日志服务汇总数据指南

背景

日志服务 SLS通过丰富灵活的方式将多种类型（日志、指标）的数据接入到服务中，并随着时间不断沉淀；之后，用户就可以通过SLS强大的查询分析能力对多个维度的数据进行搜索、分析。虽然历史数据同样有较高的查询分析价值，但是大量历史数据的存储成本也不能忽视。因而SLS的用户一般会给数据设置一个固定的保留日期，定期清理历史数据，减轻成本压力。为了解决这一问题，SLS近期推出了新功能ScheduledSQL，让用户定时保存SLS中的汇总数据，既保存了历史数据供以后查询分析，同时又减轻了存储的成本压力。

汇总数据

日志、指标类的数据都会随着时间的推移不断累积。例如一个系统每秒产生1000条日志，日志的平均大小为500byte，一小时就会有1.8GB的日志，一年就会产生15T的数据。虽然数据使用方希望能够尽可能多的保存这15T数据以供查询分析使用，但是这些历史数据在提供分析价值的同时，也造成了较高的成本压力。定期删除历史数据虽然能够解决成本问题，但同时也给数据使用方带来了不便。

数据价值的时间梯度

从使用频率、数据权重等维度不难看出，数据的价值是随着时间不断降低的。例如用户页面查看日志，需要查看最近七天单个用户每天的特定页面的访问数，最近一月单个用户每天的访问数，最近一年单个用户每月的访问数。假设有2万用户，20可供用户访问的页面：

可以看到在上述场景下，随着时间推移，数据具有极高的可压缩比率。相对于直接删除历史数据，可以通过保存汇总数据来降低存储成本。这样即能够查询分析历史数据，又不必花费极高的存储成本。

汇总数据结构

在生成汇总数据的时候，首先需要评估数据的使用场景。不同场景、不同类型的数据的使用方式千差万别，其评估方式也不尽相同。下面介绍下不同类型数据的评估方式。

数值型数据

指标数据是典型的数值型数据，一条典型的指标日志如下所示：

{
    "bucket_location": "oss-cn-*****-h",
    "bucket": "buc*****65",
    "object": "245-***************.model",
    "operation": "PostObject",
    "time": "23/Jun/2021:10:23:50",
    "object_size": "3188",
    "__time__": 1624443830,
    "key": "data-***************.txt",
    "content_length_out": "22583527",
    "content_length_in": "46803694",
    "http_status": "200",
    "response_time": "7339",
    "__tag__:__receive_time__": "1624443838"
}

这条日志的字段可以分为时间，数值字段，分组字段三类，例如：

数值字段即为具体的指标值，维度和时间字段一般用作分组值，在计算指标的聚合值时作为分组依据。例如，如果要计算OSS每个bucket每小时写入的数据量，则需要使用维度字段operation和bucket，时间字段__time__，数值字段content_length_out：

operation: PostObject | select bucket, date_trunc("hour", __time__) as tm, sum(content_length_in) as total from log group by bucket, tm

如果使汇总数据支持上述场景，需要在汇总数据中保存分组字段operation和bucket，精确到小时级别的__time__字段，以及content_length_in的聚合值。所以可以通过如下sql语句计算汇总数据，支持上述场景：

operation: PostObject | select bucket, operation, date_trunc("hour", __time__) as tm, sum(content_length_in) as size from log group by bucket, operation, tm

如果还需要汇总数据同时支持计算每小时单次写入数据量的平均值，则需要通过如下sql语句计算汇总数据：

operation: PostObject | select bucket, operation, date_trunc("hour", __time__) as tm, avg(content_length_in) as avg, count(1) as size from log group by bucket, operation, tm

得到如下所示的汇总数据：

基于得到的汇总数据，可以通过如下sql语句进行计算

1. 计算OSS每个bucket每小时写入的数据量

operation: PostObject | select bucket, tm, sum(avg * size) as total from log

2. 每小时单次写入数据量的平均值

operation: PostObject | select bucket, tm, avg from log

可以看出，随着场景的不同，计算汇总数据所需的sql语句也不尽相同。可以从以下几个方面评估如何计算汇总数据：

1. 选择分组字段。

2. 选择数值字段的聚合值：计数、求和、平均、最大、最小。

3. 选择时间粒度：分钟、小时、天。

采样历史数据

采样历史数据则较为简单，在历史数据中按照一定的规则挑选合适的数据存储即可。例如对于系统日志，可以选择存储日志级别为WARNING或者ERROR的数据进行存储，忽略INFO级别的日志。

汇总数据的限制

汇总数据本质上是对原始数据在更粗时间粒度的聚合，并且聚合分组、计算都是按照对汇总数据的预期使用方式来选择的。

1. 时间粒度

如果汇总数据的时间粒度是小时，则使用汇总数据进行数据分析只能够得到以小时为单位的聚合结果，无法得到更细粒度的数据。

2. 聚合函数

聚合函数只能够使用汇总数据中聚合值支持的。如果汇总结果中不包含最小值，则基于汇总结果进行聚合计算的时候，是无法精确得到最小值的。

3. 分组数据

由于汇总数据只保存了部分分组数据，在使用汇总数据进行数据分析时只能够使用保存的部分。

日志服务中的汇总数据

下面以OSS访问日志为例，说明如何基于SLS推出的ScheduledSQL功能，对历史数据进行汇总压缩，从而降低使用存储成本。

评估使用场景

一条完整的OSS访问日志如下：

{
    "__topic__": "oss_access_log",
    "bucket_location": "oss-cn-****-p",
    "bucket": "bucket****",
    "object": "245-************.model",
    "client_ip": "127.0.0.1",
    "operation": "PutObject",
    "logging_flag": "false",
    "time": "23/Jun/2021:13:07:30",
    "server_cost_time": "8636",
    "object_size": "7748",
    "vpc_addr": "127.0.0.1",
    "sync_request": "cdn",
    "__time__": 1624453650,
    "key": "data*****6958txt",
    "delta_data_size": "3938",
    "__source__": "127.0.0.1",
    "error_code": "network disconnected",
    "content_length_out": "79193322",
    "response_body_length": "717233083",
    "request_uri": "/request/path-2/file-9",
    "content_length_in": "1823770",
    "http_method": "GET",
    "http_status": "200",
    "request_length": "4099",
    "response_time": "398",
    "__tag__:__receive_time__": "1624453651",
    "owner_id": "ln***v2",
    "http_type": "https",
    "bucket_storage_type": "archive"
}

需要基于OSS访问数据构建如下的几类关键结果：

根据上面的使用场景，可以通过如下语句计算汇总数据：

operation: PostObject | select bucket, operation, http_status, date_trunc('hour', __time__) as tm, avg(content_length_out) as out_avg, avg(content_length_in) as in_avg, count(1) as size from log group by bucket, operation, http_status, tm

创建ScheduledSQL任务

执行查询语句

在SLS的控制台中执行上述查询语句，随后点击创建ScheduledSQL。

计算配置

此处填入合适的作业名称、以及目标库即可。此处需要注意开启目标库的索引。

调度配置

这里调度间隔和时间窗口都选择小时级别，点击确认即可。关于调度配置的详细信息，可以参考官方文档。

在任务执行成功之后，就可以在目标库中看到汇总数据。

汇总数据的使用

基于ScheduledSQL任务生成的汇总数据，可以为上述场景提供支撑。

总结

通过汇总数据支撑历史数据分析，能够较大的减轻存储成本上的压力。虽然同原始数据相比，其在使用场景以及灵活性方面都有所欠缺，但是如果能够提前做好规划，就能够很好的支撑大部分的使用场景。