使用 Argo Rollouts 實現(xiàn)漸進式發(fā)布
支持如下特性：
- 藍綠更新策略
- 金絲雀更新策略
- 更加細粒度、加權流量拆分
- 自動回滾
- 手動判斷
- 可定制的指標查詢和業(yè)務 KPI 分析
- Ingress 控制器集成：NGINX，ALB
- 服務網(wǎng)格集成：Istio，Linkerd，SMI
- Metrics 指標集成：Prometheus、Wavefront、Kayenta、Web、Kubernetes Jobs、Datadog、New Relic
實現(xiàn)原理
與 Deployment 對象類似，Argo Rollouts 控制器將管理 ReplicaSets 的創(chuàng)建、縮放和刪除，這些 ReplicaSet 由 Rollout 資源中的 spec.template 定義，使用與 Deployment 對象相同的 pod 模板。
當 spec.template? 變更時，這會向 Argo Rollouts 控制器發(fā)出信號，表示將引入新的 ReplicaSet，控制器將使用 spec.strategy? 字段內的策略來確定從舊 ReplicaSet 到新 ReplicaSet 的 rollout 將如何進行，一旦這個新的 ReplicaSet 被放大（可以選擇通過一個 Analysis），控制器會將其標記為穩(wěn)定。
如果在 spec.template? 從穩(wěn)定的 ReplicaSet 過渡到新的 ReplicaSet 的過程中發(fā)生了另一次變更（即在發(fā)布過程中更改了應用程序版本），那么之前的新 ReplicaSet 將縮小，并且控制器將嘗試發(fā)布反映更新 spec.template 字段的 ReplicasSet。
相關概念
在繼續(xù)之前我們先來了解一些基本的概念。
Rollout(滾動)
Rollout 是一個 Kubernetes 的 CRD 資源，相當于 Kubernetes Deployment 對象，在需要更高級的部署或漸進式交付功能的情況下，它旨在取代 Deployment 對象，Rollout 提供了 Kubernetes Deployment 所不能提供的功能。
- 藍綠部署
- 金絲雀部署
- 與 Ingress 控制器和服務網(wǎng)格整合，實現(xiàn)高級流量路由
- 與用于藍綠和金絲雀分析的指標提供者集成
- 根據(jù)成功或失敗的指標，自動發(fā)布或回滾
漸進式交付
漸進式交付是以受控和漸進的方式發(fā)布產品更新的過程，從而降低發(fā)布的風險，通常將自動化和指標分析結合起來以驅動更新的自動升級或回滾。
漸進式交付通常被描述為持續(xù)交付的演變，將 CI/CD 中的速度優(yōu)勢擴展到部署過程。通過將新版本限制在一部分用戶，觀察和分析正確的行為，然后逐漸增加更多的流量，同時不斷驗證其正確性。
部署策略
雖然業(yè)界使用了一致的術語來描述各種部署策略，但這些策略的實現(xiàn)往往因工具而異，為了明確 Argo Rollouts 的行為方式，以下是 Argo Rollouts 提供的各種部署策略實施的描述。
- RollingUpdate(滾動更新): 慢慢地用新版本替換舊版本，隨著新版本的出現(xiàn)，舊版本會慢慢縮減，以保持應用程序的總數(shù)量。這是 Deployment 對象的默認策略。
- Recreate(重新創(chuàng)建): Recreate 會在啟動新版本之前刪除舊版本的應用程序，這可確保應用程序的兩個版本永遠不會同時運行，但在部署期間會出現(xiàn)停機時間。
- Blue-Green(藍綠): 藍綠發(fā)布（有時稱為紅黑）指同時部署了新舊兩個版本的應用程序，在此期間，只有舊版本的應用程序會收到生產流量，這允許開發(fā)人員在將實時流量切換到新版本之前針對新版本進行測試。
- Canary(金絲雀): 金絲雀發(fā)布指將一部分用戶暴露在新版本的應用程序中，而將其余流量提供給舊版本，一旦新版本被驗證是正確的，新版本可以逐漸取代舊版本。Ingress 控制器和服務網(wǎng)格，如 NGINX Ingress 和 Istio，可以使金絲雀的流量拆分模式比原生的更復雜（例如，實現(xiàn)非常細粒度的流量分割，或基于 HTTP 頭的分割）。
上圖顯示了一個有兩個階段的金絲雀（10%和 33%的流量進入新版本），通過使用 Argo Rollouts，我們可以根據(jù)實際的使用情況定義確切的階段數(shù)和流量百分比。
架構
下面展示了由 Argo Rollouts 管理的 Deployment 的所有組件。
Rollout Controller
這是主控制器，用于監(jiān)視集群的事件并在 Rollout 類型的資源發(fā)生更改時做出反應?？刂破鲗⒆x取 rollout 的所有詳細信息，并使集群處于 rollout 定義中描述的相同狀態(tài)。
