在分布式系統(tǒng)上管理服務是運維團隊面臨的最困難的問題之一。在生產(chǎn)中突破新軟件并學習如何可靠地運營是非常重要的。本文是一則實例，講述為什么學習運營Kubernetes很重要，以及為什么很難。本文是關于Kubernetes bug導致的一小時中斷故障的事后剖析。
為什么選擇在Kubernetes之上構建？如何將Kubernetes集成到現(xiàn)有基礎設施中？本文作者給出的方法是建立 (和改進) 對Kubernetes集群的可靠性的信任，以及構建在Kubernetes之上的抽象。
我們最近在Kubernetes之上構建了一個分布式的cron作業(yè)調(diào)度系統(tǒng)，這是一個令人興奮的容器編排的新平臺。Kubernetes現(xiàn)在非常流行，并且有許多令人興奮的承諾：最令人興奮的是，程序員不需要知道或關心他們的應用程序運行的是什么機器。
什么是Kubernetes?
Kubernetes是一個分布式系統(tǒng)，用于調(diào)度程序在集群中運行。你可以告訴Kubernetes運行一個程序的5個副本，它將在工作節(jié)點上動態(tài)調(diào)度它們。容器自動調(diào)度以增加利用率，節(jié)省資金，強大的deployment primitives允許逐步推出新的代碼，安全上下文和網(wǎng)絡策略允許企業(yè)以安全的方式運行多租戶的工作負載。
Kubernetes有很多不同類型的調(diào)度能力。它可以調(diào)度長時間運行的HTTP服務、在集群中每臺機器上運行的daemonsets、每小時運行的cron作業(yè)等等。
為什么是Kubernetes?
每個基礎設施項目都是從業(yè)務需求開始的，我們的目標是提高現(xiàn)有分布式cron作業(yè)系統(tǒng)的可靠性和安全性。我們的要求是:
建立和運營一支小團隊(只有2人在項目中全職工作)。
在20臺機器上可靠地安排大約500個不同的cron作業(yè)。
我們決定在Kubernetes之上建立的幾個原因:
希望構建一個現(xiàn)有的開源項目。
kubernetes包含一個分布式cron作業(yè)調(diào)度器，不必自己編寫。
kubernetes是一個非?；钴S的項目，經(jīng)常接受捐贈。
kubernetes是用Go寫的，很容易學。幾乎所有Kubernetes的bug都是由團隊中沒有經(jīng)驗的程序員做的。
如果我們能夠成功地運營Kubernetes，可以在未來的Kubernetes上構建，例如，目前正在開發(fā)基于kubernet的系統(tǒng)來訓練機器學習模型。
我們以前使用Chronos作為cron作業(yè)調(diào)度系統(tǒng),但它不再是滿足可靠性要求,而且大部分都沒有維護(在過去9個月中1次提交, 最后一次合并請求的時間是2016年3月）)Chronos未維護的,我們認為不值得繼續(xù)投資改善現(xiàn)有的集群。
如果你正考慮Kubernetes，請記住:不要僅僅因為其他公司在使用Kubernetes而使用它。建立一個可靠的集群需要花費大量的時間，使用它的業(yè)務案例并不是很突出。把你的時間用在聰明的方法上。
可靠性是什么意思?
