关于云原生:Kubernetes-稳定性保障手册洞察预案

122次阅读

共计 7869 个字符，预计需要花费 20 分钟才能阅读完成。

作者 | 悟鹏
起源 | 阿里巴巴云原生公众号

《Kubernetes 稳定性保障手册》系列文章：
​

  • Kubernetes 稳定性保障手册 — 极简版
  • Kubernetes 稳定性保障手册 — 日志专题
  • Kubernetes 稳定性保障手册 — 可观测性专题
  • Kubernetes 稳定性保障手册 — 洞察 + 预案（本文）

综述​

​
稳定性保障是个简单的话题，须要 无效、可迭代、可继续 保障集群的稳定性，系统性的办法或者能够解决该问题。
​
为了造成系统性的办法，能够梳理出稳定性保障复杂性的源头，制订数据模型来对其进行形容，而后在数据模型的根底上对集群的稳定性保障进行 数字化 和可视化，以数据模型为内核来继续迭代对稳定性保障的了解、实际以及教训的固化。
​

稳定性复杂性源头

​
稳定性保障的复杂性源头，个别会有如下维度：
​

  • 零碎组件数量和交互关系：随着工夫继续变动
  • 零碎组件和交互的动静行为特色：不易推导和察看
  • 系统资源类型和数量：随着工夫继续变动
  • 系统资源的动静行为特色：不易推导和察看
  • 集群的稳定性保障动作：不易标准和平安执行

总结下来，即：
​

  • 如何无效、全面 洞察 集群
  • 如何通过 预案 平安执行稳定性保障动作

数据模型

​
能够通过 4 张图和 3 张表对洞察和预案进行数据模型的形象：
​

4 张图

​

  • 架构关系图：形容集群组件及其交互关系
  • 架构运行图：形容集群组件及交互的动静特色
  • 资源形成图：形容集群资源的形成
  • 资源运行图：形容集群资源的动静应用特色

3 张表

​

  • 事件列表：形容集群产生的须要关注的事件
  • 操作列表：形容集群中能够执行的治理操作
  • 预案列表：形容集群中事件和操作的关联关系

如下：
​

洞察

​
集群的性能由集群架构提供，性能组件基于集群资源运行，故对于集群稳定性的洞察，外围在于把握 集群架构 和集群资源 的特色。
​

1. 架构关系图

​
集群架构通常能够通过 图来表征，其中节点表征组件，边表征交互关系，通过图构造能够直观把握集群的架构，形如下图：
​

可通过形如下的数据结构形容：

{
    "nodes": [
        {
            "_id": "0ce0e913f6e5516846c654dbd81db6ecab1f684e",
            "name": "kube-apiserver",
            "description": "XXX VPC 内",
            "type": "managed component",
            "dependencies": {}},
        {
            "_id": "f0740d8bb67520857061a9b71d4a9e4fc50bfe3d",
            "name": "etcd",
            "description": "XXX VPC 内",
            "type": "managed component | storage",
            "dependencies": {}},
        {
            "_id": "05952a825e91cb50a81cbaf23c6941d5c3bb2c89",
            "name": "eni-operator",
            "description": "XXX VPC 内，治理 ENI",
            "type": "component",
            "dependencies": {
                "serviceaccount": "enioperator",
                "clusterrole": "enioperator",
                "clusterrolebinding": "enioperator",
                "configmaps": ["eniconfig"],
                "secrets": ["enioperator"]
            }
        },
        {
            "_id": "42699513a7561e89a5f99881d7b05653a1625c51",
            "name": "Network Service",
            "description": "提供 VPC/VSwitch 等云网络资源的治理服务",
            "type": "cloud service"
        }
    ],
    "edges": [
        {
            "_id": "38bce9ca8a0cec6d8586d96298bd63b0523fc946",
            "source": "eni-operator", "target": "kube-apiserver",
            "description": "治理 ENI 申请"
        },
        {
            "_id": "93f3c21247165f0be3a969fc80f72bc1a402e9f5",
            "source": "eni-operator", "target": "Network Service",
            "description": "拜访阿里云 ECS OpenAPI，治理 VPC/VSwitch 等网络资源"
        }
    ]
}

​

2. 架构运行图

​
集群运行过程中，组件及交互关系能够通过内部观测数据揣测外部状态，如 log/metrics/trace。与集群架构图联合，能够在动态架构的根底上叠加动静的洞察数据，更直观把握集群的衰弱状态，如下图：
​

