部署单机版本的elasticsearch服务

=== 在节点1上面安装单节点elasticsearch ===

已经把安装包存放在了/opt/src路径下面,直接把elasticsearch-7.2.0-linux-x86_64.tar.gz解压两份,分别放入/opt/elastic-node1和/opt/elastic-node2目录下即可。

在后续版本升级时,将7.8版本的安装文件放置在了/opt/bak路径下。

==== es代码解压部署 ====

elastic@sjzjs-phy-elastic-110-91 opt\]$ ls /opt/elastic-node1 bin config jdk lib LICENSE.txt logs modules NOTICE.txt plugins README.textile \[elastic@sjzjs-phy-elastic-110-91 opt\]$ ls /opt/elastic-node2/ bin config jdk lib LICENSE.txt logs modules NOTICE.txt plugins README.textile ==== 编辑elastic-node1 elasticsearch.yml设置几个重要配置参数 ==== # 设定es集群名称 cluster.name: bw-elastic # 设定本es节点名称 node.name: elastic-node1 # 设定服务绑定定的网卡地址 # network.host: 172.17.110.91 # 启动服务时锁定分配的内存 bootstrap.memory_lock: true # 增加一个节点的自定义属性,用于索引分片分布的优化 node.attr.phy_server: phy-elastic-110-91 cluster.routing.allocation.awareness.attributes: phy_server # 设定es api服务端口 http.port: 9201 # 设定es集群内节点间的通信端口 transport.port: 9301 # 设定本es节点的数据和日志的储路径 path.data: /opt/elastic-node1/data path.logs: /opt/elastic-node1/logs \* 以上配置专用于sjzjs-phy-elastic-110-91主机上部署的elastic-node1服务节点。 \* 此时,暂不启用network.host参数。 ==== 编辑elastic-node1 jvm.options调优jvm参数 ==== 我们部署elastic服务的物理主机,配置的是128GB内存,每个主机上共部署2个es服务节点,每个es节点可使用的内存为64GB。一半用于jvm,一半留给操作系统做文件缓存,同时出于jvm大缓存使用上的性能考虑,我们统一为每个es服务节点设置jvm缓存为29GB。 -Xms29g -Xmx29g ==== 启动elastic-node1服务进程 ==== /opt/elastic-node1/bin \[elastic@sjzjs-phy-elastic-110-91 bin\]$ ./elasticsearch ==== 检测下服务是否正常启动 ==== \[elastic@sjzjs-phy-elastic-110-91 \~\]$ curl \http://127.0.0.1:9201\ { "name" : "elastic-node1", "cluster_name" : "bw-elastic", "cluster_uuid" : "jCBE8Uv_Tni0y6mh5Bqnrw", "version" : { "number" : "7.2.0", "build_flavor" : "default", "build_type" : "tar", "build_hash" : "508c38a", "build_date" : "2019-06-20T15:54:18.811730Z", "build_snapshot" : false, "lucene_version" : "8.0.0", "minimum_wire_compatibility_version" : "6.8.0", "minimum_index_compatibility_version" : "6.0.0-beta1" }, "tagline" : "You Know, for Search" } === 在节点1上安装kibana === ==== 解压和分发安装包 ==== cd /opt/src tar zxvf kibana-7.2.0-linux-x86_64.tar.gz mv kibana-7.2.0-linux-x86_64 ../kibana ==== 编辑config/kibana.yml文件 ==== server.host: "sjzjs-phy-elastic-110-91" elasticsearch.hosts: \["\http://localhost:9201\"

* server.host,将kibana服务绑定到指定的地址

* elasticsearch连接参数,在目前阶段,暂时使用的localhost:9201

==== 启动kibana ====

cd /opt/kibana/

./bin/kibana

对办公网段放行kibana访问

firewall-cmd --permanent --zone=public --add-rich-rule="rule family="ipv4" source address="192.168.81.0/24" port protocol="tcp" port="5601" accept"

firewall-cmd --reload

* 这里暂先只放行了81段,后续根据使用需求,可以追加。

* 公司各办法区到该网段有vpn,因此我们直接通过办公网访问kibana服务。kibana系统还有一套网站的登录授权验证功能,所以这里按网段全放行是安全的。

=== 在节点1上安装MetricBeats ===

Beats针对不同的使用场景,分别提供了不同的工具实现。这里我们使用Metricbeat对节点主机的系统、elasticsearch索引进行监控。

Metricbeat提供预构建的模块,可以使用它们快速实施和部署系统监控解决方案。

==== 解压和分发安装包 ====

cd /opt/src

tar zxvf metricbeat-7.2.0-linux-x86_64.tar.gz

mv metricbeat-7.2.0-linux-x86_64 /opt/metricbeat

==== 编辑metricbeat.yml ====

output.elasticsearch:

hosts: ["localhost:9201"]

setup.kibana:

host: "sjzjs-phy-elastic-110-91:5601"

==== 启用system模块 ====

在这里,我们将运行Metricbeat的system模块以从服务器上运行的操作系统和服务收集指标。system模块收集系统级指标,例如CPU使用率,内存,文件系统,磁盘IO和网络IO统计信息,以及系统上运行的每个进程的类似顶级的统计信息。

./metricbeat modules enable system

==== 初始化数据 ====

./metricbeat setup -e

==== 启动Metricbeat服务 ====

./metricbeat -e

打开浏览器并导航到Metricbeat系统概述仪表板:

<nowiki>http://172.17.110.91:5601/app/kibana#/dashboard/Metricbeat-system-overview-ecs\</nowiki>

至此,单机版本的部署完成,在部署结果通过验收后,进入下一步骤,启用和配置出es安全管理功能。

相关推荐
Oo_Amy_oO28 分钟前
Airflow+Spark/Flink vs. Kettle
大数据·flink·spark
后端小肥肠1 小时前
港大团队开源LightRAG:知识图谱+双层检索,复杂问答准确率飙升30%
大数据·人工智能·openai
weixin_457885822 小时前
虎跃办公AI赋能的实时协同开发范式与神经符号系统突破
人工智能·搜索引擎·ai·deepseek
Red丶哞7 小时前
Stitching Together Multiple Input and Output Plugins
elasticsearch
计算机毕设定制辅导-无忧学长13 小时前
TDengine 权限管理与安全配置实战(二)
大数据·安全·tdengine
2401_8979300613 小时前
Kibana 连接 Elasticsearch(8.11.3)教程
大数据·elasticsearch·jenkins
计算机毕设定制辅导-无忧学长13 小时前
TDengine 快速上手:安装部署与基础 SQL 实践(一)
大数据·sql·tdengine
塔能物联运维13 小时前
塔能科技:精准节能,擎动工厂可持续发展巨轮
大数据·运维
今天我又学废了14 小时前
Spark,HDFS概述
大数据·hdfs·spark
视觉&物联智能15 小时前
【杂谈】-大型语言模型对具身人工智能发展的推动与挑战
人工智能·搜索引擎·语言模型·大模型·llm·具身人工智能