說到運營服務，“可靠”這個詞本身并沒有什么意義。要討論可靠性，首先需要建立一個SLO(服務級別目標)。
我們有三個主要目標：
99.99%的cron作業(yè)應該在預定運行時間的20分鐘內(nèi)開始運行。20分鐘是一個很寬的窗口，但是我們采訪了內(nèi)部客戶，沒有人要求更高的精確度。
Jobs應該運行99.99%的時間(不被終止)。
向Kubernetes的遷移不會導致任何面向客戶的事件。
這意味著:
Kubernetes API的短暫停機時間是可以接受的(如果停機10分鐘，只要在5分鐘內(nèi)恢復即可)。
調(diào)度錯誤(cron作業(yè)運行完全丟失并且根本無法運行)是不可接受的。我們非常重視安排錯誤報告。
要謹慎對待pod evictions 和安全終止實例，以免作業(yè)過于頻繁地終止。
需要一個好的遷移計劃。
建立一個Kubernetes集群
我們建立第一個Kubernetes集群的基本方法是從零開始構建集群，而不是使用kubeadm或kops之類的工具。使用Puppet（常用的配置管理工具）調(diào)配了配置。從頭開始構建很好，原因有兩個：能夠深入地集成Kubernetes在架構中，并且深入理解其內(nèi)部。
我們希望將Kubernetes整合到現(xiàn)有的基礎架構中。與現(xiàn)有系統(tǒng)無縫集成，以便進行日志記錄，證書管理，加密，網(wǎng)絡安全，監(jiān)控，AWS實例管理，部署，數(shù)據(jù)庫代理，內(nèi)部DNS服務器，配置管理以及更多。整合所有這些系統(tǒng)有時需要一點創(chuàng)造力，但總體上比試圖讓kubeadm / kops成為我們想要的更容易。
在信任并了解如何操作這些現(xiàn)有系統(tǒng)后，我們希望繼續(xù)在新的Kubernetes群集中使用。例如，安全證書管理是一個非常棘手的問題，已經(jīng)有辦法頒發(fā)和管理證書。通過適當?shù)恼?，我們避免了為Kubernetes創(chuàng)建新的CA。
準確了解設置的參數(shù)是如何影響Kubernetes設置的。例如，在配置用于身份驗證的證書/CAs時，使用了超過12個參數(shù)。了解這些參數(shù)有助于在遇到身份驗證問題時更容易調(diào)試設置。
對Kubernetes建立信心
在Kubernetes之初，團隊中沒有人使用過Kubernetes。如何從“沒有人用過Kubernetes”到“我們有信心在生產(chǎn)中運行Kubernetes”?
戰(zhàn)略0：與其他公司交談
我們向其他公司詢問了Kubernetes的經(jīng)歷。 他們都以不同的方式或在不同的環(huán)境中使用Kubernetes（運行HTTP服務，裸機，Google Kubernetes引擎等）。
在談到Kubernetes這樣龐大而復雜的系統(tǒng)時，重要的是認真思考自己的用例，做自己的實驗，建立對自己環(huán)境的信心，并做出決定。 例如，你不該讀這篇博客文章并得出結(jié)論：“Stripe正在成功使用Kubernetes，所以它也適用于我們！”
以下是我們在與幾家運營Kubernetes集群的公司溝通后后學到的：
優(yōu)先考慮企業(yè)etcd集群的可靠性（etcd是存儲所有Kubernetes集群狀態(tài)的地方）。
某些Kubernetes功能比其他功能更穩(wěn)定，因此請小心Alpha功能。一些公司只有在穩(wěn)定后才能使用穩(wěn)定特性（例如，如果某個功能在1.8版本中保持穩(wěn)定，則在使用它之前會等待1.9或1.10）。
考慮使用托管的Kubernetes系統(tǒng)，如GKE / AKS / EKS。從頭開始建立高可用性Kubernetes系統(tǒng)是一項巨大的工作。 AWS在此項目中沒有托管的Kubernetes服務，所以這不適合我們。
注意由覆蓋網(wǎng)絡/軟件定義網(wǎng)絡引入的額外網(wǎng)絡延遲。
策略1:閱讀代碼。
我們計劃很大程度上依賴于Kubernetes的一個組件，即cronjob控制器。這個組件當時處于alpha階段，這讓我們有點擔心。我們在一個測試集群中嘗試了它，但是如何判斷它在生產(chǎn)中是否適合我們呢?
