
在本发明的至少一个实施例中,所述从所述一级Kafka存储的日志中筛选出异常日志包括:
从所述一级Kafka存储的日志中获取带有预设格式及/或预设字段的日志;
将获取到的日志确定为所述异常日志。
其中,所述预设格式及所述预设字段可以根据开发过程中的用例进行配置。如将带有Exception的日志确定为所述异常日志。
S13,从本地缓存中读取关键字模板,并利用所述关键字模板对所述二级Kafka中的所述异常日志进行异常等级划分。
在本实施例中,所述关键字模板中存储着多个关键字,以及每个关键字与异常等级的对应关系。
例如:当关键字为Destination unreachable,OutOfMemoryError,Could notcreate pool connection,non-existent Pool,NoClassDefFoundError,could notestablish the connection,Could not open connection with host,Could not createpool connection等时,可以确定异常等级为“fatal”,否则为“normal”。
其中,“fatal”表示较高的异常等级,“normal”表示普通的异常等级。
在本发明的至少一个实施例中,在所述从本地缓存中读取关键字模板前,所述方法还包括:
获取关键字,并根据所述关键字建立所述关键字模板;
将所述关键字模板同步存储至所述本地缓存及非关系型数据库中。
其中,所述非关系型数据库可以为Redis数据库,本发明不限制。
所述非关系型数据库用于对所述本地缓存进行辅助及备用,以便在所述本地缓存失效时代替所述本地缓存提供所述关键字模板。
可以理解的是,当从所述非关系型数据库中读取所述关键字模板时,需要进行远程通信,消耗大量的网络资源,因此,面对高并发场景,需要处理较高的数据量,并频繁访问所述非关系型数据库,不可避免的会面临资源耗尽、系统死机的问题。
针对上述问题,本实施例优先从所述本地缓存中读取所述关键字模板,无需跨网络通信,读取关键字模板的速度将是指数性的提升,且不会对系统产生影响。
进一步地,在所述从本地缓存中读取关键字模板时,所述方法还包括:
当所述本地缓存重启时,从所述非关系型数据库中读取所述关键字模板,并利用所述关键字模板对所述二级Kafka中的所述异常日志进行异常等级划分;
将所述关键字模板同步至所述本地缓存;
在预先配置的空闲时段,将所述非关系型数据库中存储的所有模板增量同步至所述本地缓存。
其中,所述空闲时段可以通过数据的监测情况进行配置。
例如:当检测到每天3点-4点时,数据流量最低,几乎没有数据交互,则确定每天3点-4点为所述空闲时段。
可以理解的是,当所述本地缓存重启时,所述本地缓存中原来存储的数据将全部失效,为了避免在这种情况下无法正常读取关键字模板,本实施例从所述非关系型数据库中读取数据,避免影响对异常日志的写入。
并且,在从所述非关系型数据库中读取所述关键字模板的同时,将当前读取到的所述关键字模板同步至所述本地缓存中,以便后续正常使用所述本地缓存进行所述关键字模板的读取。
进一步地,在空闲时段将所述非关系型数据库中的模板数据都同步到所述本地缓存中,在不影响系统正常运行的同时,进一步扩大所述本地缓存中对关键字的覆盖面,使所述本地缓存中的数据更加全面。
需要说明的是,关键字虽然多达上万条,但是需要的存储空间并不大,所述本地缓存可以满足需求,不需要进行额外处理。
进一步地,所述方法还包括:
当所述本地缓存及所述非关系型数据库都失效时,调用关系型数据库,其中,所述关系型数据库中存储着所有关键字;
从所述关系型数据库中抓取所述关键字模板;
将所述关键字模板同步至所述本地缓存及所述非关系型数据库;
在同步完成后,在所述非关系型数据库中为所述关键字模板配置预设标记,其中,所述预设标记表示已从所述关系型数据库中抓取过。
其中,所述关系型数据库可以为MySQL数据库,本发明不限制。
通过上述实施方式,能够在所述本地缓存及所述非关系型数据库同时失效时,利用所述关系型数据库中存储的关键字进行补救,防止多次无效抓取。
需要说明的是,所述关系型数据库的读写速度较慢,但适合于存放持久化数据;所述非关系型数据库的读写速度较快,但数据保存的时间有效。而所述非关系数据库的数据读取需要跨网络通信,资源消耗较高,频繁访问容易出错;所述本地缓存无需跨网络通信,但是一旦重启,数据会失效。
因此,本实施例综合所述本地缓存、所述非关系型数据库及所述关系型数据库的特点,优先采用所述本地缓存进行所述关键字模板的读取,并利用所述非关系型数据库作为备用,进一步利用所述关系型数据库作为进一步支撑,不仅保证了关键字读取的速度,同时保证了数据读取的稳定性。
更进一步地,所述方法还包括:
在从所述关系型数据库中抓取任意关键字模板时,根据所述预设标记确定所述非关系型数据库中是否存储有所述任意关键字模板;
当所述非关系型数据库中存储有所述任意关键字模板时,停止从所述关系型数据库中抓取所述任意关键字模板。
通过上述实施方式,通过对已抓取的模板进行标记,能够避免对模板的重复获取,降低了数据的冗余,同时提高了数据抓取的效率。
在本发明的至少一个实施例中,所述利用所述关键字模板对所述二级Kafka中的所述异常日志进行异常等级划分包括:
获取所述异常日志中每条日志的字段;
利用每条日志的字段在所述关键字模板所包括的关键字中进行查询,得到每条日志的关键字;
从所述关键字模板中获取关键字与异常等级的对应关系;
根据获取的关键字与异常等级的对应关系确定每条日志的关键字对应的异常等级;
将每条日志的关键字对应的异常等级确定为每条日志的异常等级。
通过上述实施方式,能够根据关键字对异常日志的异常等级进行划分,便于后续针对不同的异常等级进行有针对性的处理。
S14,将具有预设异常等级的所述异常日志确定为目标日志,并将所述目标日志写入所述三级Kafka。
例如:当仅需要对“fatal”级别的异常日志进行告警时,可以将所述预设等级配置为“fatal”,这样,能够根据实际需求对非“fatal”级别的异常日志的预警信息进行短暂或者永久性隔离。
通过上述实施方式,能够对具有预设等级的异常日志进行更加针对性的处理。
S15,响应于对所述目标日志的消费请求,从所述三级Kafka中读取所述目标日志至配置数据库。
其中,所述消费请求也可以由相关工作人员触发,如测试人员、运维人员等。
其中,所述配置数据库可以为clickhouse数据库,本发明不限制。
本实施例结合Kafka系统的多级结构,以及本地缓存,实现了对异常日志高效且稳定的写入。
需要说明的是,为了进一步提高数据的安全性,避免数据被恶意篡改,所述目标日志可存储于区块链节点中。
由以上技术方案可以看出,本发明能够获取目标系统,及与所述目标系统相通信的Kafka系统,其中,所述Kafka系统包括一级Kafka、二级Kafka及三级Kafka,通过多级结构,能够实现对任务的流式处理,有效降低了单个节点的压力,达到削峰的效果,提高了系统的运行性能,将所述目标系统产生的日志实时写入所述一级Kafka,响应于异常日志写入指令,从所述一级Kafka存储的日志中筛选出异常日志,并将所述异常日志写入所述二级Kafka,从本地缓存中读取关键字模板,并利用所述关键字模板对所述二级Kafka中的所述异常日志进行异常等级划分,优先从所述本地缓存中读取所述关键字模板,无需跨网络通信,读取关键字模板的速度将是指数性的提升,且不会对系统产生影响,根据关键字对异常日志的异常等级进行划分,也便于后续针对不同的异常等级进行有针对性的处理,将具有预设异常等级的所述异常日志确定为目标日志,并将所述目标日志写入所述三级Kafka,响应于对所述目标日志的消费请求,从所述三级Kafka中读取所述目标日志至配置数据库,进而结合Kafka系统的多级结构,以及本地缓存,实现了对异常日志高效且稳定的写入。
如图2所示,是本发明异常日志写入装置的较佳实施例的功能模块图。所述异常日志写入装置11包括获取单元110、写入单元111、筛选单元112、读取单元113。本发明所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
获取单元110获取目标系统,及与所述目标系统相通信的Kafka系统,其中,所述Kafka系统包括一级Kafka、二级Kafka及三级Kafka。
在本实施例中,所述目标系统可以包括任意业务系统,本发明不限制。
在本实施例中,所述Kafka系统是一种消息队列中间件。
本实施例进一步将所述Kafka系统配置为所述一级Kafka、所述二级Kafka及所述三级Kafka,通过多级结构,能够实现对任务的流式处理,延长日志处理线,使各个节点只做一件事,有效降低了单个节点的压力,达到削峰的效果,提高了系统的运行性能。并且,Kafka系统本身也具有较高的吞吐量(每秒可以生产约25万条消息,并处理55万条消息),且具有能够进行持久化数据存储的特点,分布式结构也易于扩展。
写入单元111将所述目标系统产生的日志实时写入所述一级Kafka。
在本实施例中,所述一级Kafka用于存储所述目标系统产生的全量日志,以供后续消费使用。
如:系统日志、应用程序日志、安全日志等。
响应于异常日志写入指令,筛选单元112从所述一级Kafka存储的日志中筛选出异常日志,并将所述异常日志写入所述二级Kafka。
在本实施例中,所述异常日志写入指令可以由相关工作人员触发,如系统测试人员、开发人员等。
在本发明的至少一个实施例中,所述筛选单元112从所述一级Kafka存储的日志中筛选出异常日志包括:
