结账页报支付超时。你打开日志搜索，筛 ERROR，输入 payment provider timeout，只命中一条。这一条是真的只超时了一次，还是只有这一条活着走到了索引？
日志搜索展示的是抵达索引的内容，不是应用写下的内容。两者之间隔着采集代理、解析器、过滤器、缓冲区和搜索集群，每一环都可能让一行日志延迟、被拒或被丢弃，而应用毫不知情。这正是要把日志聚合管道逐段讲清楚的原因：事故中搜索返回空结果时，你得判断是系统没事，还是证据根本没送到。
有一个日志聚合管道模拟器，可以让你一段一段看这趟旅程，再用三种方式把它弄坏。它按批次搬运日志，并在每一段计数，而不是追踪单行。该工具免费、在浏览器里运行、无需注册。
六段管道，一条日志
模拟器把管道画成六张卡片。每点一次 Step 前进一段，Run flow 大约每秒自动走一步，六步构成一个周期。
- 来源（应用与主机）：原始事件，以及有多少在排队。
- 采集（Fluent Bit）：代理跟踪文件并转发事件。它跟不上时，来源队列就会变长。
- 处理（解析与过滤）：抽取字段、去掉噪音。两个控件在阶段检查器里：解析器选择（JSON 解析器或 Grok 模式）和“丢弃健康检查噪音”开关。改动任一项都会重新开始一轮。
- 缓冲区（持久缓冲）：解析与索引之间的有界队列，以已用容量对总容量显示。
- 索引（搜索集群）：被接受的事件落到三个主分片上，“分片健康”标签页显示均衡情况。模拟器轮流把事件分给分片，所以各场景下柱状条都保持齐平。
- 搜索（日志探索）：一个带文本框和级别筛选的标签页。它保留每个索引步骤最多四条样本事件，且只留最新的 24 条，所以判断完整性要看计数器，不要看这个列表。
卡片下方有五个计数器记账：已生成、已缓冲、已索引、已拒绝、已丢弃。背后的引擎对每个事件守恒：生成的事件要么在队列里等待，要么被过滤、被拒绝、被索引或被丢弃。被过滤的噪音没有独立计数器，处理卡片的“已移除”数字把过滤和拒绝加在一起。把这个习惯带进真实系统：如果你说不清“发出”和“可搜索”之间的差额，就不能相信一次空搜索。
点任意卡片，阶段检查器会显示它的“运维信号”，也就是这一段最该盯的东西。对搜索段来说，这句话在事故中最要紧：只有被索引的日志才可搜索，被过滤、被拒绝、被丢弃的日志永远到不了这里。
先跑健康状态
从 Healthy flow 开始，走几个周期。每个周期来源发出 24 条日志，噪音过滤器移除 4 条，20 条被索引。队列排空，徽标显示“管道健康”，分片柱状条均匀增长。
然后分三种方式弄坏它。
流量尖峰。来源每周期发出 84 条，采集器只转发 38 条。第一步徽标就变成“背压正在累积”。到第三个周期：来源发出 84 条，26 条在采集前被丢弃。此时看缓冲区，它是空的。持久缓冲救不了还没到它那里就丢掉的日志。到第五个周期结束，共生成 420 条，索引 140 条，丢弃 118 条。采集卡片的“待解析”计数每周期还多涨 4：采集器发 38 条，处理器只接 34 条。
解析器不匹配。一次部署改了日志格式。每周期 30 条里，4 条作为噪音被过滤，11 条被解析器拒绝，只有 15 条被索引。徽标显示“检测到解析器拒绝”，且没有任何丢弃，所以只盯丢弃的看板会一直绿着。换成 Grok 解析器也没用：它每周期只处理 30 条中的 27 条，于是每周期多 3 条堵在处理器队列里，而这 27 条里它过滤 4 条、拒绝 10 条、索引 13 条。一个更慢、又仍然不匹配格式的解析器只会让情况更糟。模拟器里没有修解析器的按钮；现实中你要把解析器更新到新格式，或者回滚这次变更。