值得慶幸的是，所有cronjob控制器的核心功能只有400行Go。通過源代碼快速讀取顯示：
cron作業(yè)控制器是一個無狀態(tài)的服務(與其他Kubernetes組件一樣，除了etcd)。
每10秒鐘，這個控制器調(diào)用syncAll函數(shù)：go wait.Until（jm.syncAll，10 * time.Second，stopCh）
syncAll函數(shù)從Kubernetes API中獲取所有cron作業(yè)，遍歷該列表，確定下一步應該運行哪些作業(yè)，然后啟動這些作業(yè)。
核心邏輯似乎相對容易理解。更重要的是，如果在這個控制器中有一個bug，它可能是我們可以修復的東西。
策略2:做負載測試
在開始認真構建集群之前，我們做了一些負載測試。我們并不擔心Kubernetes集群能夠處理多少節(jié)點(計劃部署大約20個節(jié)點)，但是確實想讓某些Kubernetes能夠處理我們希望運行的那么多的cron作業(yè)(大約每分鐘50個)。
在一個3節(jié)點集群中運行了測試，創(chuàng)建了1000個cron作業(yè)，每個任務每分鐘運行一次。這些工作中的每一個都簡單地運行bash -c 'echo hello world'。我們選擇簡單的作業(yè)，是因為希望測試集群的調(diào)度和編排能力，而不是集群的總計算能力。
測試集群無法處理每分鐘1000個cron作業(yè)。每個節(jié)點每秒最多只能啟動一個pod，而集群能夠每分鐘運行200個cron作業(yè)。由于我們只希望每分鐘運行大約50個cron作業(yè)，所以我們認為這些限制不是阻礙因素。
策略3:優(yōu)先構建和測試高可用性etcd集群。
在設置Kubernetes時，最重要的事情之一就是運行etcd。Etcd是Kubernetes集群的核心，它是存儲集群中所有數(shù)據(jù)的地方。除了etcd之外，其他一切都是無狀態(tài)的。如果etcd沒有運行，不能對Kubernetes集群進行任何更改(盡管現(xiàn)有的服務將繼續(xù)運行!)
這張圖顯示了etcd是Kubernetes集群的核心——API服務器是etcd前面的無狀態(tài)REST/認證端點，然后其他組件通過API服務器與etcd對話。 在運行時，有兩個要點需要牢記：
設置復制,這樣集群不會死如果你失去了一個節(jié)點。我們現(xiàn)在有三個etcd副本。
確保足夠的I / O帶寬。我們的etcd版本有一個問題，一個具有高fsync延遲的節(jié)點可能觸發(fā)連續(xù)的leader elections，導致集群無法使用。通過確保所有節(jié)點的I/O帶寬都比etcd的寫入數(shù)量多，從而彌補了這一點。
設置復制不是一個設置-忘記操作。我們仔細地測試后發(fā)現(xiàn)可能會丟失一個etcd節(jié)點，并且集群優(yōu)雅地恢復了。
以下是為建立etcd集群所做的一些工作:
設置復制
監(jiān)控etcd服務是可用的
寫一些簡單的工具,以便輕松創(chuàng)建新的etcd節(jié)點，并加入到集群當中
編寫一些簡單的工具，以便我們可以輕松創(chuàng)建新的etcd節(jié)點并將它們加入到群集中
補丁etcd的高集成,這樣我們可以在生產(chǎn)環(huán)境中運行超過1個 etcd集群
測試從一個etcd備份中恢復
測試可以在不停機情況下重建整個集群
很高興很早就做了這個測試。某個周五的早晨，在我們的生產(chǎn)集群中，一個etcd節(jié)點停止了對ping的響應。我們得到了警報，終止了節(jié)點，帶來了一個新的節(jié)點，加入到集群中，同時Kubernetes繼續(xù)運行。
策略4：逐步將工作遷移到Kubernetes
我們的目標之一是將工作遷移到Kubernetes而不造成任何中斷。成功進行生產(chǎn)遷移的秘訣不是避免犯錯（這是不可能的），而是設計你的遷移以減少錯誤的影響。
我們很幸運有多種職位可以遷移到新集群，所以可以遷移一些低影響的工作崗位，接受一兩次失敗。
在開始遷移之前，構建了易于使用的工具，如果有必要，可以在不到五分鐘的時間內(nèi)在舊系統(tǒng)和新系統(tǒng)之間來回移動作業(yè)。這種簡單的工具減少了錯誤的影響 - 如果遷移一個沒有計劃的依賴的工作，沒有什么大不了的！可以將其移回原處，解決問題，然后再試。