請注意，Argo Rollouts 不會篡改或響應正常 Deployment 資源上發(fā)生的任何變更，這意味著你可以在一個使用其他方法部署應用的集群中安裝 Argo Rollouts。
Rollout 資源
Rollout 資源是 Argo Rollouts 引入和管理的一種自定義 Kubernetes 資源，它與原生的 Kubernetes Deployment 資源基本兼容，但有額外的字段來控制更加高級的部署方法，如金絲雀和藍/綠部署。
Argo Rollouts 控制器將只對 Rollout 資源中的變化做出反應，不會對正常的 Deployment 資源做任何事情，所以如果你想用 Argo Rollouts 管理你的 Deployment，你需要將你的 Deployment 遷移到 Rollouts。
舊版和新版的 ReplicaSets
這些是標準的 Kubernetes ReplicaSet 資源的實例，Argo Rollouts 給它們添加了一些額外的元數(shù)據(jù)，以便跟蹤屬于應用程序的不同版本。
還要注意的是，參加 Rollout 的 ReplicaSet 完全由控制器自動管理，你不應該用外部工具來篡改它們。
Ingress/Service
用戶的流量進入集群后，被重定向到合適的版本，Argo Rollouts 使用標準的 Kubernetes Service 資源，但有一些額外的元數(shù)據(jù)。
Argo Rollouts 在網(wǎng)絡配置上非常靈活，首先，可以在 Rollout 期間使用不同的服務，這些服務僅適用于新版本、僅適用于舊版本或兩者都適用。特別是對于 Canary 部署，Argo Rollouts 支持多種服務網(wǎng)格和 Ingress 解決方案，用于按特定百分比拆分流量，而不是基于 Pod 數(shù)量進行簡單的配置。
Analysis 與 AnalysisRun
Analysis 是一種自定義 Kubernetes 資源，它將 Rollout 連接到指標提供程序，并為某些指標定義特定閾值，這些閾值將決定 Rollout 是否成功。對于每個 Analysis，你可以定義一個或多個指標查詢及其預期結果，如果指標查詢正常，則 Rollout 將繼續(xù)操作；如果指標顯示失敗，則自動回滾；如果指標無法提供成功/失敗的答案，則暫停發(fā)布。
Analysis 只是關于要查詢哪些指標的模板。附加到 Rollout 的實際結果是 AnalysisRun 自定義資源，你可以在特定 Rollout 上或在集群上全局定義 Analysis 以供多個 Rollout 共享。
請注意，在 Rollout 中使用 Analysis 和指標是完全可選的，你可以通過 API 或 CLI 手動暫停和促進發(fā)布或使用其他外部方法。你不需要僅使用 Argo Rollouts 的 Metrics 解決方案，你還可以在 Rollout 中混合自動（即基于 Analysis）和手動步驟。
除了指標之外，你還可以通過運行 Kubernetes Job 或運行 webhook 來決定發(fā)布的成功與否。
Metric Providers
Argo Rollouts 包括幾個流行的指標提供者的原生集成，你可以在 Analysis 資源中使用，來自動提升或回滾發(fā)布。
CLI 和 UI
還可以使用 Argo Rollouts CLI 或集成 UI 查看和管理 Rollout，兩者都是可選的。
安裝
直接使用下面的命令安裝 Argo Rollouts：
$ kubectl create namespace argo-rollouts
$ kubectl apply -n argo-rollouts -f https://github.com/argoproj/argo-rollouts/releases/download/v1.2.2/install.yaml
這里會創(chuàng)建一個名為 argo-rollouts 的命名空間，Argo Rollouts 控制器運行在下面。
$ kubectl get pods -n argo-rollouts
NAME READY STATUS RESTARTS AGE
argo-rollouts-845b79ff9-crx9v 1/1 Running 0 58s
此外，我們還可以安裝一個 kubectl 插件，對于命令行管理和可視化發(fā)布非常方便。使用 curl 安裝 Argo Rollouts kubectl 插件：
# https://github.91chi.fun/https://github.com//argoproj/argo-rollouts/releases/download/v1.2.2/kubectl-argo-rollouts-linux-amd64
$ curl -LO https://github.com/argoproj/argo-rollouts/releases/download/v1.2.2/kubectl-argo-rollouts-linux-amd64
