花了3個月，瀕臨崩潰的K8S集群有救了……
一、前言
我司的集群時刻處于崩潰的邊緣，通過近三個月的掌握，發(fā)現(xiàn)我司的集群不穩(wěn)定的原因有以下幾點：
1、發(fā)版流程不穩(wěn)定
2、缺少監(jiān)控平臺【最重要的原因】
3、缺少日志系統(tǒng)
4、極度缺少有關(guān)操作文檔
5、請求路線不明朗
總的來看，問題的主要原因是缺少可預(yù)知的監(jiān)控平臺，總是等問題出現(xiàn)了才知道。次要的原因是服務(wù)器作用不明朗和發(fā)版流程的不穩(wěn)定。
二、解決方案
1、發(fā)版流程不穩(wěn)定
重構(gòu)發(fā)版流程。業(yè)務(wù)全面k8s化，構(gòu)建以kubernetes為核心的ci/cd流程。
1）發(fā)版流程
有關(guān)發(fā)版流程如下：
淺析：研發(fā)人員提交代碼到developer分支(時刻確保developer分支處于最新的代碼)，developer分支合并到需要發(fā)版環(huán)境對應(yīng)的分支，觸發(fā)企業(yè)微信告警，觸發(fā)部署在k8s集群的gitlab-runner pod，新啟runner pod 執(zhí)行ci/cd操作。在這個過程中需要有三個步驟：測試用例、打包鏡像、更新pod。
第一次部署服務(wù)在k8s集群環(huán)境的時候可能需要：創(chuàng)建namespace、創(chuàng)建imagepullsecret、創(chuàng)建pv(storageclass)、創(chuàng)建deployment（pod controller）、創(chuàng)建svc、創(chuàng)建ingress、等。其中鏡像打包推送阿里云倉庫和從阿里云倉庫下載鏡像使用vpc訪問，不走公網(wǎng)，無網(wǎng)速限制。流程完畢，runner pod 銷毀，gitlab 返回結(jié)果。
需要強(qiáng)調(diào)的一點是，在這里的資源資源清單不包含configmap或者secret，牽扯到安全性的問題，不應(yīng)該出 現(xiàn)在代碼倉庫中，我司是使用rancher充當(dāng)k8s多集群管理平臺，上述安全問題在rancher的dashboard中由運維來做的。
2）服務(wù)部署邏輯圖
有關(guān)服務(wù)部署邏輯圖如下：
根據(jù)發(fā)版流程的淺析，再根據(jù)邏輯圖可以明確發(fā)版流程。在這里看到我司使用的是kong代替nginx，做認(rèn)證、鑒權(quán)、代理。而slb的ip綁定在kong上。0，1，2屬于test job；3屬于build job；4，5，6，7屬于change pod 階段。并非所有的服務(wù)都需要做存儲，需要根據(jù)實際情況來定，所以需要在kubernetes.sh里寫判斷。
在這里我試圖使用一套CI應(yīng)用與所有的環(huán)境，所以需要在kubernetes.sh中用到的判斷較多，且.gitlab-ci.yml顯得過多。建議是使用一個ci模版，應(yīng)用于所有的環(huán)境，畢竟怎么省事怎么來。還要考慮自己的分支模式。
2、缺少監(jiān)控預(yù)警平臺
構(gòu)建可信賴且符合我司集群環(huán)境的聯(lián)邦監(jiān)控平臺，實現(xiàn)對幾個集群環(huán)境的同時監(jiān)控和預(yù)故障告警，提前介入。
1）監(jiān)控預(yù)警邏輯圖
有關(guān)監(jiān)控預(yù)警邏輯圖如下：
淺析：總的來說，我這里使用到的監(jiān)控方案是prometheus+shell腳本或go腳本+sentry。使用到的告警方式是企業(yè)微信或者企業(yè)郵箱。上圖三種顏色的線代表三種監(jiān)控方式需要注意。腳本主要是用來做備份告警、證書告警、抓賊等。prometheus這里采用的是根據(jù)prometheus-opertor修改的prometheus資源清單，數(shù)據(jù)存儲在nas上。sentry嚴(yán)格的來講屬于日志收集類的平臺，在這里我將其歸為監(jiān)控類，是因為我看中了其收集應(yīng)用底層代碼的崩潰信息的能力，屬于業(yè)務(wù)邏輯監(jiān)控, 旨在對業(yè)務(wù)系統(tǒng)運行過程中產(chǎn)生的錯誤日志進(jìn)行收集歸納和監(jiān)控告警。