从所述一级Kafka存储的日志中获取带有预设格式及/或预设字段的日志;
将获取到的日志确定为所述异常日志。
其中,所述预设格式及所述预设字段可以根据开发过程中的用例进行配置。如将带有Exception的日志确定为所述异常日志。
读取单元113从本地缓存中读取关键字模板,并利用所述关键字模板对所述二级Kafka中的所述异常日志进行异常等级划分。
在本实施例中,所述关键字模板中存储着多个关键字,以及每个关键字与异常等级的对应关系。
例如:当关键字为Destination unreachable,OutOfMemoryError,Could notcreate pool connection,non-existent Pool,NoClassDefFoundError,could notestablish the connection,Could not open connection with host,Could not createpool connection等时,可以确定异常等级为“fatal”,否则为“normal”。
其中,“fatal”表示较高的异常等级,“normal”表示普通的异常等级。
在本发明的至少一个实施例中,在所述从本地缓存中读取关键字模板前,获取关键字,并根据所述关键字建立所述关键字模板;
将所述关键字模板同步存储至所述本地缓存及非关系型数据库中。
其中,所述非关系型数据库可以为Redis数据库,本发明不限制。
所述非关系型数据库用于对所述本地缓存进行辅助及备用,以便在所述本地缓存失效时代替所述本地缓存提供所述关键字模板。
可以理解的是,当从所述非关系型数据库中读取所述关键字模板时,需要进行远程通信,消耗大量的网络资源,因此,面对高并发场景,需要处理较高的数据量,并频繁访问所述非关系型数据库,不可避免的会面临资源耗尽、系统死机的问题。
针对上述问题,本实施例优先从所述本地缓存中读取所述关键字模板,无需跨网络通信,读取关键字模板的速度将是指数性的提升,且不会对系统产生影响。
进一步地,在所述从本地缓存中读取关键字模板时,当所述本地缓存重启时,从所述非关系型数据库中读取所述关键字模板,并利用所述关键字模板对所述二级Kafka中的所述异常日志进行异常等级划分;
将所述关键字模板同步至所述本地缓存;
在预先配置的空闲时段,将所述非关系型数据库中存储的所有模板增量同步至所述本地缓存。
其中,所述空闲时段可以通过数据的监测情况进行配置。
例如:当检测到每天3点-4点时,数据流量最低,几乎没有数据交互,则确定每天3点-4点为所述空闲时段。
可以理解的是,当所述本地缓存重启时,所述本地缓存中原来存储的数据将全部失效,为了避免在这种情况下无法正常读取关键字模板,本实施例从所述非关系型数据库中读取数据,避免影响对异常日志的写入。
并且,在从所述非关系型数据库中读取所述关键字模板的同时,将当前读取到的所述关键字模板同步至所述本地缓存中,以便后续正常使用所述本地缓存进行所述关键字模板的读取。
进一步地,在空闲时段将所述非关系型数据库中的模板数据都同步到所述本地缓存中,在不影响系统正常运行的同时,进一步扩大所述本地缓存中对关键字的覆盖面,使所述本地缓存中的数据更加全面。
需要说明的是,关键字虽然多达上万条,但是需要的存储空间并不大,所述本地缓存可以满足需求,不需要进行额外处理。
进一步地,当所述本地缓存及所述非关系型数据库都失效时,调用关系型数据库,其中,所述关系型数据库中存储着所有关键字;
从所述关系型数据库中抓取所述关键字模板;
将所述关键字模板同步至所述本地缓存及所述非关系型数据库;
在同步完成后,在所述非关系型数据库中为所述关键字模板配置预设标记,其中,所述预设标记表示已从所述关系型数据库中抓取过。
其中,所述关系型数据库可以为MySQL数据库,本发明不限制。
通过上述实施方式,能够在所述本地缓存及所述非关系型数据库同时失效时,利用所述关系型数据库中存储的关键字进行补救,防止多次无效抓取。
需要说明的是,所述关系型数据库的读写速度较慢,但适合于存放持久化数据;所述非关系型数据库的读写速度较快,但数据保存的时间有效。而所述非关系数据库的数据读取需要跨网络通信,资源消耗较高,频繁访问容易出错;所述本地缓存无需跨网络通信,但是一旦重启,数据会失效。
因此,本实施例综合所述本地缓存、所述非关系型数据库及所述关系型数据库的特点,优先采用所述本地缓存进行所述关键字模板的读取,并利用所述非关系型数据库作为备用,进一步利用所述关系型数据库作为进一步支撑,不仅保证了关键字读取的速度,同时保证了数据读取的稳定性。
更进一步地,在从所述关系型数据库中抓取任意关键字模板时,根据所述预设标记确定所述非关系型数据库中是否存储有所述任意关键字模板;
当所述非关系型数据库中存储有所述任意关键字模板时,停止从所述关系型数据库中抓取所述任意关键字模板。