然后賦予 kubectl-argo-rollouts 二進制文件可執(zhí)行權限：
$ chmod +x ./kubectl-argo-rollouts-linux-amd64
將該二進制文件移動到你的 PATH 路徑下面去：
$ sudo mv ./kubectl-argo-rollouts-linux-amd64 /usr/local/bin/kubectl-argo-rollouts
執(zhí)行下面的命令來驗證插件是否安裝成功：
$ kubectl argo rollouts version
kubectl-argo-rollouts: v1.2.2+22aff27
BuildDate: 2022-07-26T17:24:43Z
GitCommit: 22aff273bf95646e0cd02555fbe7d2da0f903316
GitTreeState: clean
GoVersion: go1.17.6
Compiler: gc
Platform: linux/amd64
使用
接下來我們通過幾個簡單的示例來說明 Rollout 的部署、升級、發(fā)布和中斷等操作，以此來展示 Rollouts 的各種功能。
1. 部署 Rollout
首先我們部署一個 Rollout 資源和一個針對該資源的 Kubernetes Service 對象，這里我們示例中的 Rollout 采用了金絲雀的更新策略，將 20% 的流量發(fā)送到金絲雀上，然后手動發(fā)布，最后在升級的剩余時間內逐漸自動增大流量，可以通過如下所示的 Rollout 來描述這個策略：
# basic-rollout.yaml
apiVersion: argoproj.io/v1alpha1
kind: Rollout
metadata:
name: rollouts-demo
spec:
replicas: 5 # 定義5個副本
strategy: # 定義升級策略
canary: # 金絲雀發(fā)布
steps: # 發(fā)布的節(jié)奏
- setWeight: 20
- pause: {} # 會一直暫停
- setWeight: 40
- pause: { duration: 10 } # 暫停10s
- setWeight: 60
- pause: { duration: 10 }
- setWeight: 80
- pause: { duration: 10 }
revisionHistoryLimit: 2 # 下面部分其實是和 Deployment 兼容的
selector:
matchLabels:
app: rollouts-demo
template:
metadata:
labels:
app: rollouts-demo
spec:
containers:
- name: rollouts-demo
image: argoproj/rollouts-demo:blue
ports:
- name: http
containerPort: 8080
protocol: TCP
resources:
requests:
memory: 32Mi
cpu: 5m
還包括一個如下所示的 Service 資源對象：
# basic-service.yaml
apiVersion: v1
kind: Service
metadata:
name: rollouts-demo
spec:
ports:
- port: 80
targetPort: http
protocol: TCP
name: http
selector:
app: rollouts-demo
直接創(chuàng)建上面的兩個資源對象：
$ kubectl apply -f basic-rollout.yaml
$ kubectl apply -f basic-service.yaml
任何 Rollout 的初始創(chuàng)建都會立即將副本擴展到 100%（跳過任何金絲雀升級步驟、分析等...），因為還沒有發(fā)生升級。
$ kubectl get pods -l app=rollouts-demo
NAME READY STATUS RESTARTS AGE
rollouts-demo-687d76d795-6ppnh 1/1 Running 0 53s
rollouts-demo-687d76d795-8swrk 1/1 Running 0 53s
rollouts-demo-687d76d795-fnt2w 1/1 Running 0 53s
rollouts-demo-687d76d795-mtvtw 1/1 Running 0 53s
rollouts-demo-687d76d795-sh56l 1/1 Running 0 53s
Argo Rollouts 的 kubectl 插件允許我們可視化 Rollout 以及相關資源對象，并展示實時狀態(tài)變化，要在部署過程中觀察 Rollout，可以通過運行插件的 get rollout --watch 命令，比如：
