王绍宏
87fee6fe69
- 新增 start-lag-ms 配置，默认15分钟内全量保留 - 在15分钟至1小时之间按10级逐步降低保留率 - 延迟达到1小时后使用普通10%、非标20%的最低保留率 - 校验起始延迟必须小于最低保留率阈值 - 状态接口新增 start_lag_ms 配置展示 - 将采样策略版本升级为 v2 - 更新 Docker Compose 和 v4 升级配置说明 - 补充采样时间边界及非法配置单元测试
125 lines
5.1 KiB
Markdown
125 lines
5.1 KiB
Markdown
# v4 积压分级采样与告警优先升级说明
|
||
|
||
## 升级范围
|
||
|
||
v4 只升级 `syslog-consumer-rule` 和达梦数据库，不修改 `syslog-serve`，也不新增 Kafka Topic。
|
||
|
||
本次升级包含：
|
||
|
||
- 根据消息 `receive_time` 与当前时间的差值，对积压消息分级采样；
|
||
- `syslog_normal_alarm` 始终全量保留，并在 InfluxDB 原文、普通表和非标表之前单独提交；
|
||
- 未被保留的 `syslog_normal_data`、`syslog_non_normal_message` 及对应原文不写入存储；
|
||
- 按消息来源小时、Topic、Partition、策略版本和实际保留率记录采样审计；
|
||
- 审计表不可用时自动回退为全量保留，不执行有损采样；
|
||
- InfluxDB 原文写入变为非关键旁路，启动检查或运行时写入失败只记录并继续主消费。
|
||
|
||
## 文件与执行顺序
|
||
|
||
| 顺序 | 文件 | 作用 |
|
||
| --- | --- | --- |
|
||
| 1 | `database/01-backlog-sampling-precheck.sql` | 只读检查目标表、约束和索引是否已经存在 |
|
||
| 2 | `database/02-backlog-sampling-upgrade.sql` | 创建积压采样小时审计表，仅执行一次 |
|
||
| 3 | `database/03-backlog-sampling-verify.sql` | 只读验证表结构，并查看实际保留情况 |
|
||
| 4 | `config/01-new-environment-variables.md` | 核对新增配置，再替换 `syslog-consumer-rule` JAR |
|
||
|
||
数据库脚本必须使用 `syslog-consumer-rule` 实际连接的达梦用户执行。
|
||
|
||
## 第一步：升级达梦
|
||
|
||
先执行：
|
||
|
||
```text
|
||
database/01-backlog-sampling-precheck.sql
|
||
```
|
||
|
||
- 如果目标表、约束和索引都不存在，执行 `02-backlog-sampling-upgrade.sql`，再执行
|
||
`03-backlog-sampling-verify.sql`；
|
||
- 如果目标表已经存在，不要重复执行 `02`，直接执行 `03` 核对结构；
|
||
- 如果只存在部分对象，先停止升级并确认此前执行到哪一步，不要盲目重跑建表脚本。
|
||
|
||
`03` 验证应满足：
|
||
|
||
- 返回 `SYSLOG_BACKLOG_RETENTION_HOURLY` 一张表；
|
||
- 表包含 22 个字段；
|
||
- 主键和保留率检查约束状态为 `ENABLED`；
|
||
- 更新时间索引状态为 `VALID`。
|
||
|
||
## 第二步：配置并升级应用
|
||
|
||
按 [新增变量配置清单](./config/01-new-environment-variables.md) 核对配置，然后替换并重启
|
||
`syslog-consumer-rule`。只替换 JAR、不增加环境变量时，积压采样也会按 JAR 内置默认值开启，因此必须先
|
||
完成数据库升级。
|
||
|
||
默认策略如下：
|
||
|
||
| 消息延迟 | 普通记录保留率 | 非标记录保留率 |
|
||
| --- | ---: | ---: |
|
||
| 不大于 15 分钟 | 100% | 100% |
