日志采集Agent性能大比拼——LoongCollector 性能深度测评

**背景**

在数字化转型加速的今天，日志数据已成为企业运维、安全分析和业务决策的核心资产。然而，随着云计算、容器化和微服务架构的普及，传统日志采集 Agent 面临着前所未有的挑战：海量日志的实时采集需求、资源占用与成本控制的平衡难题。

iLogtail 作为阿里巴巴自主研发的高性能日志 Agent，凭借其稳定的性能和丰富的功能，长期服务于阿里云数百万用户，成为企业级日志管理系统的基石。它以低延迟、高吞吐和轻量级资源占用著称，尤其在大规模集群环境中表现卓越。然而，随着技术演进和用户需求升级，日志采集场景的复杂性与性能要求进一步提升，对工具的极致性能、灵活性和智能化提出了更高要求。

正是在这种背景下，LoongCollector 应运而生。作为 iLogtail 的下一代演进产品，它不仅继承了 iLogtail 的稳定性和可靠性，更通过全栈架构优化实现了性能的跨越式提升。

为了展现 LoongCollector 的卓越性能，本文通过纵向（LoongCollector 与 iLogtail 产品升级对比）和横向（LoongCollector 与其他开源日志采集 Agent 对比）两方面对比，深度测评不同采集 Agent 在常见的日志采集场景下的性能。

参与本次的横评的日志采集器如下，版本均采用本文撰写时的最新版本：

**纵向对比——LoongCollector 自我升级，超越巅峰 80%**

iLogtail 已经具备相当强的日志采集能力，而作为 iLogtail 的升级演进产品，LoongCollector 则不能逊色。我们首先对比一下 LoongCollector 与 iLogtail 的极限性能。

基于真实业务场景，我们设计了五种典型日志采集与解析场景（包括单行、多行、正则解析、Json 解析和分隔符解析），并在同等硬件环境下，实测对比两者的极限吞吐量表现。

**环境**

机器配置：阿里云 ECS 32C64G

操作系统：Ubuntu 22.02

网络：VPC 内网

**不同解析场景下的数据源**

注意：日志长度对性能测试的绝对数值影响很大，因此我们选取了两种不同长度的日志进行测试。

极简单行日志：长度为 128B

多行日志：长度为 512B，行首匹配长度为 1，每组多行日志包含了 23 行

复杂正则日志：长度为 534B，日志内容模拟真实的 Nginx 日志

203.0.113.45 - - [25/Jun/2024:23:59:59 +0000] "GET /wp-admin/admin-ajax.php?action=revslider_ajax_action&client_action=get_facebook HTTP/1.1" 200 1847 "https://www.google.com/search?q=free+piano+sheet+music+pdf+download+site%3Aexample.com&ref=lnms&sa=X&biw=1920&bih=1080" "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)" rt=0.312 uct="0.001" uht="0.125" urt="0.311" sid=a1b2c3d4e5f6g7h8i9j0k1l2m3n4o5p6q7r8s9t0 uagent_hash=7d8f9a0b1c2d3e4f5a6b7c8d9e0f1a2b3c4d5e6f7 request_id=req-20240625-235959-001

正则表达式

^([^ ]+)\s+([^ ]+)\s+([^ ]+)\s+[([^]]+)]\s+"([A-Z]+)\s+([^ ]+)\s+(HTTP/[0-9.]+)"\s+([0-9]{3})\s+([0-9-]+)\s+"([^"]*)"\s+"([^"]*)"\s+rt=([0-9.]+)\s+uct="([0-9.-]+)"\s+uht="([0-9.-]+)"\s+urt="([0-9.-]+)"\s+sid=(\S+)\s+uagent_hash=(\S+)\s+request_id=(\S+)