注意這里使用的是聯(lián)邦監(jiān)控平臺，而部署普通的監(jiān)控平臺。
2）聯(lián)邦監(jiān)控預(yù)警平臺邏輯圖
多集群聯(lián)邦監(jiān)控預(yù)警平臺邏輯圖如下：
因為我司有幾個k8s集群，如果在每個集群上都部署一套監(jiān)控預(yù)警平臺的話，管理起來太過不便，所以這里我采取的策略是使用將各監(jiān)控預(yù)警平臺實行一個聯(lián)邦的策略，使用統(tǒng)一的可視化界面管理。這里我將實現(xiàn)三個級別監(jiān)控：操作系統(tǒng)級、應(yīng)用程序級、業(yè)務(wù)級。對于流量的監(jiān)控可以直接針對kong進(jìn)行監(jiān)控，模版7424。
3、缺少日志系統(tǒng)
隨著業(yè)務(wù)全面k8s化進(jìn)程的推進(jìn)，對于日志系統(tǒng)的需求將更加渴望，k8s的特性是服務(wù)的故障日志難以獲取。建立可觀測的能過濾的日志系統(tǒng)可以降低對故障的分析難度。
有關(guān)日志系統(tǒng)邏輯圖如下：
淺析：在業(yè)務(wù)全面上k8s化后，方便了管理維護(hù)，但對于日志的管理難度就適當(dāng)上升了。我們知道pod的重啟是有多因素且不可控的，而每次pod重啟都會重新記錄日志，即新pod之前的日志是不可見的。當(dāng)然了有多種方法可以實現(xiàn)日志長存：遠(yuǎn)端存儲日志、本機(jī)掛載日志等。出于對可視化、可分析等的考慮，選擇使用elasticsearch構(gòu)建日志收集系統(tǒng)。
4、極度缺少有關(guān)操作文檔
建立以語雀--> 運維相關(guān)資料為中心的文檔中心，將有關(guān)操作、問題、腳本等詳細(xì)記錄在案，以備隨時查看。
淺析：因安全性原因，不便于過多同事查閱。運維的工作比較特殊，安全化、文檔化是必須要保障的。我認(rèn)為不論是運維還是運維開發(fā)，書寫文檔都是必須要掌握的，為己也好，為他也罷。文檔可以簡寫，但必須要含苞核心的步驟。我還是認(rèn)為運維的每一步操作都應(yīng)該記錄下來。
5、請求路線不明朗
根據(jù)集群重構(gòu)的新思路，重新梳理集群級流量請求路線，構(gòu)建具備：認(rèn)證、鑒權(quán)、代理、連接、保護(hù)、控制、觀察等一體的流量管理，有效控制故障爆炸范圍。
請求路線邏輯圖如下：
淺析：客戶訪問https://www.cnblogs.com/zisefeizhu 經(jīng)過kong網(wǎng)關(guān)鑒權(quán)后進(jìn)入特定名稱空間(通過名稱空間區(qū)分項目)，因為服務(wù)已經(jīng)拆分為微服務(wù)，服務(wù)間通信經(jīng)過istio認(rèn)證、授權(quán)，需要和數(shù)據(jù)庫交互的去找數(shù)據(jù)庫，需要寫或者讀存儲的去找pv，需要轉(zhuǎn)換服務(wù)的去找轉(zhuǎn)換服務(wù)...... 然后返回響應(yīng)。
三、總結(jié)
綜上所述，構(gòu)建以：以kubernetes為核心的ci/cd發(fā)版流程、以prometheus為核心的聯(lián)邦監(jiān)控預(yù)警平臺、以elasticsearch為核心的日志收集系統(tǒng)、以語雀為核心的文檔管理中心、以kong及istio為核心的南北東西流量一體化服務(wù)，可以在高平發(fā)，高可靠性上做到很好保障。
附：總體架構(gòu)邏輯圖
注：請根據(jù)箭頭和顏色來分析。
淺析：上圖看著似乎過于混亂，靜下心來，根據(jù)上面的拆分模塊一層層分析還是可以看清晰的。這里我用不同顏色的連線代表不同模塊的系統(tǒng)，根據(jù)箭頭走還是蠻清晰的。
根據(jù)我司目前的業(yè)務(wù)流量，上述功能模塊，理論上可以實現(xiàn)集群的維穩(wěn)。私認(rèn)為此套方案可以確保業(yè)務(wù)在k8s集群上穩(wěn)定的運行一段時間，再有問題就屬于代碼層面的問題了。這里沒有使用到中間件，倒是使用到了緩存redis不過沒畫出來。我規(guī)劃在上圖搞定后再在日志系統(tǒng)哪里和轉(zhuǎn)換服務(wù)哪里增加個中間件kafka或者rq看情況吧。