以下是我們采用的整體遷移策略：
根據(jù)他們的重要程度大致排序
將一些重復的工作遷移到Kubernetes。如果發(fā)現(xiàn)新的情況，快速回滾，修復問題，然后重試。
策略5:調(diào)查 Kubernetes bug 并修復它們
我們在項目開始時制定了一個規(guī)則:如果Kubernetes做了一些意外的事情，必須調(diào)查，找出原因，并提出補救措施。
調(diào)查每個問題都很耗時，但很重要。如果只是簡單地將Kubernetes的”古怪行為”看作是復雜的分布式系統(tǒng)的功能，我們擔心，因為它們會被調(diào)用導致產(chǎn)生bug集群。
在使用了這種方法之后，我們發(fā)現(xiàn)并且修復了Kubernetes的幾個bug。
以下是測試中發(fā)現(xiàn)的一些問題:
名稱超過52個字符的Cronjob無法安排作業(yè)。
Pods有時會永遠停留在掛起狀態(tài)。
調(diào)度程序會每3個小時崩潰一次。
Flannel的hostgw后端沒有替換過時的路由表項
修復這些bug讓我們對Kubernetes項目的使用感覺好得多——不僅它運行得比較好，而且也接受補丁并有一個良好的PR審查過程。
Kubernetes有bug，像所有的軟件一樣。特別是，我們非常頻繁地使用調(diào)度器(cron作業(yè)總是在創(chuàng)建新的pods)，而調(diào)度器使用緩存有時會導致bug、回退和崩潰。緩存是困難的!但是代碼庫是可接近的，我們已經(jīng)能夠處理遇到的bug。
值得一提的是，Kubernetes的pod驅(qū)逐邏輯。Kubernetes有一個稱為節(jié)點控制器的組件，它負責將pod驅(qū)逐出去，如果節(jié)點沒有響應，則將它們移到另一個節(jié)點。allnodes會暫時無響應(例如，由于網(wǎng)絡或配置問題)，在這種情況下，Kubernetes可以終止集群中的所有pod。
如果運行的是大型Kubernetes集群，請仔細閱讀節(jié)點控制器文檔，仔細地考慮設置，并進行廣泛測試。每次通過創(chuàng)建網(wǎng)絡分區(qū)測試對這些設置的配置更改(例如，pod-驅(qū)逐超時)，就會發(fā)生令人驚訝的事情。最好在測試中發(fā)現(xiàn)這些意外，而不是在生產(chǎn)中發(fā)現(xiàn)。
策略6：有意引起Kubernetes集群問題
之前討論過在Stripe中進行游戲日練習。這個想法是要想出你最終會在生產(chǎn)中發(fā)生的情況，然后在生產(chǎn)中故意造成這些情況，從而確保能夠處理它們。
在集群上進行了幾次練習之后，經(jīng)常發(fā)現(xiàn)諸如監(jiān)視或配置錯誤等問題。很高興在早期發(fā)現(xiàn)這些問題，而不是六個月后突然發(fā)現(xiàn)。
以下是運行的一些比賽日練習：
終止Kubernetes API服務器
終止所有Kubernetes API服務器并將其恢復（這非常有效）
終止etcd節(jié)點
從API服務器中關閉Kubernetes集群中的工作節(jié)點（以便它們無法通信）。這導致節(jié)點上的所有pods被遷移到其他節(jié)點。
很高興看到Kubernetes如何應對我們投入的大量干擾。 Kubernetes的設計是為了適應錯誤 - 它有存儲所有狀態(tài)的etcd集群，一個只是該數(shù)據(jù)庫的REST接口的API服務器，以及一個協(xié)調(diào)所有集群管理的無狀態(tài)控制器集合。
如果任何Kubernetes核心組件（API服務器，控制器管理器或調(diào)度程序）被中斷或重新啟動，一旦它們出現(xiàn)，它們將從etcd讀取相關狀態(tài)并繼續(xù)無縫運行。這是我們希望的事情之一，而且在實踐中實際運作良好。
以下是測試中發(fā)現(xiàn)的一些問題：
“沒有得到paged，來修復監(jiān)控?！?/p>
“當銷毀API服務器實例并將其恢復后，需要人工干預。最好解決這個問題?！?/p>
“有時執(zhí)行etcd故障轉(zhuǎn)移時，API服務器會啟動超時請求，直至重新啟動。”
在運行這些測試后，針對發(fā)現(xiàn)的問題開發(fā)了補救措施：改進了監(jiān)控，發(fā)現(xiàn)了固定配置問題，并提交了Kubernetes bug。
