Optimera övervakningskostnader för Container Insights

Kubernetes-kluster genererar en stor mängd data som samlas in av Container Insights. Eftersom du debiteras för inmatning och kvarhållning av dessa data vill du konfigurera din miljö för att optimera dina kostnader. Du kan avsevärt minska dina övervakningskostnader genom att filtrera bort data som du inte behöver och även genom att optimera konfigurationen av Log Analytics-arbetsytan där du lagrar dina data.

När du har analyserat dina insamlade data och fastställt om det finns några data som du samlar in som du inte behöver, finns det flera alternativ för att filtrera alla data som du inte vill samla in. Detta sträcker sig från att välja från en uppsättning fördefinierade kostnadskonfigurationer till att använda olika funktioner för att filtrera data baserat på specifika kriterier. Den här artikeln innehåller en genomgång av vägledning om hur du analyserar och optimerar din datainsamling för Container Insights.

Analysera datainmatning

För att identifiera dina bästa möjligheter till kostnadsbesparingar analyserar du mängden data som samlas in i olika tabeller. Den här informationen hjälper dig att identifiera vilka tabeller som förbrukar mest data och hjälpa dig att fatta välgrundade beslut om hur du kan minska kostnaderna.

Du kan visualisera hur mycket data som matas in på varje arbetsyta med hjälp av Container Insights Usage-runbooken, som är tillgänglig från sidan Arbetsyta i ett övervakat kluster.

Med rapporten kan du visa dataanvändningen efter olika kategorier, till exempel tabell, namnområde och loggkälla. Använd dessa olika vyer för att fastställa alla data som du inte använder och kan filtreras bort för att minska kostnaderna.

Välj alternativet för att öppna frågan i Log Analytics där du kan utföra mer detaljerad analys, inklusive att visa de enskilda poster som samlas in. Se Frågeloggar från Container Insights för ytterligare frågor som du kan använda för att analysera dina insamlade data.

Följande skärmbild visar till exempel en ändring av loggfrågan som används för Efter tabell som visar data efter namnområde och tabell.

Filtrera insamlade data

När du har identifierat data som du kan filtrera använder du olika konfigurationsalternativ i Container insights för att filtrera bort data som du inte behöver. Det finns alternativ för att välja fördefinierade konfigurationer, ange enskilda parametrar och använda anpassade loggfrågor för detaljerad filtrering.

Kostnadsförinställningar

Det enklaste sättet att filtrera data är att använda kostnadsförinställningar i Azure Portal. Varje förinställning innehåller olika uppsättningar tabeller som ska samlas in baserat på olika åtgärds- och kostnadsprofiler. Kostnadsförinställningarna är utformade för att hjälpa dig att snabbt konfigurera din datainsamling baserat på vanliga scenarier.

Dricks

Om du har konfigurerat klustret att använda Prometheus-upplevelsen för Container Insights kan du inaktivera prestandainsamling eftersom prestandadata samlas in av Prometheus.

Mer information om hur du väljer en kostnadsförinställning finns i Konfigurera DCR med Azure Portal

Filtreringsalternativ

När du har valt en lämplig kostnadsförinställning kan du filtrera ytterligare data med hjälp av de olika metoderna i följande tabell. Med varje alternativ kan du filtrera data baserat på olika kriterier. När du är klar med konfigurationen bör du bara samla in data som du behöver för analys och aviseringar.

Filtrera efter	beskrivning
Tabeller	Ändra DCR manuellt om du vill välja enskilda tabeller för att fylla i andra än de kostnadsförinställda grupperna. Du kanske till exempel vill samla in ContainerLogV2 men inte samla in KubeEvents som ingår i samma kostnadsförinställning. Se Stream-värden i DCR för en lista över de strömmar som ska användas i DCR och använd vägledningen i .
Containerloggar	ContainerLogV2 lagrar stdout/stderr-posterna som genereras av containrarna i klustret. Du kan inaktivera samlingen av hela tabellen med hjälp av DCR, men du kan konfigurera samlingen med stderr- och stdout-loggar separat med hjälp av ConfigMap för klustret. Eftersom stdout och stderr inställningar kan konfigureras separat kan du välja att aktivera den ena och inte den andra. Mer information om hur du filtrerar containerloggar finns i Filtrera containerloggar.
Namnområde	Namnområden i Kubernetes används för att gruppera resurser i ett kluster. Du kan filtrera bort data från resurser i specifika namnområden som du inte behöver. Med hjälp av DCR kan du bara filtrera prestandadata efter namnområde, om du har aktiverat insamling för Perf tabellen. Använd ConfigMap för att filtrera data för specifika namnområden i stdout och stderr loggar. Mer information om systemnamnområdet finns i Filtrera containerloggar för information om filtrering av loggar efter namnområde och plattformsloggfiltrering (System Kubernetes-namnområden).
Poddar och containrar	Med anteckningsfiltrering kan du filtrera bort containerloggar baserat på anteckningar som du gör i podden. Med hjälp av ConfigMap kan du ange om stdout- och stderr-loggar ska samlas in för enskilda poddar och containrar. Mer information om hur du uppdaterar din ConfigMap och om hur du anger anteckningar i dina poddar finns i Anteckningsbaserad filtrering för arbetsbelastningar.

Transformeringar

Med inmatningstidstransformeringar kan du använda en KQL-fråga för att filtrera och transformera data i Azure Monitor-pipelinen innan den lagras på Log Analytics-arbetsytan. På så sätt kan du filtrera data baserat på kriterier som du inte kan utföra med de andra alternativen.

Du kan till exempel välja att filtrera containerloggar baserat på loggnivån i ContainerLogV2. Du kan lägga till en transformering till din Container Insights DCR som skulle utföra funktionerna i följande diagram. I det här exemplet samlas endast error händelser och critical nivåhändelser in, medan andra händelser ignoreras.

En alternativ strategi skulle vara att spara de mindre viktiga händelserna i en separat tabell som konfigurerats för grundläggande loggar. Händelserna skulle fortfarande vara tillgängliga för felsökning, men med betydande kostnadsbesparingar för datainmatning.

Se Datatransformeringar i Container insights för mer information om hur du lägger till en transformering till din Container Insights DCR, inklusive dcr-exempel med transformeringar.

Konfigurera prisnivåer

Grundläggande loggar i Azure Monitor erbjuder en betydande kostnadsrabatt för inmatning av data på Log Analytics-arbetsytan för data som du ibland använder för felsökning och felsökning. Tabeller som konfigurerats för grundläggande loggar erbjuder en betydande kostnadsrabatt för datainmatning i utbyte mot en kostnad för loggfrågor, vilket innebär att de är idealiska för data som du behöver men som du kommer åt sällan.

ContainerLogV2 kan konfigureras för grundläggande loggar som kan ge dig betydande kostnadsbesparingar om du frågar data sällan. Med transformeringar kan du ange data som ska skickas till alternativa tabeller som konfigurerats för grundläggande loggar. Ett exempel på den här strategin finns i Datatransformeringar i Container Insights .

Nästa steg

Information om vilka kostnader som sannolikt kommer att baseras på de senaste användningsmönstren från data som samlats in med containerinsikter finns i Analysera användning på en Log Analytics-arbetsyta.