$ kubectl argo rollouts get rollout rollouts-demo --watch
2. 更新 Rollout
上面已經部署完成，接下來就需要執(zhí)行更新了，和 Deployment 類似，對 Pod 模板字段的任何變更都會導致新的版本（即 ReplicaSet）被部署，更新 Rollout 通常是修改容器鏡像的版本，然后執(zhí)行 kubectl apply? ，為了方便，rollouts 插件還單獨提供了一個 set image? 的命令，比如這里我們運行以下所示命令，用 yellow 版本的容器更新上面的 Rollout：
$ kubectl argo rollouts set image rollouts-demo \
rollouts-demo=argoproj/rollouts-demo:yellow
rollout "rollouts-demo" image updated
在 rollout 更新期間，控制器將通過 Rollout 更新策略中定義的步驟進行。這個示例的 rollout 為金絲雀設置了 20% 的流量權重，并一直暫停 rollout，直到用戶取消或促進發(fā)布。在更新鏡像后，再次觀察 rollout，直到它達到暫停狀態(tài)。
$ kubectl argo rollouts get rollout rollouts-demo --watch
當 demo rollout 到達第二步時，我們可以從插件中看到，Rollout 處于暫停狀態(tài)，現(xiàn)在有 5 個副本中的 1 個運行新版本的 pod，其余 4 個仍然運行舊版本，這相當于 setWeight: 20 步驟所定義的 20%的金絲雀權重。
3. Promote Rollout
經過上面的更新后，Rollout 現(xiàn)在處于暫停狀態(tài)，當一個 Rollout 到達一個沒有持續(xù)時間的暫停步驟時，它將一直保持在暫停狀態(tài)，直到它被恢復/提升。要手動將 Rollout 切換到下一個步驟，請運行插件的 promotion 命令。
$ kubectl argo rollouts promote rollouts-demo
rollout 'rollouts-demo' promoted
切換后 Rollout 將繼續(xù)執(zhí)行剩余的步驟。在我們的例子中，剩余的步驟是完全自動化的，所以 Rollout 最終會完成步驟，直到它已經完全過渡到新版本。再次觀察 Rollout，直到它完成所有步驟。
$ kubectl argo rollouts get rollout rollouts-demo --watch
promote 命令還支持用 --full 標志跳過所有剩余步驟和分析。
可以看到 stable? 版本已經切換到 revision:2? 這個 ReplicaSet 了。在更新過程中，無論何時，無論是通過失敗的金絲雀分析自動中止，還是由用戶手動中止，Rollout 都會退回到 stable 版本。
4. 中斷 Rollout
接下來我們來了解如何在更新過程中手動中止 Rollout，首先，使用 set image? 命令部署一個新的 red 版本的容器，并等待 rollout 再次達到暫停的步驟。
$ kubectl argo rollouts set image rollouts-demo \
rollouts-demo=argoproj/rollouts-demo:red
rollout "rollouts-demo" image updated
這一次我們將中止更新，而不是將滾動切換到下一步，這樣它就回到了 stable? 版本，該插件同樣提供了一個 abort 命令，可以在更新過程中的任何時候手動中止 Rollout。
$ kubectl argo rollouts abort rollouts-demo
當中止?jié)L動時，它將擴大 ReplicaSet 的 stable? 版本（在本例中是 yellow? 版本），并縮小任何其他版本。盡管 ReplicaSet 的穩(wěn)定版本可能正在運行，并且是健康的，但整個 Rollout 仍然被認為是退化的，因為期望的版本（red 版本）不是實際運行的版本。
為了使 Rollout 再次被認為是健康的而不是有問題的版本，有必要將所需的狀態(tài)改回以前的穩(wěn)定版本。在我們的例子中，我們可以簡單地使用之前的 yellow? 鏡像重新運行 set image 命令即可。
$ kubectl argo rollouts set image rollouts-demo \
rollouts-demo=argoproj/rollouts-demo:yellow
運行這個命令后，可以看到 Rollout 立即變成了 health 狀態(tài)，而且沒有任何關于創(chuàng)建新 ReplicaSets 的動態(tài)。