其中的数字表征洞察数据，能够是「异样数量」「申请流量」等。除了通过数字进行洞察，还能够应用「色彩表征衰弱状态」「线条粗细表征流量大小」等。

可通过形如下的数据结构形容：

{
    "nodes": [
      {
            "_id": "ea4538dc0625d06b0dc93579998e04288656050f",
            "name": "mutatehook",
            "deploy": {
                "type": "K8s:Deployment",
                "namespace": "kube-system",
                "replicas": 3
            },
            "insight": [
                {
                    "source": {
                        "vendor": "cloud:aliyun:sls",
                        "log_project": "xxx",
                        "log_store": "mutatehook",
                        "log_url": "https://sls.console.aliyun.com/lognext/project/xxx"
                    },
                    "signal": {
                        "exception": {"fuzzy": "fail OR Fail OR error OR Error"}
                    }
              }
          ]
      }
    ],
    "edges": [
        {
            "_id": "38bce9ca8a0cec6d8586d96298bd63b0523fc946",
            "source": "eni-operator", "target": "kube-apiserver",
            "insight":[
                {
                    "source": {
                        "vendor": "cloud:aliyun:sls",
                        "log_project": "xxx",
                        "log_store": "xxx",
                        "log_url": "https://sls.console.aliyun.com/lognext/project/xxx"
                    },
                    "signal": {
                        "exception": {
                            "unauthorized": "Unauthorized",
                            "throttling": "'Throttling' OR 'throttling'"
                        }
                    }
                }
            ]
        }
    ]
}

​

3. 资源形成图

资源管理是个简单的话题，通过剖析集群中资源的形成关系，也能够尝试通过 图构造来表征集群的资源形成，节点表征资源，边表征资源的隶属或绑定关系。
​
可通过形如下的数据结构形容：

{"kinds": ["vpc", "vswitch", "securitygroup", "ecs", "clb", "rds", "nat", "eip"],
    "tags": {
        "cluster/product": "xxx",
        "cluster/id": "2736f42d4e882ad6825d6364545a3f1cb5136859",
        "cluster/name": "xxx",
        "cluster/env": "staging"
    },
    "nodes": [
        {
            "kind": "vpc",
            "nodes": [
                {
                    "_id": "c505f21871bac7385c1387988cf226310af0831e",
                    "id": "vpc-xxx",
                    "description": "","ipv4":"xxx","tags": {"resource/creator":"product","resource/role":""},
                     "url": "https://vpc.console.aliyun.com/vpc/xxx"
                }
            ]
        },
        {
            "kind": "ecs",
            "nodes": [
                {
                    "_id": "47c4fe5cc2585a49f07798a0b8b69cda7f8d4a23",
                    "id": "xxx",
                    "az": "xxx",
                    "interfaces": {
                        "primary": {
                            "ip": "xxx",
                            "eni": "xxx",
                            "mac": "xxx"
                        }
                    },
                    "instance-type-family": "xxx",
                    "instance-type": "xxx",
                    "tags": {
                        "resource/creator": "product",
                        "resource/role": "worker",
                        "node/container-runtime": "xxx",
                        "node/user-networking": "xxx",
                        "node/system-networking": "xxx"
                    },
                    "status": "","condition":"",
                    "url": "https://ecs.console.aliyun.com/#/server/xxx"
                }
            ]
        }
    ],
    "edges": [
        {
            "_id": "a754c748b2723a25c017421dd0969d00df3c000b",
            "source": "vsw-xxx", "target": "vpc-xxx",
            "description": ""
        },
        {
            "_id": "c34b164eba2897cfb2b574a576672d8aa441d709",
            "source": "eip-xxx", "target": "ngw-xxx",
            "description": ""
        }
    ]
}

​

4. 资源运行图

​
资源应用过程中，也能够对资源及资源间的关系通过内部观测数据揣测外部状态，如 log/metrics/event。与资源形成图联合，能够在动态资源的根底上叠加动静的洞察数据，直观把握集群资源的应用状态。
​
可通过形如下的数据结构形容：