复杂 Json 日志：长度为 512B

{
"time":"2025-04-03 10:02:06.561793",
"level":"info",
"thread":"131172",
"file":"/root/server_stdout.go",
"line":"165",
"msg":"ZQsC8JI2l9M6Zum1b09V8QZy7MBk8fI01kmg12XqfHXWxdD4SBYUdGKRH4iRCcjIVIOAXmv8I0TgQlJKtwYxAhJR9O2N1BEirA1v01IqWyGaVsxCxRjCpvhkWQ03wW3CnKUCLCndugLfWYsxiYMJs7YiqYhOlCglTj4XdUQqlOfZTrYdyFNX3fVQk9jwBAO5NEBUAo0VgL7rt86lENPr5wA1UQWNdj2id00ByhsBakCjyRP9tvxDVrTSEq5oEVowKYBYzcjJCK1q56MVDm1BhSfNGrLQifr3nYv5Z8yu1d8EAjK9iQGjVqLxz65IozXKyf40R2TZYR9TS2GAMxMyC7uIvZiMh0TRB4rQL4K4uFeOVkFMGrHG3a3"
}

复杂分隔符日志：长度为 512B

2025-04-03 10:02:06.561793|info|131172|/root/server_stdout.go|165|ZQsC8JI2l9M6Zum1b09V8QZy7MBk8fI01kmg12XqfHXWxdD4SBYUdGKRH4iRCcjIVIOAXmv8I0TgQlJKtwYxAhJR9O2N1BEirA1v01IqWyGaVsxCxRjCpvhkWQ03wW3CnKUCLCndugLfWYsxiYMJs7YiqYhOlCglTj4XdUQqlOfZTrYdyFNX3fVQk9jwBAO5NEBUAo0VgL7rt86lENPr5wA1UQWNdj2id00ByhsBakCjyRP9tvxDVrTSEq5oEVowKYBYzcjJCK1q56MVDm1BhSfNGrLQifr3nYv5Z8yu1d8EAjK9iQGjVqLxz65IozXKyf40R2TZYR9TS2GAMxMyC7uIvZiMh0TRB4rQL4K4uFeOVkFMGrHG3a3

**测试流程**

1. 添加采集配置，采集日志文件到 SLS logstore 中（同地域，通过内网传输，避免网络导致的性能瓶颈）
2. 启动日志生成进程，重复向日志文件中写入数据（最高写入流量 1100MB/s）
3. SLS logstore 查询统计流量
4. 计算采集一分钟之后的流量均值

除此之外，我们还对比了 LoongCollector 和 iLogtail 在不同日志量级下进行极简单行日志采集时的资源占用情况，测试流程如下：

1. 添加采集配置，采集日志文件到 SLS logstore 中
2. 调整不同的日志的生成速率，启动日志生成进程，重复向日志文件中写入数据
3. SLS logstore 查询统计流量
4. 稳定采集一分钟之后，计算两分钟内的 CPU 和内存使用均值

**测试结果**

**极限性能**

从表一中我们可以看到，LoongCollector 在五个常见的日志采集场景下的极致吞吐量都远远高于 iLogtail。尤其是在多线程的情况下，iLogtail 的性能随着处理线程数的增加，所带来的收益逐渐减少。而 LoongCollector 通过一系列优化，减少了多线程进行处理时的锁竞争问题，使得 LoongCollector 能够突破更高的吞吐量极限。

**资源占用**

从表二中我们可以看到，LoongCollector 和 iLogtail 在不同日志量级下的变化。

在 CPU 方面，LoongCollector 通过使用更低的 CPU，却能够采集比 iLogtail 高一倍的日志流量，展现了强劲的性能优势。

在内存方面，LoongCollector 在低流量下的表现与 iLogtail 相比优势差距不大。这主要是由于 LoongCollector 内部新增一些非数据面，而与稳定性相关的功能，例如更健壮的自监控等等。但随着流量的升高，LoongCollector 的内存增长幅度远低于 iLogtail，体现了 LoongCollector 优秀的内存管理。