當 Rollout 還沒有達到預期狀態(tài)（例如，它被中止了，或者正在更新中），而穩(wěn)定版本的資源清單被重新應用，Rollout 檢測到這是一個回滾，而不是一個更新，并將通過跳過分析和步驟快速部署穩(wěn)定的 ReplicaSet。
上面例子中的 Rollout 沒有使用 Ingress 控制器或服務網(wǎng)格來控制流量。相反，它使用正常的 Kubernetes Service 來實現(xiàn)近似的金絲雀權重，基于新舊副本數(shù)量的比例來實現(xiàn)。所以，這個 Rollout 有一個限制，即它只能實現(xiàn) 20% 的最小加權，通過擴展 5 個 pod 中的一個來運行新版本。為了實現(xiàn)更細粒度的金絲雀，這就需要一個 Ingress 控制器或服務網(wǎng)格了。
Dashboard
Argo Rollouts Kubectl 插件可以提供一個本地 Dashboard，來可視化你的 Rollouts。
要啟動這個 Dashboard，需要在包含 Rollouts 資源對象的命名空間中運行 kubectl argo rollouts dashboard? 命令，然后訪問localhost:3100 即可。
點擊 Rollout 可以進行詳細頁面，在詳細頁面可以看到 Rollout 的配置信息，還可以直接在 UI 界面上執(zhí)行一些常用的操作，比如重啟、重啟、中斷等。
Analysis 和漸進式交互
Argo Rollouts 提供了幾種執(zhí)行分析(Analysis)的方法來推動漸進式交付，首先需要了解幾個 CRD 資源：
- Rollout：Rollout 是 Deployment 資源的直接替代品，它提供額外的 blueGreen 和 canary 更新策略，這些策略可以在更新期間創(chuàng)建 AnalysisRuns 和 Experiments，可以推進更新，或中止更新。
- AnalysisTemplate：AnalysisTemplate 是一個模板，它定義了如何執(zhí)行金絲雀分析，例如它應該執(zhí)行的指標、頻率以及被視為成功或失敗的值，AnalysisTemplate 可以用輸入值進行參數(shù)化。
- ClusterAnalysisTemplate：ClusterAnalysisTemplate 和 AnalysisTemplate 類似，但它是全局范圍內的，它可以被整個集群的任何 Rollout 使用。
- AnalysisRun：AnalysisRun 是 AnalysisTemplate 的實例化。AnalysisRun 就像 Job 一樣，它們最終會完成，完成的運行被認為是成功的、失敗的或不確定的，運行的結果分別影響 Rollout 的更新是否繼續(xù)、中止或暫停。
后臺分析
金絲雀正在執(zhí)行其部署步驟時，分析可以在后臺運行。
以下示例是每 10 分鐘逐漸將 Canary 權重增加 20%，直到達到 100%。在后臺，基于名為 success-rate? 的 AnalysisTemplate? 啟動 AnalysisRun，success-rate 模板查詢 Prometheus 服務器，以 5 分鐘間隔/樣本測量 HTTP 成功率，它沒有結束時間，一直持續(xù)到停止或失敗。如果測量到的指標小于 95%，并且有三個這樣的測量值，則分析被視為失敗。失敗的分析會導致 Rollout 中止，將 Canary 權重設置回零，并且 Rollout 將被視為降級。否則，如果 Rollout 完成其所有 Canary 步驟，則認為 rollout 是成功的，并且控制器將停止運行分析。
如下所示的 Rollout 資源對象：
apiVersion: argoproj.io/v1alpha1
kind: Rollout
metadata:
name: guestbook
spec:
# ...
strategy:
canary:
analysis:
templates:
- templateName: success-rate
startingStep: 2 # 延遲開始分析，到第3步開始
args:
- name: service-name
value: guestbook-svc.default.svc.cluster.local
steps:
- setWeight: 20
- pause: { duration: 10m }
- setWeight: 40
- pause: { duration: 10m }
- setWeight: 60
- pause: { duration: 10m }
- setWeight: 80
- pause: { duration: 10m }
上面我們引用了一個 success-rate 的模板：
apiVersion: argoproj.io/v1alpha1
kind: AnalysisTemplate
metadata:
name: success-rate
spec:
args:
- name: service-name
metrics:
- name: success-rate
interval: 5m
# NOTE: prometheus queries return results in the form of a vector.
# So it is common to access the index 0 of the returned array to obtain the value
successCondition: result[0] >= 0.95
failureLimit: 3
provider:
prometheus:
address: http://prometheus.example.com:9090
query: |
sum(irate(
istio_requests_total{reporter="source",destination_service=~"{{args.service-name}}",response_code!~"5.*"}[5m]
)) /
sum(irate(
istio_requests_total{reporter="source",destination_service=~"{{args.service-name}}"}[5m]
))
內聯(lián)分析
分析也可以作為內嵌“分析”步驟來執(zhí)行，當分析以 "內聯(lián) "方式進行時，在到達該步驟時啟動 AnalysisRun，并在運行完成之前阻止其推進。分析運行的成功或失敗決定了部署是繼續(xù)進行下一步，還是完全中止部署。
如下所示的示例中我們將 Canary 權重設置為 20%，暫停 5 分鐘，然后運行分析。如果分析成功，則繼續(xù)推出，否則中止。
apiVersion: argoproj.io/v1alpha1
kind: Rollout
metadata:
name: guestbook
spec:
# ...
strategy:
canary:
steps:
- setWeight: 20
- pause: { duration: 5m }
- analysis:
templates:
- templateName: success-rate
args:
- name: service-name
value: guestbook-svc.default.svc.cluster.local
上面的對象中我們將 analysis 作為一個步驟內聯(lián)到了 Rollout 步驟中，當 20%流量暫停 5 分鐘后，開始執(zhí)行 success-rate 這個分析模板。
這里 AnalysisTemplate 與上面的后臺分析例子相同，但由于沒有指定間隔時間，分析將執(zhí)行一次測量就完成了。
apiVersion: argoproj.io/v1alpha1
kind: AnalysisTemplate
metadata:
name: success-rate
spec:
args:
- name: service-name
- name: prometheus-port
value: 9090
metrics:
- name: success-rate
successCondition: result[0] >= 0.95
provider:
prometheus:
address: "http://prometheus.example.com:{{args.prometheus-port}}"
query: |
sum(irate(
istio_requests_total{reporter="source",destination_service=~"{{args.service-name}}",response_code!~"5.*"}[5m]
)) /
sum(irate(
istio_requests_total{reporter="source",destination_service=~"{{args.service-name}}"}[5m]
))
此外我們可以通過指定 count 和 interval 字段，可以在一個較長的時間段內進行多次測量。
metrics:
- name: success-rate
successCondition: result[0] >= 0.95
interval: 60s
count: 5
provider:
prometheus:
address: http://prometheus.example.com:9090
query: ...
多個模板的分析
Rollout 在構建 AnalysisRun 時可以引用多個 AnalysisTemplate。這樣我們就可以從多個 AnalysisTemplate 中來組成分析，如果引用了多個模板，那么控制器將把這些模板合并在一起，控制器會結合所有模板的指標和 args 字段。如下所示：
apiVersion: argoproj.io/v1alpha1
kind: Rollout
metadata:
name: guestbook
spec:
# ...
strategy:
canary:
analysis:
templates:
- templateName: success-rate
- templateName: error-rate
args:
- name: service-name
value: guestbook-svc.default.svc.cluster.local
---
apiVersion: argoproj.io/v1alpha1
kind: AnalysisTemplate
metadata:
name: success-rate
spec:
args:
- name: service-name
metrics:
- name: success-rate
interval: 5m
successCondition: result[0] >= 0.95
failureLimit: 3
provider:
prometheus:
address: http://prometheus.example.com:9090
query: |
sum(irate(
istio_requests_total{reporter="source",destination_service=~"{{args.service-name}}",response_code!~"5.*"}[5m]
)) /
sum(irate(
istio_requests_total{reporter="source",destination_service=~"{{args.service-name}}"}[5m]
))---
apiVersion: argoproj.io/v1alpha1
kind: AnalysisTemplate
metadata:
name: error-rate
spec:
args:
- name: service-name
metrics:
- name: error-rate
interval: 5m
successCondition: result[0] <= 0.95
failureLimit: 3
provider:
prometheus:
address: http://prometheus.example.com:9090
query: |
sum(irate(
istio_requests_total{reporter="source",destination_service=~"{{args.service-name}}",response_code=~"5.*"}[5m]
)) /
sum(irate(
istio_requests_total{reporter="source",destination_service=~"{{args.service-name}}"}[5m]
))
當執(zhí)行的分析的時候，控制器會將上面的 success-rate? 和 error-rate? 兩個模板合并到一個 AnalysisRun 對象中去。
需要注意的是如果出現(xiàn)以下情況，控制器在合并模板時將出錯：
- 模板中的多個指標具有相同的名稱
- 兩個同名的參數(shù)都有值
分析模板參數(shù)
AnalysisTemplates 可以聲明一組參數(shù)，這些參數(shù)可以由 Rollouts 傳遞。然后，這些參數(shù)可以像在 metrics 配置中一樣使用，并在 AnalysisRun 創(chuàng)建時被實例化，參數(shù)占位符被定義為 {{ args.<name> }}，如下所示：
apiVersion: argoproj.io/v1alpha1
kind: AnalysisTemplate
metadata:
name: args-example
spec:
args:
# required
- name: service-name
- name: stable-hash
- name: latest-hash
# optional
- name: api-url
value: http://example/measure
# from secret
- name: api-token
valueFrom:
secretKeyRef:
name: token-secret
key: apiToken
metrics:
- name: webmetric
successCondition: result == 'true'
provider:
web:
# placeholders are resolved when an AnalysisRun is created
url: "{{ args.api-url }}?service={{ args.service-name }}"
headers:
- key: Authorization
value: "Bearer {{ args.api-token }}"
jsonPath: "{$.results.ok}"
在創(chuàng)建 AnalysisRun 時，Rollout 中定義的參數(shù)與 AnalysisTemplate 的參數(shù)會合并，如下所示：
apiVersion: argoproj.io/v1alpha1
kind: Rollout
metadata:
name: guestbook
spec:
---
strategy:
canary:
analysis:
templates:
- templateName: args-example
args:
# required value
- name: service-name
value: guestbook-svc.default.svc.cluster.local
# override default value
- name: api-url
value: http://other-api
# pod template hash from the stable ReplicaSet
- name: stable-hash
valueFrom:
podTemplateHashValue: Stable
# pod template hash from the latest ReplicaSet
- name: latest-hash
valueFrom:
podTemplateHashValue: Latest
此外分析參數(shù)也支持 valueFrom，用于讀取 meta 數(shù)據(jù)并將其作為參數(shù)傳遞給 AnalysisTemplate，如下例子是引用元數(shù)據(jù)中的 env 和 region 標簽，并將它們傳遞給 AnalysisTemplate。
apiVersion: argoproj.io/v1alpha1
kind: Rollout
metadata:
name: guestbook
labels:
appType: demo-app
buildType: nginx-app
...
env: dev
region: us-west-2
spec:
...
strategy:
canary:
analysis:
templates:
- templateName: args-example
args:
...