{
    "nodes": [
         {
            "_id": "35103ac62d4ef0a314e2a5128f44c684205bea2f",
            "id": "vpc",
            "insight": [
                {
                    "source": {
                        "vendor": "cloud:aliyun:vpc",
                        "type": "OpenAPI"
                    },
                    "signal": {
                        "vpc/exist": "DescribeVpcs",
                        "vswitch/count": "DescribeVSwitches"
                    }
                },
                {
                    "source": {
                        "vendor": "cloud:aliyun:ecs",
                        "type": "OpenAPI"
                    },
                    "signal": {
                        "ecs/count": "DescribeInstances",
                        "securitygroup/count": "DescribeSecurityGroups"
                    }
                }
            ]
        },
        {
            "_id": "6450e07dc67027f76f29fbfcb841e57200855196",
            "id": "ecs",
            "insight": [
                {
                    "source": {
                        "vendor": "cloud:aliyun:ecs",
                        "type": "OpenAPI"
                    },
                    "signal": {
                        "ecs/exist": "DescribeInstances",
                        "ecs/count": "DescribeInstances",
                        "ecs/usage": "DescribeInstanceMonitorData"
                    }
                },
                {
                    "source": {
                        "vendor": "cloud:aliyun:ecs",
                        "type": "auto"
                    },
                    "signal": {"ecs/state_change": ""}
                }
            ]
        }
    ],
    "edges": [
        {
            "_id": "caa1e395c713f47766ca7bcfc20419c0be0f0803",
            "source": "i-xxx", "target": "sg-xxx",
            "insight": [
                {
                    "source": {
                        "vendor": "cloud:aliyun:ecs",
                        "type": "OpenAPI"
                    },
                    "signal": {"exist": "DescribeInstances"}
                }
            ]
        },
        {
            "_id": "537dc478d95714792b3694674d6164f72b361bb0",
            "source": "eip-xxx", "target": "ngw-xxx",
            "insight": [
                {
                    "source": {
                        "vendor": "cloud:aliyun:vpc",
                        "type": "OpenAPI"
                    },
                    "signal": {"exist": "DescribeEipAddresses"}
                }
            ]
        }
    ]
}

预案

​
集群出现异常是不可避免的，须要在出现异常时平安、无效解决。
​
异样能够通过事件来表征，平安、无效的操作是通过评审、演练过的操作，将异样与操作联合，由异样触发操作，造成通过评审、演练的预案，能够平安无效解决集群异样。
​

1. 事件列表

​
集群运行过程中会产生须要关注的事件，事件本身的格局可基于社区 CloudEvents 规范来应用：_https://github.com/cloudevent…
​
可通过形如下的数据结构形容：

{
    "events": [
        {
            "_id": "a1ab5b61857be35a5c5b203dd84b49248161c823",
            "description": "restart workload manually",
            "event": {
                "id": "restart-workload",
                "source": "xxx",
                "specversion": "1.0",
                "type": "com.aliyun.trigger.manual",
                "datacontenttype": "application/json",
                "data": "{\"NAMESPACE\": \"\", \"NAME\": \"\", \"TYPE\": \"\"}"
            }
        }
    ]
}

​

2. 操作列表

​
为了升高误操作的可能性，同时防止异样产生时执行未经审核、验证的操作，须要定义集群中能够进行的操作列表。
​
可通过形如下的数据结构形容：

{
    "actions": [
        {
            "_id": "47abc5cd9d64018ebf96dc5b2d6a4fbd35a3cb6d",
            "name": "Action Restart Workload",
            "exec": "restart-workload",
            "env": [
                "NAMESPACE",
                "NAME",
                "TYPE"
            ]
        }
    ]
}

3. 预案列表

​
在事件列表和操作列表根底上，能够将事件和操作关联起来，以事件驱动的形式解决异样，即预案。
​
可通过形如下的数据结构形容：

{
    "plans": [
        {
            "_id": "29a091c48d8992991ed69e8694b017a11abe3eec",
            "name": "Plan Restart Workload",
            "description": "重启 workload",
            "event": "a1ab5b61857be35a5c5b203dd84b49248161c823",
            "actions": ["47abc5cd9d64018ebf96dc5b2d6a4fbd35a3cb6d"]
        }
    ]
}

全局可视化稳定性保障

​
基于上述 4 张图 和3 张表 的数据模型，造成对集群稳定性保障的 洞察 + 预案 的内核，能够衍生出一种全局可视化的稳定性保障服务。
​
这样的服务具备如下关键点：
​

  • 全局视角
  • 数字化
  • 可视化

这种服务基于两种原理实现：
​

  • 人们对图像的解决效率远高于文字
  • 全局视角能够提供「端到端了解零碎」「精准定位问题」「平安解决问题」的能力

以日常生活中的交通图为例：
​

通过交通图，能够疾速理解到一个区域的路线散布和要害节点，约定俗成的红黄绿色彩能够直观表白路线的拥挤情况。在更丰盛的交通图上，还会察看到诸如修路、封路等重要事件。
​
这样，基于可视化的形式，就能够迅速了解一个区域的交通和天文状况。
​
底层的数据模型是根底，利用可视化的伎俩，使得数据的价值更易被施展。
​

