ElasticSearch里的几个不起眼的小功能
在创建数据库表的时候，我们可能会面临为表中的字段添加备注的需求，对于业务复杂环境下的开发者来说这通常非常有帮助。
一般开发人员会为此编写详细的开发文档，标注各个字段的用处，不过文档的问题在于难以保持更新，很少有人查阅。
最好的方式是将备注和数据绑定在一起，恰好ES拥有这个功能，它通过Mate字段实现（如上图）。Meta中所有的信息都能够自定义，类似于元数据存储仓库，比如库表信息、表中字段、字段备注、版本、创建者等。
排序是查询中比较常见的操作，一些限定范围的操作也会依赖于它。一般排序的步骤是先查询数据获取到文档，然后再使用特定字段进行排序。这种方式的性能开销较大，文档越多排序越慢。
理想的情况是在建索引的时候就排好序，这样可以一次性获取到结果，避免不必要的性能消耗。利用ES的Index Sorting能够完美的实现这一效果，另外它还带来了更好的压缩比和更小的磁盘空间。
使用方法也很简单，先指定排序字段，可以是一个或多个（上图为date），然后指定排序方式，倒序或正序，最后新建成的字段在创建索引的时候会依据它来排序。
在ES中请求发送到任意节点之后，若索引主分片不在请求所在节点，请求就会被转发到主分片所在的服务器节点上，之后由主分片创建索引并写入副本。相对写入，查询过程会简单些，请求达到节点后，该节点会拿到副本集合，然后依次轮询。
索引数据的大小和热度会使得集群中不同服务器IO压力不一致，从而造成轮询的时候，第一次访问的可能是空闲的服务器，很快就有返回，而第二次可能是压力大的服务器，较长时间后才有返回。
从用户体验角度来说，这种效果是非常不理想的。所以ES推出了Adaptive Replica Selection功能，它会以服务器的响应时间和请求队列作为参考指标，智能的选择副本进行查询，尽可能的缩短请求响应时间。
Kibana里面几个值得留意的新功能
Kuery是数据分析搜索的可视化平台kibana的新查询语法，通过在输入框中键入特定字段来检索信息，可以说是相对原生的搜索方式，即没有候选项也没有模糊查询。
Kibana新版中可以通过在options中打开新feature来启动智能检索功能，键入一部分字段后，搜索框下方马上会列出补全后的候选字段，字段中的可能值也会被枚举出来。虽说是个小功能，不过也大大提高了检索效率。
Chained Input Control是一种链式查询的功能，所有的索引数据都以控件的形式存放在一个列表中，用户可以先从列表中选择一个控件作为要查询的范围，之后列表中的控件会更新为上一个控件所限定的范围内，范围更新的同时页面展示数据也会随之更新。
比如要查询某个城市的相关数据，就可以先选择国家然后选中目标城市，之后所有数据都会同步更新。如果想要更详细的数据，还可以进一步选择控件。其实本质上这是通过前一个控件过滤下一个控件的值。
最后介绍一个小功能，大家都知道在智能化运维方面通过API来完成任务是非常有必要的，所以我们也提供了使用API创建Index Pattern的功能。
Logstash/Beats里面几个值得留意的新功能
Dissect filter可以应用于有一定规则的结构化数据上。比如将一个文本字段拆分成多个字段，通过逗号或空格进行切割。如上图所示，使用逗号分割字段，大括号中是字段的名称。
之所以不使用正则表达式，是因为它规则过于复杂，CPU消耗非常高，而目前所用的方式仅通过符号就可以切分，能够直观的预测到所获取的数据。不过该方式也存在限制，所有的数据都要遵循统一规则。
Munin不是Elastic，不过它出现的比较早，2002年的时候就诞生了，用的是PerL语言编写的，可以运行在各个平台上，跨平台能力很强。
Munin主要用来监控服务器的性能指标，比如CPU性能、磁盘占用、内存占用等。由于有着非常久的历史，所有插件非常丰富，基本上涵盖了能找的所有平台和应用。
刚好Elastic现在也在做监控和性能指标分析，我们就在想能不能直接接入Munin。最终的方案是通过beats将Munin拉入到Elastic里进行分析，由beats汇总Munin上传上来的数据，Elastic接收这些数据并交由Kibana分析，这样Elastic就能应对各种不同的平台。
如上图所示是一个和beats相关的基于磁盘的队列，可以理解为磁盘的一个缓冲区。当用beats进行处理数据时，如果数据时高时低内存占用就会比较高，而在基于磁盘的场景下得以避免这种问题。我们还可以用磁盘做一个缓冲区，让数据先落地。
X-Pack不容错过的免费功能
X-Pack虽然是我们的商业产品，但是有很多免费功能，这些都默认包含在下载版本中。如上图所示，大部分功能都是开源的，但有一部分要PAID，另一部分是免费的。
Monitoring是其中的一个免费功能，主要用来监控K8S和ES的内部运行信息，包含从监控到收集再到可视化的一整套流程。
第二个是SQL相关的功能，我们现在可以用SQL的语法来构建查询，目前来说还很简单，只提供select 基本功能，不能完全的写数据、修改数据。主要还是用于让数据科学家和运维分析人员方便的查询数据，毕竟他们对SQL语句更熟悉些。
Rolling up功能可以对数据进行上卷，按照指定的时间戳范围对数据进行聚合得到新的结果，这样数据量会少很多，很大程度上节省了磁盘空间，也比较适用于对历史数据和经营数据的进行业务分析。
还一个功能是Grok Debugger，它是一个用来调试python的工具。很多场景会用到Grok，像日志的每一行可能不一样，就可以用Grok把它们做成一个事件。