- name: env
valueFrom:
fieldRef:
fieldPath: metadata.labels['env']
# region where this app is deployed
- name: region
valueFrom:
fieldRef:
fieldPath: metadata.labels['region']
藍綠預發(fā)布分析
使用 BlueGreen 策略的 Rollout 可以在使用預發(fā)布將流量切換到新版本之前啟動一個 AnalysisRun。分析運行的成功或失敗決定 Rollout 是否切換流量，或完全中止 Rollout，如下所示：
kind: Rollout
metadata:
name: guestbook
spec:
---
strategy:
blueGreen:
activeService: active-svc
previewService: preview-svc
prePromotionAnalysis:
templates:
- templateName: smoke-tests
args:
- name: service-name
value: preview-svc.default.svc.cluster.local
上面我們的示例中一旦新的 ReplicaSet 完全可用，Rollout 會創(chuàng)建一個預發(fā)布的 AnalysisRun，Rollout 不會將流量切換到新版本，而是會等到分析運行成功完成。
注意：如果指定了 autoPromotionSeconds? 字段，并且 Rollout 已經等待了 auto promotion seconds? 的時間，Rollout 會標記 AnalysisRun 成功，并自動將流量切換到新版本。如果 AnalysisRun 在此之前完成，Rollout 將不會創(chuàng)建另一個 AnalysisRun，并等待 autoPromotionSeconds 的剩余時間。
藍綠發(fā)布后分析
使用 BlueGreen 策略的 Rollout 還可以在流量切換到新版本后使用發(fā)布后分析。如果發(fā)布后分析失敗或出錯，Rollout 則進入中止狀態(tài)，并將流量切換回之前的穩(wěn)定 ReplicaSet，當后分析成功時，Rollout 被認為是完全發(fā)布狀態(tài)，新的 ReplicaSet 將被標記為穩(wěn)定，然后舊的 ReplicaSet 將根據(jù) scaleDownDelaySeconds（默認為 30 秒）進行縮減。
apiVersion: argoproj.io/v1alpha1
kind: Rollout
metadata:
name: guestbook
spec:
---
strategy:
blueGreen:
activeService: active-svc
previewService: preview-svc
scaleDownDelaySeconds: 600 # 10 minutes
postPromotionAnalysis:
templates:
- templateName: smoke-tests
args:
- name: service-name
value: preview-svc.default.svc.cluster.local
失敗條件
failureCondition 可以用來配置分析運行失敗，下面的例子是每隔 5 分鐘持續(xù)輪詢 Prometheus 服務器來獲得錯誤總數(shù)，如果遇到 10 個或更多的錯誤，則認為分析運行失敗。
metrics:
- name: total-errors
interval: 5m
failureCondition: result[0] >= 10
failureLimit: 3
provider:
prometheus:
address: http://prometheus.example.com:9090
query: |
sum(irate(
istio_requests_total{reporter="source",destination_service=~"{{args.service-name}}",response_code~"5.*"}[5m]
))
無結果的運行
分析運行 j 結果也可以被認為是不確定的，這表明運行既不成功，也不失敗。無結果的運行會導致發(fā)布在當前步驟上暫停。這時需要人工干預，以恢復運行，或中止運行。當一個指標沒有定義成功或失敗的條件時，分析運行可能成為無結果的一個例子。
metrics:
- name: my-query
provider:
prometheus:
address: http://prometheus.example.com:9090
query: ...
此外當同時指定了成功和失敗的條件，但測量值沒有滿足任何一個條件時，也可能發(fā)生不確定的分析運行。
metrics:
- name: success-rate
successCondition: result[0] >= 0.90
failureCondition: result[0] < 0.50
provider:
prometheus:
address: http://prometheus.example.com:9090
query: ...
不確定的分析運行的一個場景是使 Argo Rollouts 能夠自動執(zhí)行分析運行，并收集測量結果，但仍然允許我們來判斷決定測量值是否可以接受，并決定繼續(xù)或中止。
延遲分析運行
如果分析運行不需要立即開始（即給指標提供者時間來收集金絲雀版本的指標），分析運行可以延遲特定的指標分析。每個指標可以被配置為有不同的延遲，除了特定指標的延遲之外，具有后臺分析的發(fā)布可以延遲創(chuàng)建分析運行，直到達到某個步驟為止
如下所示延遲一個指定的分析指標:
metrics:
- name: success-rate
# Do not start this analysis until 5 minutes after the analysis run starts
initialDelay: 5m
successCondition: result[0] >= 0.90
provider:
prometheus:
address: http://prometheus.example.com:9090
query: ...
延遲開始后臺分析運行，直到步驟 3（設定重量 40%）。
apiVersion: argoproj.io/v1alpha1
kind: Rollout
metadata:
name: guestbook
spec:
strategy:
canary:
analysis:
templates:
- templateName: success-rate
startingStep: 2
steps:
- setWeight: 20
- pause: { duration: 10m }
- setWeight: 40
- pause: { duration: 10m }
此外 OpenKurise 項目最近也推出了類似的漸進式發(fā)布工具 Kruise Rollouts，感興趣的可以前往 https://github.com/openkruise/rollouts 了解更多相關信息。