通过上述实施方式,通过对已抓取的模板进行标记,能够避免对模板的重复获取,降低了数据的冗余,同时提高了数据抓取的效率。
在本发明的至少一个实施例中,所述读取单元113利用所述关键字模板对所述二级Kafka中的所述异常日志进行异常等级划分包括:
获取所述异常日志中每条日志的字段;
利用每条日志的字段在所述关键字模板所包括的关键字中进行查询,得到每条日志的关键字;
从所述关键字模板中获取关键字与异常等级的对应关系;
根据获取的关键字与异常等级的对应关系确定每条日志的关键字对应的异常等级;
将每条日志的关键字对应的异常等级确定为每条日志的异常等级。
通过上述实施方式,能够根据关键字对异常日志的异常等级进行划分,便于后续针对不同的异常等级进行有针对性的处理。
所述写入单元111将具有预设异常等级的所述异常日志确定为目标日志,并将所述目标日志写入所述三级Kafka。
例如:当仅需要对“fatal”级别的异常日志进行告警时,可以将所述预设等级配置为“fatal”,这样,能够根据实际需求对非“fatal”级别的异常日志的预警信息进行短暂或者永久性隔离。
通过上述实施方式,能够对具有预设等级的异常日志进行更加针对性的处理。
响应于对所述目标日志的消费请求,所述读取单元113从所述三级Kafka中读取所述目标日志至配置数据库。
其中,所述消费请求也可以由相关工作人员触发,如测试人员、运维人员等。
其中,所述配置数据库可以为clickhouse数据库,本发明不限制。
本实施例结合Kafka系统的多级结构,以及本地缓存,实现了对异常日志高效且稳定的写入。
需要说明的是,为了进一步提高数据的安全性,避免数据被恶意篡改,所述目标日志可存储于区块链节点中。
由以上技术方案可以看出,本发明能够获取目标系统,及与所述目标系统相通信的Kafka系统,其中,所述Kafka系统包括一级Kafka、二级Kafka及三级Kafka,通过多级结构,能够实现对任务的流式处理,有效降低了单个节点的压力,达到削峰的效果,提高了系统的运行性能,将所述目标系统产生的日志实时写入所述一级Kafka,响应于异常日志写入指令,从所述一级Kafka存储的日志中筛选出异常日志,并将所述异常日志写入所述二级Kafka,从本地缓存中读取关键字模板,并利用所述关键字模板对所述二级Kafka中的所述异常日志进行异常等级划分,优先从所述本地缓存中读取所述关键字模板,无需跨网络通信,读取关键字模板的速度将是指数性的提升,且不会对系统产生影响,根据关键字对异常日志的异常等级进行划分,也便于后续针对不同的异常等级进行有针对性的处理,将具有预设异常等级的所述异常日志确定为目标日志,并将所述目标日志写入所述三级Kafka,响应于对所述目标日志的消费请求,从所述三级Kafka中读取所述目标日志至配置数据库,进而结合Kafka系统的多级结构,以及本地缓存,实现了对异常日志高效且稳定的写入。
如图3所示,是本发明实现异常日志写入方法的较佳实施例的计算机设备的结构示意图。
所述计算机设备1可以包括存储器12、处理器13和总线,还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如异常日志写入程序。
本领域技术人员可以理解,所述示意图仅仅是计算机设备1的示例,并不构成对计算机设备1的限定,所述计算机设备1既可以是总线型结构,也可以是星形结构,所述计算机设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置,例如所述计算机设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是,所述计算机设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是计算机设备1的内部存储单元,例如该计算机设备1的移动硬盘。存储器12在另一些实施例中也可以是计算机设备1的外部存储设备,例如计算机设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器12还可以既包括计算机设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于计算机设备1的应用软件及各类数据,例如异常日志写入程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述计算机设备1的控制核心(Control Unit),利用各种接口和线路连接整个计算机设备1的各个部件,通过运行或执行存储在所述存储器12内的程序或者模块(例如执行异常日志写入程序等),以及调用存储在所述存储器12内的数据,以执行计算机设备1的各种功能和处理数据。