|
||
| 大于 15、且小于 19.5 分钟 | 100% | 100% |
|
||
| 19.5～小于 24 分钟 | 91% | 92% |
|
||
| 24～小于 28.5 分钟 | 82% | 84% |
|
||
| 28.5～小于 33 分钟 | 73% | 76% |
|
||
| 33～小于 37.5 分钟 | 64% | 68% |
|
||
| 37.5～小于 42 分钟 | 55% | 60% |
|
||
| 42～小于 46.5 分钟 | 46% | 52% |
|
||
| 46.5～小于 51 分钟 | 37% | 44% |
|
||
| 51～小于 55.5 分钟 | 28% | 36% |
|
||
| 55.5～小于 60 分钟 | 19% | 28% |
|
||
| 不小于 60 分钟 | 10% | 20% |
|
||
|
||
默认前 15 分钟为免采样窗口。之后使用 `（60 分钟 - 15 分钟）÷ 10 = 4.5 分钟` 的阶梯宽度；
|
||
达到 1 小时才使用最低保留率。
|
||
|
||
采样采用 `event_id` 的确定性哈希：同一策略版本下，同一消息重复处理时选择结果一致。规则计算始终执行，
|
||
只有完成规则计算、确认是否产生告警并成功写入小时审计后，才执行丢弃。
|
||
|
||
## 写入顺序与故障行为
|
||
|
||
每个批次按以下顺序处理：
|
||
|
||
1. 完整规则计算并提交采样审计；
|
||
2. 单独提交全部 `syslog_normal_alarm`；
|
||
3. 写入被保留消息的 InfluxDB 原文；
|
||
4. 写入被保留的 `syslog_normal_data` 和 `syslog_non_normal_message`。
|
||
|
||
InfluxDB 原文写入默认单次网络阶段最多等待 5 秒；发生依赖故障后，30 秒内快速跳过后续原文请求。启动
|
||
健康检查失败、写入失败以及特殊 DLT 写入失败都只记录日志，不阻塞 Kafka 主消费进度。
|
||
|
||
## 升级后验证
|
||
|
||
查看消费和异常日志：
|
||
|
||
```bash
|
||
docker logs --since 10m syslog-consumer-rule-dm 2>&1 \
|
||
| grep -E 'Syslog批次完成|BACKLOG_SAMPLING|INFLUX_RAW_BYPASS|SYSLOG_CONTINUITY_LOSS' \
|
||
| tail -100
|
||
```
|
||
|
||
查看运行状态：
|
||
|
||
```text
|
||
GET /xdrrule/api/syslog/backlog-sampling/status
|
||
GET /xdrrule/api/syslog/raw-storage/metrics
|
||
```
|
||
|
||
然后执行 `database/03-backlog-sampling-verify.sql` 的最后一段查询。没有延迟消息时，审计查询为空属于正常；
|
||
发生积压后，应能按来源小时看到告警保存数、普通/非标实际保留率和原文丢弃数。
|
||
|
||
重点确认：
|
||
|
||
- `alarm_rows_saved` 始终等于 `alarm_rows_total`；
|
||
- `audit_write_failures_total` 和 `audit_fallback_messages_total` 不持续增加；
|
||
- InfluxDB 故障时 Kafka offset 仍继续推进，告警和达梦保留数据仍持续写入；
|
||
- `raw_write_bypassed_messages_total` 增加表示原文旁路失败，不表示主消费停止。
|
||
|
||
## 回滚
|
||
|
||
紧急关闭采样可配置：
|
||
|
||
```yaml
|
||
- SYSLOG_BACKLOG_SAMPLING_ENABLED=false
|
||
```
|
||
|
||
重建 `syslog-consumer-rule` 容器后，普通、非标及原文恢复全量保留。也可回滚旧 JAR。无论采用哪种方式，
|
||
都保留 `syslog_backlog_retention_hourly` 表，不要删除历史审计数据。
|