作者 |
车漾 Fluid 社区 Commiter
谢远东 Fluid 社区 Commiter
起源 | 阿里巴巴云原生公众号
导读：弹性伸缩作为 Kubernetes 的外围能力之一，但它始终是围绕这无状态的利用负载开展。而 Fluid 提供了分布式缓存的弹性伸缩能力，能够灵便裁减和膨胀数据缓存。它基于 Runtime 提供了缓存空间、现有缓存比例等性能指标, 联合本身对于 Runtime 资源的扩缩容能力，提供数据缓存按需伸缩能力。
背景
随着越来越多的大数据和 AI 等数据密集利用开始部署和运行在 Kubernetes 环境下，数据密集型利用计算框架的设计理念和云原生灵便的利用编排的一致，导致了数据拜访和计算瓶颈。云原生数据编排引擎 Fluid 通过数据集的形象，利用分布式缓存技术，联合调度器，为利用提供了数据拜访减速的能力。
弹性伸缩作为 Kubernetes 的外围能力之一，但它始终是围绕这无状态的利用负载开展。而 Fluid 提供了分布式缓存的弹性伸缩能力，能够灵便裁减和膨胀数据缓存。它基于 Runtime 提供了缓存空间、现有缓存比例等性能指标, 联合本身对于 Runtime 资源的扩缩容能力，提供数据缓存按需伸缩能力。
这个能力对于互联网场景下大数据利用十分重要，因为少数的大数据利用都是通过端到端流水线来实现的。而这个流水线蕴含以下几个步骤：
- 数据提取：利用 Spark，MapReduce 等大数据技术对于原始数据进行预处理。
- 模型训练：利用第一阶段生成特色数据进行机器学习模型训练，并且生成相应的模型。
- 模型评估：通过测试集或者验证集对于第二阶段生成模型进行评估和测试。
- 模型推理：第三阶段验证后的模型最终推送到线上为业务提供推理服务。
能够看到端到端的流水线会蕴含多种不同类型的计算工作，针对每一个计算工作，实际中会有适合的业余零碎来解决（TensorFlow，PyTorch，Spark，Presto）；然而这些零碎彼此独立，通常要借助内部文件系统来实现把数据从一个阶段传递到下一个阶段。然而频繁的应用文件系统实现数据交换，会带来大量的 I/O 开销，常常会成为整个工作流的瓶颈。
而 Fluid 对于这个场景非常适合，用户能够创立一个 Dataset 对象，这个对象有能力将数据扩散缓存到 Kubernetes 计算节点中，作为数据交换的介质，这样防止了数据的近程写入和读取，晋升了数据应用的效率。然而这里的问题是长期数据缓存的资源预估和预留。因为在数据生产生产之前，准确的数据量预估是比拟难满足，过高的预估会导致资源预留节约，过低的预估会导致数据写入失败可能性增高。还是按需扩缩容对于使用者更加敌对。咱们心愿可能达成相似 page cache 的应用成果，对于最终用户来说这一层是通明的然而它带来的缓存减速成果是实实在在的。
咱们通过自定义 HPA 机制，通过 Fluid 引入了缓存弹性伸缩能力。弹性伸缩的条件是当已有缓存数据量达到肯定比例时，就会触发弹性扩容，扩容缓存空间。例如将触发条件设置为缓存空间占比超过 75%，此时总的缓存空间为 10G，当数据曾经占满到 8G 缓存空间的时候，就会触发扩容机制。
上面咱们通过一个例子帮忙您体验 Fluid 的主动扩缩容能力。
前提条件
举荐应用 Kubernetes 1.18 以上，因为在 1.18 之前，HPA 是无奈自定义扩缩容策略的，都是通过硬编码实现的。而在 1.18 后，用户能够自定义扩缩容策略的，比方能够定义一次扩容后的冷却工夫。
具体步骤
1. 装置 jq 工具不便解析 json。
在本例子中咱们应用操作系统是 centos，能够通过 yum 装置 jq。
yum install -y jq2. 下载、装置 Fluid 最新版。
git clone https://github.com/fluid-cloudnative/fluid.git
cd fluid/charts
kubectl create ns fluid-system
helm install fluid fluid3. 部署或配置 Prometheus。
这里通过 Prometheus 对于 AlluxioRuntime 的缓存引擎裸露的 Metrics 进行收集，如果集群内无 prometheus：
$ cd fluid
$ kubectl apply -f integration/prometheus/prometheus.yaml如集群内有 prometheus，可将以下配置写到 prometheus 配置文件中：
scrape_configs:
- job_name: 'alluxio runtime'
metrics_path: /metrics/prometheus
kubernetes_sd_configs:
- role: endpoints
relabel_configs:
- source_labels: [__meta_kubernetes_service_label_monitor]
regex: alluxio_runtime_metrics
action: keep
- source_labels: [__meta_kubernetes_endpoint_port_name]
regex: web
action: keep
- source_labels: [__meta_kubernetes_namespace]
target_label: namespace
replacement: $1
action: replace
- source_labels: [__meta_kubernetes_service_label_release]
target_label: fluid_runtime
replacement: $1
action: replace
- source_labels: [__meta_kubernetes_endpoint_address_target_name]
target_label: pod
replacement: $1
action: replace4. 验证 Prometheus 装置胜利。
$ kubectl get ep -n kube-system prometheus-svc
NAME ENDPOINTS AGE
prometheus-svc 10.76.0.2:9090 6m49s
$ kubectl get svc -n kube-system prometheus-svc
NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE
prometheus-svc NodePort 172.16.135.24 <none> 9090:32114/TCP 2m7s如果心愿可视化监控指标，您能够装置 Grafana 验证监控数据，具体操作能够参考文档。
5. 部署 metrics server。
查看该集群是否包含 metrics-server，执行 kubectl top node 有正确输入能够显示内存和 CPU，则该集群 metrics server 配置正确。
kubectl top node
NAME CPU(cores) CPU% MEMORY(bytes) MEMORY%
192.168.1.204 93m 2% 1455Mi 10%
192.168.1.205 125m 3% 1925Mi 13%
192.168.1.206 96m 2% 1689Mi 11%否则手动执行以下命令：
kubectl create -f integration/metrics-server6. 部署 custom-metrics-api 组件。
为了基于自定义指标进行扩大，你须要领有两个组件：
- 第一个组件 是从应用程序收集指标并将其存储到 Prometheus 工夫序列数据库。
- 第二个组件 应用收集的度量指标来扩大 Kubernetes 自定义 metrics API，即 k8s-prometheus-adapter。
第一个组件在第三步部署实现，上面部署第二个组件。
如果曾经配置了 custom-metrics-api，在 adapter 的 configmap 配置中减少与 dataset 相干的配置：
apiVersion: v1
kind: ConfigMap
metadata:
name: adapter-config
namespace: monitoring
data:
config.yaml: |
rules:
- seriesQuery: '{__name__=~"Cluster_(CapacityTotal|CapacityUsed)",fluid_runtime!="",instance!="",job="alluxio runtime",namespace!="",pod!=""}'
seriesFilters:
- is: ^Cluster_(CapacityTotal|CapacityUsed)$
resources:
overrides:
namespace:
resource: namespace
pod:
resource: pods
fluid_runtime:
resource: datasets
name:
matches: "^(.*)"
as: "capacity_used_rate"
metricsQuery: ceil(Cluster_CapacityUsed{<<.LabelMatchers>>}*100/(Cluster_CapacityTotal{<<.LabelMatchers>>}))否则手动执行以下命令：
kubectl create -f integration/custom-metrics-api/namespace.yaml
kubectl create -f integration/custom-metrics-api留神：因为 custom-metrics-api 对接集群中的 Prometheous 的拜访地址，请替换 prometheous url 为你真正应用的 Prometheous 地址。
查看自定义指标：
$ kubectl get --raw "/apis/custom.metrics.k8s.io/v1beta1" | jq
{
"kind": "APIResourceList",
"apiVersion": "v1",
"groupVersion": "custom.metrics.k8s.io/v1beta1",
"resources": [
{
"name": "pods/capacity_used_rate",
"singularName": "","namespaced": true,"kind":"MetricValueList","verbs": ["get"]
},
{
"name": "datasets.data.fluid.io/capacity_used_rate",
"singularName": "","namespaced": true,"kind":"MetricValueList","verbs": ["get"]
},
{
"name": "namespaces/capacity_used_rate",
"singularName": "","namespaced": false,"kind":"MetricValueList","verbs": ["get"]
}
]
}7. 提交测试应用的 Dataset。
$ cat<<EOF >dataset.yaml
apiVersion: data.fluid.io/v1alpha1
kind: Dataset
metadata:
name: spark
spec:
mounts:
- mountPoint: https://mirrors.bit.edu.cn/apache/spark/
name: spark
---
apiVersion: data.fluid.io/v1alpha1
kind: AlluxioRuntime
metadata:
name: spark
spec:
replicas: 1
tieredstore:
levels:
- mediumtype: MEM
path: /dev/shm
quota: 1Gi
high: "0.99"
low: "0.7"
properties:
alluxio.user.streaming.data.timeout: 300sec
EOF
$ kubectl create -f dataset.yaml
dataset.data.fluid.io/spark created
alluxioruntime.data.fluid.io/spark created8. 查看这个 Dataset 是否处于可用状态。