从趋势来看，我们可以明显发现 LoongCollector 的 CPU 使用率基本上随着流量呈线性增长，而 iLogtail 的 CPU 使用率则呈现了一定的膨胀。两者之间的差距越来越大。核心原因在于 LoongCollector 通过复用对象池、优化序列化等技术，尽可能减少了数据在 Pipeline 中的重复计算和复杂度。

**横向对比——LoongCollector 业界领先，10 倍吞吐，20%开销**

LoongCollector 与自身相比性能存在显著进步的同时，与其他开源 Agent 相比，也保持了持续的领先优势。为了验证 LoongCollector 的采集性能优势，我们选取了其他三种广泛使用的日志采集 Agent：FluentBit、Vector 和 Filebeat 进行端到端的对比。

为了对比的公平性，我们对实验进行了如下的几点设置：

1. 为了验证端到端的采集性能，我们以完整的日志采集解决方案作为对比。
   1. 方案一：LoongCollector 采集日志到 SLS Logstore 中。
   2. 方案二：开源组件，其他开源采集 Agent 采集到 Kafka 中。
2. 为了避免网络和存储端影响测试结果，所有 Agent 均通过 VPC 内网发送数据，存储分区数均提前扩容。
3. 除了调整流控限制之外，所有 Agent 均采用默认的参数配置。

另外，测试流程与数据源与上一章相同，保证资源占用监控的公平性。

**测试结果**

**极限性能**

1. 性能优势：其他日志采集器，在默认配置时，性能均无法满足 50MB/s 的采集速度，与 LoongCollector 形成了显著的差距。
2. 处理能力：大多数日志采集 Agent 都提供了一定的日志处理能力。但各方对于处理能力的思考有所不同。例如，Filebeat 在之前旧版本支持通过 grok 进行类似正则解析提取字段，但在新版本中移除了该插件。核心原因在于 Filebeat 在 ELK 体系中更加定位为单纯的采集器，处理能力则交给了下游的 Logstash 或者存储端。

**资源占用**

从测试结果中，我们可以看到 LoongCollector 在资源占用方面遥遥领先于其他采集 Agent，特别是随着日志流量的增大，这种领先优势更加明显。在这些结果中，我们还可以发现很多有意思的现象：

1. 日志长度的影响：Vector 和 Filebeat 在采集 128B 极简单行日志时，表现反而不如多行日志。而所有 Agent 在采集 512B 的日志时性能都优于 128B，说明相同流量下，日志长度越短，数量越多，给采集带来的压力越大。但 LoongCollector 所出现的膨胀要远远低于其他采集 Agent。
2. 编码限制：LoongCollector 使用 Protobuf 序列化数据发往 SLS，其余的采集 Agent 则采用了 plain 编码。从 CPU 层面来看，LoongCollector 在额外多了一次序列化的情况下，仍然能够保证明显的优势。
   1. 特殊情况：Vector 在进行正则解析，并发送数据至 Kafka 时，plain text 编码仅支持选取一个字段，无法表达正则解析后的多个字段。所以，在测试中使用了 JSON 编码，但导致了最终写入 Kafka 的流量膨胀了两倍。

**展望**

在日志采集领域，性能始终是衡量工具价值的核心标尺。通过与iLogtail的纵向对比，我们见证了LoongCollector在资源利用率、吞吐量和稳定性上的跨越式提升——它不仅继承了iLogtail的高效基因，更以更低的CPU占用和更高的日志处理并发能力，重新定义了日志采集的性能基准。而横向对比中，LoongCollector更以实测吞吐量超主流开源工具3倍以上的硬核数据，强势登顶日志采集性能榜单。

除此之外，LoongCollector 不仅仅一个日志采集 Agent，更是一个全面的可观测数据采集 Agent，支持 metric、trace 等多种数据类型，Prometheus、eBPF 等数据源。在这些方面，LoongCollector 相较于其他开源项目，也存在着一定的优势。

未来，LoongCollector将持续进化，以更强大的性能和更开放的生态，助力企业释放数据价值。