索引变慢。先把解析器切回 JSON：切换场景时模拟器会保留你的解析器选择。搜索集群每周期索引 9 条，而 32 条抵达缓冲区（到达 36 条，噪音过滤器移除 4 条）。缓冲区每周期涨 23 条，第三个周期出现警告，第五个周期：缓冲区达到容量，丢弃了 19 条最旧的日志。现在关掉“丢弃健康检查噪音”再跑一遍，第一次丢弃会早一个周期到来。在缓冲区之前过滤噪音并没有修好慢索引器，但它买到了时间。
把场景当值班演练
把每个场景当成一次 on-call 演练。假装你只有搜索标签页，然后用屏幕其余部分按顺序回答四个问题：
- 输入正常吗？把每周期生成量与健康状态的 24 对比。尖峰往往是真实事故的第一信号，它同时也在给管道加压。
- 哪个队列在涨？来源队列涨指向采集器，缓冲区涨指向索引器。动手之前先说出是哪一段。
- 有东西被拒绝吗？拒绝意味着日志存在，但不再匹配解析器。如果改格式的那次部署同时也弄坏了结账，你需要的错误行就在被拒绝的那堆里。
- 距离丢失还有多久？缓冲区在填就是在倒计时。剩余空间除以每周期净增长是个粗略且乐观的估计：这里缓冲区是在一批日志落地时溢出，而不是等索引排空。JSON 解析器加噪音过滤开启时，第四个周期后它装着 92 条、剩 13 个空位，下一批 32 条会丢掉 19 条。
缓解手段要对着信号来：尖峰加采集容量，格式不匹配修解析器，索引慢就加索引容量或削减噪音。
亲手复现一次解析器不匹配
用 jq 和三行日志就能复现解析器不匹配：
- 一行 JSON 格式的 INFO 请求完成日志；
- 一行 JSON 格式的 ERROR 支付超时日志；
- 一行纯文本的 ERROR 支付超时日志。
只认 JSON 的管道会把第一条命令的输出限定为那行 JSON 错误；第二条命令则打印出被拒的纯文本 ERROR 行。两条超时被记录，搜索只找到一条。把第二份输出计数并告警，你就有了一个解析器拒绝指标。真实工具并不总是把拒绝直接扔掉。在 Vector 的 remap 转换里解析失败时，默认会把原始未修改的事件继续往下送，于是这行以原始文本抵达索引，不带你的字段。
真实代理对另外两个场景也各有版本。Fluent Bit 的背压文档说明，当某个输入达到 mem_buf_limit，在仅内存缓冲下它会停止从该源插件缓冲数据，直到足够多的缓冲块被刷出，多数插件此时会记录 paused（mem buf overlimit）。同一页还警告，仅内存缓冲下某些输入可能丢数据，需要避免就改用文件系统缓冲。在断定应用安静之前，先去搜代理自己的日志找这条警告。用文件系统缓冲时，Fluent Bit 丢弃最旧的数据，就像慢索引场景里的缓冲区：达到输出的 storage.total_limit_size 时，队列里最旧的块会被丢弃。Vector 的缓冲区默认是阻塞的。
该对什么告警
模拟器页面列出了要一起盯的信号：输入速率、队列年龄与深度、解析器拒绝率、缓冲区利用率、丢弃事件数、索引延迟和分片均衡。在真实工具里，丢失信号是可以抓取的计数器：Fluent Bit 的 fluentbit_output_retries_failed_total 和 fluentbit_output_dropped_records_total，Vector 的 component_discarded_events_total，以及 Loki 的 loki_discarded_samples_total（按 reason 打标签）。
把三种场景跑到你能预判下一步的数字，然后再只开着搜索标签页当演练跑一遍。
热门跟贴