能够看到该数据集的数据总量为 2.71GiB，目前 Fluid 提供的缓存节点数为 1，能够提供的最大缓存能力为 1GiB。此时数据量是无奈满足全量数据缓存的需要。
$ kubectl get dataset
NAME UFS TOTAL SIZE CACHED CACHE CAPACITY CACHED PERCENTAGE PHASE AGE
spark 2.71GiB 0.00B 1.00GiB 0.0% Bound 7m38s9. 当该 Dataset 处于可用状态后，查看是否曾经能够从 custom-metrics-api 取得监控指标。
kubectl get --raw "/apis/custom.metrics.k8s.io/v1beta1/namespaces/default/datasets.data.fluid.io/*/capacity_used_rate" | jq
{
"kind": "MetricValueList",
"apiVersion": "custom.metrics.k8s.io/v1beta1",
"metadata": {"selfLink": "/apis/custom.metrics.k8s.io/v1beta1/namespaces/default/datasets.data.fluid.io/%2A/capacity_used_rate"},
"items": [
{
"describedObject": {
"kind": "Dataset",
"namespace": "default",
"name": "spark",
"apiVersion": "data.fluid.io/v1alpha1"
},
"metricName": "capacity_used_rate",
"timestamp": "2021-04-04T07:24:52Z",
"value": "0"
}
]
}10. 创立 HPA 工作。
$ cat<<EOF > hpa.yaml
apiVersion: autoscaling/v2beta2
kind: HorizontalPodAutoscaler
metadata:
name: spark
spec:
scaleTargetRef:
apiVersion: data.fluid.io/v1alpha1
kind: AlluxioRuntime
name: spark
minReplicas: 1
maxReplicas: 4
metrics:
- type: Object
object:
metric:
name: capacity_used_rate
describedObject:
apiVersion: data.fluid.io/v1alpha1
kind: Dataset
name: spark
target:
type: Value
value: "90"
behavior:
scaleUp:
policies:
- type: Pods
value: 2
periodSeconds: 600
scaleDown:
selectPolicy: Disabled
EOF首先，咱们解读一下从样例配置，这里次要有两局部一个是扩缩容的规定，另一个是扩缩容的灵敏度：
- 规定：触发扩容行为的条件为 Dataset 对象的缓存数据量占总缓存能力的 90%；扩容对象为 AlluxioRuntime，最小正本数为 1，最大正本数为 4；而 Dataset 和 AlluxioRuntime 的对象须要在同一个 namespace。
- 策略：能够 K8s 1.18 以上的版本，能够别离针对扩容和缩容场景设置稳固工夫和一次扩缩容步长比例。比方在本例子, 一次扩容周期为 10 分钟（periodSeconds），扩容时新增 2 个正本数，当然这也不能够超过 maxReplicas 的限度；而实现一次扩容后，冷却工夫（stabilizationWindowSeconds）为 20 分钟；而缩容策略能够抉择间接敞开。
11. 查看 HPA 配置，以后缓存空间的数据占比为 0。远远低于触发扩容的条件。
$ kubectl get hpa
NAME REFERENCE TARGETS MINPODS MAXPODS REPLICAS AGE
spark AlluxioRuntime/spark 0/90 1 4 1 33s
$ kubectl describe hpa
Name: spark
Namespace: default
Labels: <none>
Annotations: <none>
CreationTimestamp: Wed, 07 Apr 2021 17:36:39 +0800
Reference: AlluxioRuntime/spark
Metrics: (current / target)
"capacity_used_rate" on Dataset/spark (target value): 0 / 90
Min replicas: 1
Max replicas: 4
Behavior:
Scale Up:
Stabilization Window: 0 seconds
Select Policy: Max
Policies:
- Type: Pods Value: 2 Period: 600 seconds
Scale Down:
Select Policy: Disabled
Policies:
- Type: Percent Value: 100 Period: 15 seconds
AlluxioRuntime pods: 1 current / 1 desired
Conditions:
Type Status Reason Message
---- ------ ------ -------
AbleToScale True ScaleDownStabilized recent recommendations were higher than current one, applying the highest recent recommendation
ScalingActive True ValidMetricFound the HPA was able to successfully calculate a replica count from Dataset metric capacity_used_rate