所述处理器13执行所述计算机设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个异常日志写入方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机程序在所述计算机设备1中的执行过程。例如,所述计算机程序可以被分割成获取单元110、写入单元111、筛选单元112、读取单元113。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述异常日志写入方法的部分。
所述计算机设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指示相关的硬件设备来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器等。
进一步地,计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图3中仅用一根直线表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出,所述计算机设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器13逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述计算机设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该计算机设备1与其他计算机设备之间建立通信连接。
可选地,该计算机设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在计算机设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的计算机设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对所述计算机设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,所述计算机设备1中的所述存储器12存储多个指令以实现一种异常日志写入方法,所述处理器13可执行所述多个指令从而实现:
获取目标系统,及与所述目标系统相通信的Kafka系统,其中,所述Kafka系统包括一级Kafka、二级Kafka及三级Kafka;
将所述目标系统产生的日志实时写入所述一级Kafka;
响应于异常日志写入指令,从所述一级Kafka存储的日志中筛选出异常日志,并将所述异常日志写入所述二级Kafka;
从本地缓存中读取关键字模板,并利用所述关键字模板对所述二级Kafka中的所述异常日志进行异常等级划分;
将具有预设异常等级的所述异常日志确定为目标日志,并将所述目标日志写入所述三级Kafka;
响应于对所述目标日志的消费请求,从所述三级Kafka中读取所述目标日志至配置数据库。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
本发明可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种异常日志写入方法,其特征在于,所述异常日志写入方法包括:
获取目标系统,及与所述目标系统相通信的Kafka系统,其中,所述Kafka系统包括一级Kafka、二级Kafka及三级Kafka;
将所述目标系统产生的日志实时写入所述一级Kafka;
响应于异常日志写入指令,从所述一级Kafka存储的日志中筛选出异常日志,并将所述异常日志写入所述二级Kafka;
从本地缓存中读取关键字模板,并利用所述关键字模板对所述二级Kafka中的所述异常日志进行异常等级划分;
将具有预设异常等级的所述异常日志确定为目标日志,并将所述目标日志写入所述三级Kafka;
响应于对所述目标日志的消费请求,从所述三级Kafka中读取所述目标日志至配置数据库。
2.如权利要求1所述的异常日志写入方法,其特征在于,所述从所述一级Kafka存储的日志中筛选出异常日志包括:
从所述一级Kafka存储的日志中获取带有预设格式及/或预设字段的日志;
将获取到的日志确定为所述异常日志。
3.如权利要求1所述的异常日志写入方法,其特征在于,在所述从本地缓存中读取关键字模板前,所述方法还包括:
获取关键字,并根据所述关键字建立所述关键字模板;
将所述关键字模板同步存储至所述本地缓存及非关系型数据库中。
4.如权利要求3所述的异常日志写入方法,其特征在于,在所述从本地缓存中读取关键字模板时,所述方法还包括:
当所述本地缓存重启时,从所述非关系型数据库中读取所述关键字模板,并利用所述关键字模板对所述二级Kafka中的所述异常日志进行异常等级划分;
