Terraform Provider Azurerm 中Express Route流量收集器与Log Analytics的集成实践
在Azure云环境中,Express Route流量收集器是一个重要的网络流量分析工具,它能够收集和分析通过Express Route电路的IPFIX流量数据。本文将详细介绍如何在Terraform Provider Azurerm中实现Express Route流量收集器与Log Analytics工作区的集成配置。
背景与问题分析
Express Route流量收集器通过IPFIX协议收集网络流量数据,这些数据通常需要发送到分析系统进行处理。Azure门户提供了将数据发送到特定Log Analytics工作区的选项,但在Terraform的azurerm_network_function_collector_policy资源中,ipfx_emission.destination_types仅支持"Azure Monitor"这一通用选项。
这种设计存在两个主要问题:
- 缺乏明确的目标工作区指定机制
- 部署后无法直观查看数据实际发送到哪个Log Analytics工作区
解决方案详解
通过分析Azure门户生成的部署模板,我们发现流量收集器实际上是通过诊断设置(Microsoft.Insights/diagnosticSettings)与Log Analytics工作区建立关联的。因此,正确的集成方法应该包含以下两个步骤:
1. 创建流量收集器策略
resource "azurerm_network_function_collector_policy" "example" {
name = "traffic-collector-policy"
traffic_collector_id = azurerm_network_function_azure_traffic_collector.example.id
location = azurerm_resource_group.example.location
ipfx_emission {
destination_types = ["AzureMonitor"]
}
ipfx_ingestion {
source_resource_ids = [azurerm_express_route_circuit.example.id]
}
}
2. 配置诊断设置关联Log Analytics工作区
resource "azurerm_monitor_diagnostic_setting" "traffic_collector_diag" {
name = "traffic-collector-diag"
target_resource_id = azurerm_network_function_azure_traffic_collector.example.id
log_analytics_workspace_id = azurerm_log_analytics_workspace.example.id
log_analytics_destination_type = "Dedicated"
enabled_log {
category = "ExpressRouteCircuitIpfix"
}
}
关键配置说明
-
log_analytics_destination_type:建议设置为"Dedicated",这样会在Log Analytics中创建资源特定的表,便于数据管理和查询。
-
enabled_log:必须包含"ExpressRouteCircuitIpfix"类别,这是Express Route流量数据的日志类别。
-
target_resource_id:需要指向流量收集器资源,而不是收集器策略资源。
最佳实践建议
-
集中化管理:在大型环境中,建议将多个流量收集器的数据发送到同一个中央Log Analytics工作区,便于统一监控和分析。
-
权限控制:确保服务主体或用户有权限在目标Log Analytics工作区中创建诊断设置。
-
数据保留策略:根据合规要求,在Log Analytics工作区中配置适当的数据保留期。
-
命名规范:为诊断设置使用清晰的命名,便于后续管理和维护。
总结
通过本文介绍的方法,我们可以在Terraform中实现Express Route流量收集器与特定Log Analytics工作区的精确关联。这种配置方式不仅解决了门户与Terraform配置的差异问题,还提供了更灵活的数据管理能力。对于需要精细控制分析数据流向的企业环境,这种方案尤为重要。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00