这篇文章给大家介绍FLINK中如何使用进行网站监控报警和报警恢复,内容非常详细,感兴趣的小伙伴们可以参考借鉴,希望对大家能有所帮助。
成都创新互联公司2013年至今,先为柘荣等服务建站,柘荣等地企业,进行企业商务咨询服务。为柘荣企业网站制作PC+手机+微官网三网同步一站式服务解决您的所有建站问题。
flink CEP 简介
flink CEP(Complex event processing),是在Flink之上实现的复杂事件处理库,可以允许我们在不断的流式数据中通过我们自己定义的模式(Pattern)检测和获取出我们想要的数据,然后对这些数据进行下一步的处理。通过各种pattern的组合,我们可以定义出非常复杂的模式来匹配我们的数据。
网上讲CEP原理和用法的文章很多,大家可以参考下 https://juejin.im/post/5de1f32af265da05cc3190f9#heading-9
简单来说一下,其实我们可以把使用flink cep当做我们平时用的正则表达式,cep中的Pattern就是我们定义的正则表达式,flink中的DataStream就是正则表达式中待匹配的字符串,flink 通过DataStream 和 自定义的Pattern进行匹配,生成一个经过过滤之后的DataStream .
基于自定义的pattern,我们可以做很多工作,比如监控报警、风控、反爬等等,接下来我们基于一个简单的报警小例子来讲解一些FLINK cep的实际应用。
案例详解
我们基于flink CEP做一个简单的报警,首先我们简化一下报警的需求
1.统计出来每秒钟http状态码为非200的数量所占比例。大于0.7的时候触发报警。
2.统计结果连续发生三大于阈值(0.7,这个数字是我自己写的,为了测试用,真实环境需要根据实际经验来设置)发送报警通知。
3.统计结果小于等于阈值触发报警恢复通知。
实际应用中我们一般会去消费kafka的数据来作为source、这里我们为了简化,通过自定义source生成一些模拟的数据。
public static class MySource implements SourceFunction>{
static int status[] = {200, 404, 500, 501, 301};
@Override
public void run(SourceContext> sourceContext) throws Exception{
while (true){
Thread.sleep((int) (Math.random() * 100));
// traceid,timestamp,status,response time
Tuple4 log = Tuple4.of(
UUID.randomUUID().toString(),
System.currentTimeMillis(),
status[(int) (Math.random() * 4)],
(int) (Math.random() * 100));
sourceContext.collect(log);
}
}
@Override
public void cancel(){
}
}
接下来我们定义一个sql,用来计算我们的需求中的第一个要求。
String sql = "select pv,errorcount,round(CAST(errorcount AS DOUBLE)/pv,2) as errorRate," +
"(starttime + interval '8' hour ) as stime," +
"(endtime + interval '8' hour ) as etime " +
"from (select count(*) as pv," +
"sum(case when status = 200 then 0 else 1 end) as errorcount, " +
"TUMBLE_START(proctime,INTERVAL '1' SECOND) as starttime," +
"TUMBLE_END(proctime,INTERVAL '1' SECOND) as endtime " +
"from log group by TUMBLE(proctime,INTERVAL '1' SECOND) )";
通过执行sql,我们获取到了一个Result对象的DataStream
Table table = tenv.sqlQuery(sql);
DataStream ds1 = tenv.toAppendStream(table, Result.class);
接下来我们到了最核心的地方,我们需要定一个Pattern。
Pattern pattern = Pattern.begin("alert").where(new IterativeCondition(){
@Override
public boolean filter(
Result i, Context context) throws Exception{
return i.getErrorRate() > 0.7D;
}
}).times(3).consecutive().followedBy("recovery").where(new IterativeCondition(){
@Override
public boolean filter(
Result i,
Context context) throws Exception{
return i.getErrorRate() <= 0.7D;
}
}).optional();
来详细解释一下这个Pattern
首先定义一个名为alert的Pattern,该Pattern的作用就是过滤出错误率大于0.7的数据, times(3) ,表示要匹配三次,也就是要三次大于0.7. consecutive 表示上述的三次匹配要是连续的,比如0.75、0.8、0.78,只有类似这样的数据才能被匹配到,中间不能有不符合的数据出现。 followedBy表示该alert pattern的下面要跟着一个recovery pattern,而followedBy是宽松匹配,也就是两个模式之间可以有其他的数据,如果要采用严格匹配,是使用next. 最后recovery pattern加上一个optional 是我为了区分报警,和报警恢复想的的一个方案,这样的话,如果是只匹配到了alert pattern,输出的就是报警,如果recovery pattern也匹配到了,那么就是报警恢复。
在我们获得了相应的报警和恢复之后,接下来就是调用报警接口进行处理了,我们这只是简单的打印出来信息。
DataStream
关于FLINK中如何使用进行网站监控报警和报警恢复就分享到这里了,希望以上内容可以对大家有一定的帮助,可以学到更多知识。如果觉得文章不错,可以把它分享出去让更多的人看到。
文章标题:FLINK中如何使用进行网站监控报警和报警恢复
网站链接:http://scyingshan.cn/article/gghcio.html