ScalingLimited False DesiredWithinRange the desired count is within the acceptable range
Events: <none>12. 创立数据预热工作。
$ cat<<EOF > dataload.yaml
apiVersion: data.fluid.io/v1alpha1
kind: DataLoad
metadata:
name: spark
spec:
dataset:
name: spark
namespace: default
EOF
$ kubectl create -f dataload.yaml
$ kubectl get dataload
NAME DATASET PHASE AGE DURATION
spark spark Executing 15s Unfinished13. 此时能够发现缓存的数据量靠近了 Fluid 能够提供的缓存能力（1GiB）同时触发了弹性伸缩的条件。
$ kubectl get dataset
NAME UFS TOTAL SIZE CACHED CACHE CAPACITY CACHED PERCENTAGE PHASE AGE
spark 2.71GiB 1020.92MiB 1.00GiB 36.8% Bound 5m15s从 HPA 的监控，能够看到 Alluxio Runtime 的扩容曾经开始, 能够发现扩容的步长为 2。
$ kubectl get hpa
NAME REFERENCE TARGETS MINPODS MAXPODS REPLICAS AGE
spark AlluxioRuntime/spark 100/90 1 4 2 4m20s
$ kubectl describe hpa
Name: spark
Namespace: default
Labels: <none>
Annotations: <none>
CreationTimestamp: Wed, 07 Apr 2021 17:56:31 +0800
Reference: AlluxioRuntime/spark
Metrics: (current / target)
"capacity_used_rate" on Dataset/spark (target value): 100 / 90
Min replicas: 1
Max replicas: 4
Behavior:
Scale Up:
Stabilization Window: 0 seconds
Select Policy: Max
Policies:
- Type: Pods Value: 2 Period: 600 seconds
Scale Down:
Select Policy: Disabled
Policies:
- Type: Percent Value: 100 Period: 15 seconds
AlluxioRuntime pods: 2 current / 3 desired
Conditions:
Type Status Reason Message
---- ------ ------ -------
AbleToScale True SucceededRescale the HPA controller was able to update the target scale to 3
ScalingActive True ValidMetricFound the HPA was able to successfully calculate a replica count from Dataset metric capacity_used_rate
ScalingLimited False DesiredWithinRange the desired count is within the acceptable range
Events:
Type Reason Age From Message
---- ------ ---- ---- -------
Normal SuccessfulRescale 21s horizontal-pod-autoscaler New size: 2; reason: Dataset metric capacity_used_rate above target
Normal SuccessfulRescale 6s horizontal-pod-autoscaler New size: 3; reason: Dataset metric capacity_used_rate above target14. 在期待一段时间之后发现数据集的缓存空间由 1GiB 晋升到了 3GiB，数据缓存曾经靠近实现。
$ kubectl get dataset
NAME UFS TOTAL SIZE CACHED CACHE CAPACITY CACHED PERCENTAGE PHASE AGE
spark 2.71GiB 2.59GiB 3.00GiB 95.6% Bound 12m同时察看 HPA 的状态，能够发现此时 Dataset 对应的 runtime 的 replicas 数量为 3，曾经应用的缓存空间比例 capacity_used_rate 为 85%，曾经不会触发缓存扩容。
$ kubectl get hpa
NAME REFERENCE TARGETS MINPODS MAXPODS REPLICAS AGE
spark AlluxioRuntime/spark 85/90 1 4 3 11m15. 清理环境。
kubectl delete hpa spark
kubectl delete dataset spark总结
Fluid 提供了联合 Prometheous，Kubernetes HPA 和 Custom Metrics 能力，依据占用缓存空间的比例触发主动弹性伸缩的能力，实现缓存能力的按需应用。这样可能帮忙用户更加灵便的应用通过分布式缓存晋升数据拜访减速能力，后续咱们会提供定时扩缩的能力，为扩缩容提供更强的确定性。
Fluid 的代码仓库：https://github.com/fluid-cloudnative/fluid.git，欢送大家关注、奉献代码和 star。