使cron作業(yè)易于使用
簡單地探討一下我們是如何使基于kubernetes的系統(tǒng)易于使用的。
最初的目標是設計一個運行cron作業(yè)的系統(tǒng)，團隊有信心運營和維護。一旦建立了對Kubernetes的信心，就需要工程師們輕松地配置和增加新的cron作業(yè)。我們開發(fā)了一個簡單的YAML配置格式，這樣用戶就不需要了解Kubernetes的內(nèi)部結(jié)構來使用這個系統(tǒng)。這是我們開發(fā)的格式:
name: job-name-here
kubernetes:
schedule: '15 */2 * * *'
command:
ruby
"/path/to/script.rb"
resources:
requests:
cpu: 0.1
memory: 128M
limits:
memory: 1024M
沒有做什么特別的事情——我們編寫了一個簡單的程序，將這種格式轉(zhuǎn)換為Kubernetes cron作業(yè)配置，將其應用于kubectl。
我們還編寫了一個測試套件，以確保作業(yè)名稱不會太長，并且所有名稱都是惟一的。我們目前不使用cgroups來強化對大多數(shù)作業(yè)的內(nèi)存限制，但計劃將來推出。
我們的簡單格式易于使用，而且由于自動生成了來自相同格式的Chronos和Kubernetes cron作業(yè)定義，所以在兩個系統(tǒng)之間遷移作業(yè)非常簡單。這是使我們的增量遷移工作良好的關鍵部分。將作業(yè)遷移到Kubernetes時，可以用一個簡單的三行配置更改，在不到十分鐘的時間內(nèi)將其移回。
監(jiān)控Kubernetes
監(jiān)測Kubernetes集群的內(nèi)部狀態(tài)非常令人愉悅。我們使用kube-state-metrics軟件包進行監(jiān)測，并使用一個名為veneurl - Prometheus的小型Go程序來獲取Prometheus的度量標準，將它們作為statsd指標發(fā)布到我們的監(jiān)控系統(tǒng)中。
例如，以下是過去一小時內(nèi)集群中未決Pod的數(shù)量圖表。Pending意味著等待分配一個工作節(jié)點來運行。可以看到上午11點的數(shù)字峰值，很多cron作業(yè)在每小時的第0分鐘運行。
還有一個監(jiān)視器，用于檢查有沒有任何Pod在Pending狀態(tài)中卡住 - 每個Pod在5分鐘內(nèi)開始在worker節(jié)點上運行，否則會收到警報。
Kubernetes未來計劃
設置Kubernetes，到順暢地運行生產(chǎn)代碼并將所有cron作業(yè)遷移到新集群，花了五個月的時間，三位工程師全職工作。我們投資學習Kubernetes的一個重要原因是希望能夠在Stripe中更廣泛地使用Kubernetes。
以下是適用于運行Kubernetes（或任何其他復雜分布式系統(tǒng)）的原則：
為企業(yè)的Kubernetes項目，以及所有基礎設施項目，定義清晰的商業(yè)原因。了解業(yè)務案例和用戶的需求使項目變得更加容易。
積極削減范圍。避免使用許多Kubernetes的基本特性來簡化集群。這讓我們可以更快速地發(fā)送消息，例如，由于pod-to-pod聯(lián)網(wǎng)不是我們項目的必需條件，可以關閉節(jié)點之間的所有網(wǎng)絡連接，并將Kubernetes的網(wǎng)絡安全性推遲。
花大量時間學習如何正確地運營Kubernetes集群。仔細測試邊界情況。分布式系統(tǒng)非常復雜，有很多潛在的問題。以前面的例子為例:如果節(jié)點控制器由于配置與API服務器失去聯(lián)系，那么它可以殺死集群中的所有pods。學習Kubernetes在每次配置更改后的表現(xiàn)如何，需要時間和精心的關注。
通過專注于這些原則，我們已經(jīng)有信心在生產(chǎn)中使用Kubernetes。我們將繼續(xù)開發(fā)Kubernetes的使用，例如，我們正在關注AWS EKS的發(fā)布。我們正在完成另一個系統(tǒng)的工作，訓練機器學習模型，并且正在探索將一些HTTP服務遷移到Kubernetes。隨著我們繼續(xù)在生產(chǎn)中運行Kubernetes時，我們計劃對開源項目做出貢獻。
原文作者：Julia Evans
原文鏈接：
