Analiza logów

Monitoring and Troubleshooting AWS

John Q. Martin

Principal Consultant

Struktura zapytania Logs Insights

Struktura zapytania Logs Insights z poleceniami filter stats sort i limit połączonymi potokiem

Języki zapytań: to samo zapytanie na trzy sposoby

CloudWatch Logs Insights QL

fields @timestamp, @message, level
| filter level = "ERROR"
| filter @timestamp > ago(1h)
| sort @timestamp desc
| limit 20

OpenSearch PPL

source = `/aws/lambda/my-function`
| where level = 'ERROR' and @timestamp > ago(1h)
| fields @timestamp, @message, level
| sort - @timestamp
| head 20

Języki zapytań: OpenSearch SQL

OpenSearch SQL

SELECT `@timestamp`, `@message`, level
FROM `/aws/lambda/my-function`
WHERE level = 'ERROR'
  AND `@timestamp` > ago(1h)
ORDER BY `@timestamp` DESC
LIMIT 20

Standardowa składnia SELECT / FROM / WHERE
Obsługuje JOINy między grupami logów
Wybierz język, który pasuje twojemu zespołowi

Scenariusz 1: wykrywanie skoków błędów

fields @timestamp, @message, level
| filter level = "ERROR"
| stats count() as error_count by bin(5m)
| sort @timestamp desc

Rozszerzone: grupowanie według typu błędu

fields @timestamp, error_type, error_message
| filter level = "ERROR"
| stats count() as count by error_type, bin(5m)
| sort count desc

Scenariusz 2: wolne punkty końcowe API

fields @timestamp, endpoint, response_time, status_code
| filter response_time > 1000
| stats avg(response_time) as avg_time,
        max(response_time) as max_time,
        count() as slow_requests
        by endpoint
| sort avg_time desc

Drążenie danych

fields @timestamp, endpoint, response_time, user_id, request_id
| filter endpoint = "/api/users" and response_time > 1000
| sort response_time desc
| limit 20

Scenariusz 3: nieudane uwierzytelnianie

fields @timestamp, user_id, ip_address, action
| filter action = "login_failed"
| stats count() as failed_attempts by user_id, ip_address
| sort failed_attempts desc
| limit 50

Analiza czasowa

fields @timestamp, user_id, ip_address
| filter action = "login_failed"
| stats count() as attempts by ip_address, bin(1h)
| filter attempts > 10
| sort attempts desc

Scenariusze 4 i 5: przekroczenia limitu czasu i wycieki pamięci

Przekroczenia limitu czasu bazy danych

fields @timestamp, @message
| filter @message like /database/ and @message like /timeout|error|failed/
| parse @message "timeout after * seconds" as timeout_duration
| stats count() as timeout_count,
        avg(timeout_duration) as avg_timeout
        by bin(5m)

Wykrywanie wycieków pamięci

fields @timestamp, memory_used_mb, heap_size_mb
| stats avg(memory_used_mb) as avg_memory,
        max(memory_used_mb) as max_memory
        by bin(1h)
| sort @timestamp asc

Scenariusz 6: śledzenie żądań

fields @timestamp, @message, request_id, service, action
| filter request_id = "abc123def456"
| sort @timestamp asc

Śledzenie w wielu usługach

fields @timestamp, service, action, duration_ms, status
| filter request_id = "abc123def456"
| sort @timestamp asc
| display @timestamp, service, action, duration_ms, status

Techniki zaawansowane: parse i wyrażenia regularne

Parsowanie nieustrukturyzowanych logów

fields @timestamp, @message
| parse @message "[*] User * failed to access resource * from IP *"
    as level, user, resource, ip

Parsowanie wyrażeniami regularnymi

| parse @message /Request completed in (?<duration>\d+)ms with status (?<status>\d+)/

Techniki zaawansowane: pola obliczane

fields @timestamp, requests, errors
| fields error_rate = (errors / requests) * 100

fields @timestamp, status_code
| fields status_category =
    case(status_code < 300, "success",
         status_code < 500, "client_error",
         status_code >= 500, "server_error")
| stats count() as request_count by status_category

Optymalizacja zapytań

Cztery zasady optymalizacji zapytań: ustaw zakres czasu, filtruj przed agregacją, ogranicz wyniki i preferuj agregacje

Wykrywanie anomalii i korelacja

Statystyczne wykrywanie anomalii

Wyznacz punkt odniesienia: średnia i odchylenie standardowe z 7 dni
Porównaj bieżący okres z punktem odniesienia
Oznacz wartości > 2 odchyleń standardowych jako anomalie

Korelacja współczynnika błędów

fields @timestamp, level
| stats count() as total_requests,
        sum(case(level = "ERROR", 1, 0)) as errors
        by bin(5m)
| fields error_rate = (errors / total_requests) * 100

Podsumowanie

CloudWatch Logs Insights: interaktywna usługa zapytań bez potrzeby zarządzania infrastrukturą
Trzy języki zapytań: Logs Insights QL, OpenSearch PPL, OpenSearch SQL
Sześć scenariuszy diagnostycznych: skoki błędów, wolne punkty końcowe, nieudane uwierzytelnianie, przekroczenia limitu czasu bazy danych, wycieki pamięci, śledzenie żądań
Techniki zaawansowane: parse dla tekstu nieustrukturyzowanego, bin() dla szeregów czasowych, pct() dla percentyli
Korelacja i wykrywanie anomalii: analiza współczynnika błędów, porównanie ze statystycznym punktem odniesienia
Od analizy do automatyzacji: filtry metryk i alarmy zamykają pętlę

Czas na praktykę!

Monitoring and Troubleshooting AWS