一种实现

​

1）部署状态

​

  • Region 化部署
  • 面向 Region 内单集群或多集群提供服务

2）应用体感

​
依据稳定性保障的最佳实际，将稳定性保障分为如下几个栏目：

  • 运行链路图：

    • 该栏目是日常稳定性保障高频应用的区域，通过可视化的能力，直观感知异样的产生、异样范畴和影响水平、白屏化 + 可视化形式解决异样

  • 部署架构图

    • 该栏目用于了解集群的部署架构，感知和解决部署维度的问题
    • 容量治理 (包含节点治理、容量布局等) 在此栏目进行

  • 业务流程图

    • 该栏目积淀业务的性能流程图，一方面帮助业务管制性能复杂度，一方面帮助业务了解业务性能现状，独特助力业务迭代
    • 业务相干的数据分析可放在该栏目

  • 数据分析：该栏目服务两方面的数据需要

    • 业务需要

      • 查看类：集群规模等 SLI 信息、集群稳定性等 SLO 信息
      • 查问类：依据特色查问统计信息 (如依据 label 查问资源申请等)

    • 稳定性保障需要

      • 查看类：集群水位等 SLI 信息，集群稳定性保障成果等 SLO 信息
      • 查问类：依据特色查问统计信息 (如依据 label 查问关联的所有资源信息、资源泄露信息等)

  • 可观测性治理

    • 该栏目用治理可观测性相干事宜，包含：

      • 观测数据生成
      • 观测数据采集
      • 观测数据处理
      • 观测数据生产

  • 可控性治理

    • 该栏目用于治理与管制相干的操作，包含：

      • 公布治理
      • 灾备治理
      • 预案治理
      • 资源管理
      • 混沌工程
      • 平安治理
      • 定期体检

零碎失常运行期间：
​

  • 通过「数据分析」栏目，确认集群在「可观测性」「可控性」方面的覆盖面和精确性
  • 在「可观测性治理」栏目，进行可观测维度的治理，包含 数据源 / 监控 / 告警补齐、治理等

  • 在「可控性治理」栏目:

    • 依据观测数据发现的问题，进行预案配置、issue 治理等
    • 依据混沌工程或演练发现的问题，进行预案配置等
  • 在「运行链路图」「部署架构图」中，通过可视化形式，将曾经配置的监控、告警、预案与组件或链路联合

零碎异样及复原期间，在「运行链路图」中：
​

  • 通过集群运行链路图或告警，感知异样的产生
  • 主动或手动触发问题跟踪
  • 通过集群运行链路图中组件及交互的色彩，感知异样的组件、异样的链路和重大水平
  • 点击集群运行链路图中组件的异样数字，获取关联的异样详情，或跳转到日志、tracing 零碎等进行手动查问
  • 依据异样详情或平台提醒，确定待执行的预案和关联的组件
  • 在集群运行链路图中执行预案 (阻断问题或复原服务)
  • 通过集群运行链路图中组件及交互的色彩，确认预案执行成果
  • 主动或手动完结问题跟踪

问题跟踪过程中记录的次要内容有：
​

  • issue
  • 异样产生的时刻
  • 异样解决期间执行的动作
  • 运行链路图 snapshot
  • 异样复原的时刻

数据模型及竞争力剖析

​
数据模型是稳定性保障最佳实际进行迭代、分享和利用的媒介，通用的洞察和预案能够造成标准化的服务，个性化的洞察和预案可通过固定的构造来形容，而后应用通用的控制器来落地。
​
以数据模型造成 洞察 + 预案 的稳定性保障服务，技术外围为：
​

  • 洞察模型

    • 关键问题：

      • 如何洞察集群稳定性？
      • 如何洞察业务迭代效率？

  • 数据模型

    • 关键问题：

      • 如何定义无效、可扩大的数据形容?

在技术外围的根底上，能够围绕如下的竞争力进行迭代：
​

  • 洞察

    • 全局化
    • 数字化
    • 可视化

  • 效率

    • 最短操作门路
    • 最小应用老本

  • 先进性

    • 流程化最佳实际

小结

​
通过 Spec 标准 7 种数据模型，咱们能够基于结构化的形容来表征洞察 + 预案。以此为外围，一直迭代对稳定性保障的实际和了解，减速业务迭代。再扩大一步，也有可能基于该模型在倒退方向反哺业务。
​
如果大家感兴趣，欢送在留言区进行交换。

正文完
云原生
发表至： 云原生
2021-05-25
 0
关于云原生:活动回顾丨阿里云-Serverless-技术实践营-ServerlessAI-专场
关于云原生:系列解读SMCR透明无感提升云上-TCP-应用网络性能一-龙蜥技术
关于云原生:福利来了蚂蚁金融云邀您参加有奖调研为中国混沌工程创新发展添力
关于云原生:促进银行业务高质量发展神州云科亮相亚太银行数字化创新峰会