将所述关键字模板同步至所述本地缓存;
在预先配置的空闲时段,将所述非关系型数据库中存储的所有模板增量同步至所述本地缓存。
5.如权利要求3所述的异常日志写入方法,其特征在于,所述方法还包括:
当所述本地缓存及所述非关系型数据库都失效时,调用关系型数据库,其中,所述关系型数据库中存储着所有关键字;
从所述关系型数据库中抓取所述关键字模板;
将所述关键字模板同步至所述本地缓存及所述非关系型数据库;
在同步完成后,在所述非关系型数据库中为所述关键字模板配置预设标记,其中,所述预设标记表示已从所述关系型数据库中抓取过。
6.如权利要求5所述的异常日志写入方法,其特征在于,所述方法还包括:
在从所述关系型数据库中抓取任意关键字模板时,根据所述预设标记确定所述非关系型数据库中是否存储有所述任意关键字模板;
当所述非关系型数据库中存储有所述任意关键字模板时,停止从所述关系型数据库中抓取所述任意关键字模板。
7.如权利要求1所述的异常日志写入方法,其特征在于,所述利用所述关键字模板对所述二级Kafka中的所述异常日志进行异常等级划分包括:
获取所述异常日志中每条日志的字段;
利用每条日志的字段在所述关键字模板所包括的关键字中进行查询,得到每条日志的关键字;
从所述关键字模板中获取关键字与异常等级的对应关系;
根据获取的关键字与异常等级的对应关系确定每条日志的关键字对应的异常等级;
将每条日志的关键字对应的异常等级确定为每条日志的异常等级。
8.一种异常日志写入装置,其特征在于,所述异常日志写入装置包括:
获取单元,用于获取目标系统,及与所述目标系统相通信的Kafka系统,其中,所述Kafka系统包括一级Kafka、二级Kafka及三级Kafka;
写入单元,用于将所述目标系统产生的日志实时写入所述一级Kafka;
筛选单元,用于响应于异常日志写入指令,从所述一级Kafka存储的日志中筛选出异常日志,并将所述异常日志写入所述二级Kafka;
读取单元,用于从本地缓存中读取关键字模板,并利用所述关键字模板对所述二级Kafka中的所述异常日志进行异常等级划分;
所述写入单元,还用于将具有预设异常等级的所述异常日志确定为目标日志,并将所述目标日志写入所述三级Kafka;
所述读取单元,还用于响应于对所述目标日志的消费请求,从所述三级Kafka中读取所述目标日志至配置数据库。
9.一种计算机设备,其特征在于,所述计算机设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的异常日志写入方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被计算机设备中的处理器执行以实现如权利要求1至7中任意一项所述的异常日志写入方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111439444.1A CN114116427A (zh) | 2021-11-30 | 2021-11-30 | 异常日志写入方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111439444.1A CN114116427A (zh) | 2021-11-30 | 2021-11-30 | 异常日志写入方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114116427A true CN114116427A (zh) | 2022-03-01 |
Family
ID=80368397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111439444.1A Pending CN114116427A (zh) | 2021-11-30 | 2021-11-30 | 异常日志写入方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114116427A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080195670A1 (en) * | 2007-02-12 | 2008-08-14 | Boydstun Louis L | System and method for log management |
CN109460339A (zh) * | 2018-10-16 | 2019-03-12 | 北京趣拿软件科技有限公司 | 日志的流式计算系统 |
CN111796983A (zh) * | 2020-06-23 | 2020-10-20 | 中体彩科技发展有限公司 | 一种体彩异常交易请求的监控系统及方法 |
