我正在研究可以让我跟踪和logging在我的基础设施上发生的所有事件的工具（或build议）。
我们有几台服务器（50+），而且这个数字将来会增加，所以我想更好地了解在一个月左右的时间内可能会出错的事情，并帮助我改进那些容易发生故障的系统或服务。
例如，如果Web服务器在某个实例上失败，或者由于备份服务器上没有可用空间或者存在DDoS攻击，备份尚未完成，我想指出（何时，为什么，在哪里，如何做我们修好了等等）。
我们拥有中央监控系统（Check_MK，Logstash + Kibana，networkingstream量分析器…），并提供了警报，我可以直接从Check_MK生成可用性报告，但该报告不准确，我们与客户分享。 我需要这是为了我们的内部使用。
我已经研究了一点，没有发现很多 – 这个或一个工具没有真正的标准，所以我需要一个已经处理这个工具的人的build议，或者如果没有工具（我们是非常有能力自己开发一个）什么是logging这样的事情的最佳做法？ 你logging什么？
旧的回答是由于误解而产生的 。 保留以供参考：
实际上有多种工具可以让你想要什么。
例如：
- logstash（你已经知道了）
- graylog
- 普罗米修斯
他们中的每一个都要求您以某种方式定义触发器，以便通知您。 然而，为了多种工具而深入研究这个问题对于这个平台来说是非常重要的。
在构build真正有用的监控和警报系统时，需要考虑多个主要领域。
收集/监测/聚合：
- 系统的可用性（硬件，软件，服务）
- 这些系统运行中的错误（日志，正确的响应）
- 随着时间的推移而变化（系统参数（磁盘空间和负载，服务的响应时间，新版本的推出）
然后需要定义警报级别：
- 主机/服务向上/向下
- 进程运行
- 通过x.xx，x.xx，x.xx加载
- 磁盘空间在x.xx下
- 数据增长率大于x.xx MB /天
- http 500响应> x /秒
- 等等
我们使用我们的票务系统（阿拉西亚杰拉）这个东西：
所以如果发生了一些事件，我们会打开一张新的票据，填写我们所知道的事件，并在事件发生的时间内保持最新状态。 事件确定后处理（主要是根本原因分析）完成后，我们closures这个问题。
优点：