CN113485901A (zh) * | 2021-07-06 | 2021-10-08 | 中国工商银行股份有限公司 | 基于日志和指标的系统评价方法、装置、设备和介质 |
-
2021
- 2021-11-30 CN CN202111439444.1A patent/CN114116427A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080195670A1 (en) * | 2007-02-12 | 2008-08-14 | Boydstun Louis L | System and method for log management |
CN109460339A (zh) * | 2018-10-16 | 2019-03-12 | 北京趣拿软件科技有限公司 | 日志的流式计算系统 |
CN111796983A (zh) * | 2020-06-23 | 2020-10-20 | 中体彩科技发展有限公司 | 一种体彩异常交易请求的监控系统及方法 |
CN113485901A (zh) * | 2021-07-06 | 2021-10-08 | 中国工商银行股份有限公司 | 基于日志和指标的系统评价方法、装置、设备和介质 |
Non-Patent Citations (1)
Title |
---|
FREESOCEAN: "Kafka的三层消息架构", Retrieved from the Internet <URL:https://blog.csdn.net/gexiaoyizhimei/article/details/104738602> * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950621A (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
CN115118738B (zh) | 基于rdma的灾备方法、装置、设备及介质 | |
CN115617403A (zh) | 基于任务切分的清算任务执行方法、装置、设备及介质 | |
CN114675976B (zh) | 基于kubernetes的GPU共享方法、装置、设备及介质 | |
CN114691050B (zh) | 基于kubernetes的云原生存储方法、装置、设备及介质 | |
CN113051171A (zh) | 接口测试方法、装置、设备及存储介质 | |
CN113282854A (zh) | 数据请求响应方法、装置、电子设备及存储介质 | |
CN111985545A (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
CN115964307A (zh) | 交易数据自动化测试方法、装置、设备及介质 | |
CN114185776A (zh) | 应用程序的大数据埋点方法、装置、设备及介质 | |
CN113434542A (zh) | 数据关系识别方法、装置、电子设备及存储介质 | |
CN114860349B (zh) | 数据加载方法、装置、设备及介质 | |
CN113687834B (zh) | 分布式系统节点部署方法、装置、设备及介质 | |
CN114816371B (zh) | 消息处理方法、装置、设备及介质 | |
CN114116427A (zh) | 异常日志写入方法、装置、设备及介质 | |
CN115314570A (zh) | 基于协议开发框架的数据下发方法、装置、设备及介质 | |
CN115086047A (zh) | 接口鉴权方法、装置、电子设备及存储介质 | |
CN114911479A (zh) | 基于配置化的界面生成方法、装置、设备及存储介质 | |
CN114510400A (zh) | 任务执行方法、装置、电子设备及存储介质 | |
CN114385453A (zh) | 数据库集群异常处理方法、装置、设备及介质 | |
CN114598731A (zh) | 集群日志采集方法、装置、设备及存储介质 | |
CN113419718A (zh) | 数据报送方法、装置、设备及介质 | |
CN114124835A (zh) | 基于接口的数据传输方法、装置、设备及介质 | |
CN114706715B (zh) | 一种基于bmc的分布式raid的控制方法、装置、设备及介质 | |
CN115543214B (zh) | 低时延场景下的数据存储方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |