開發與維運

Fluid給數據彈性一雙隱形的翅膀 （1） — 自定義彈性伸縮

2021-04-11

作者| 車漾 Fluid社區Commiter，阿里雲容器服務工程師

作者| 謝遠東 Fluid社區Commiter

背景

隨著越來越多的大數據和AI等數據密集應用開始部署和運行在Kubernetes環境下，數據密集型應用計算框架的設計理念和雲原生靈活的應用編排的分歧，導致了數據訪問和計算瓶頸。雲原生數據編排引擎Fluid通過數據集的抽象，利用分佈式緩存技術，結合調度器，為應用提供了數據訪問加速的能力。

image.png

彈性伸縮作為Kubernetes的核心能力之一，但它一直是圍繞這無狀態的應用負載展開。而Fluid提供了分佈式緩存的彈性伸縮能力，可以靈活擴充和收縮數據緩存。 它基於Runtime提供了緩存空間、現有緩存比例等性能指標, 結合自身對於Runtime資源的擴縮容能力，提供數據緩存按需伸縮能力。

這個能力對於互聯網場景下大數據應用非常重要，由於多數的大數據應用都是通過端到端流水線來實現的。而這個流水線包含以下幾個步驟：

  1. 數據提取，利用Spark，MapReduce等大數據技術對於原始數據進行預處理
  2. 模型訓練，利用第一階段生成特徵數據進行機器學習模型訓練，並且生成相應的模型
  3. 模型評估，通過測試集或者驗證集對於第二階段生成模型進行評估和測試
  4. 模型推理，第三階段驗證後的模型最終推送到線上為業務提供推理服務

image.png

可以看到端到端的流水線會包含多種不同類型的計算任務，針對每一個計算任務，實踐中會有合適的專業系統來處理（TensorFlow，PyTorch，Spark， Presto）；但是這些系統彼此獨立，通常要藉助外部文件系統來實現把數據從一個階段傳遞到下一個階段。但是頻繁的使用文件系統實現數據交換，會帶來大量的 I/O 開銷，經常會成為整個工作流的瓶頸。

而Fluid對於這個場景非常適合，用戶可以創建一個Dataset對象，這個對象有能力將數據分散緩存到Kubernetes計算節點中，作為數據交換的介質，這樣避免了數據的遠程寫入和讀取，提升了數據使用的效率。但是這裡的問題是臨時數據緩存的資源預估和預留。由於在數據生產消費之前，精確的數據量預估是比較難滿足，過高的預估會導致資源預留浪費，過低的預估會導致數據寫入失敗可能性增高。還是按需擴縮容對於使用者更加友好。我們希望能夠達成類似page cache的使用效果，對於最終用戶來說這一層是透明的但是它帶來的緩存加速效果是實實在在的。

我們通過自定義HPA機制，通過Fluid引入了緩存彈性伸縮能力。彈性伸縮的條件是當已有緩存數據量達到一定比例時，就會觸發彈性擴容，擴容緩存空間。例如將觸發條件設置為緩存空間佔比超過75%，此時總的緩存空間為10G，當數據已經佔滿到8G緩存空間的時候，就會觸發擴容機制。

下面我們通過一個例子幫助您體驗Fluid的自動擴縮容能力。

前提條件

推薦使用Kubernetes 1.18以上，因為在1.18之前，HPA是無法自定義擴縮容策略的，都是通過硬編碼實現的。而在1.18後，用戶可以自定義擴縮容策略的，比如可以定義一次擴容後的冷卻時間。

具體步驟

1.安裝jq工具方便解析json，在本例子中我們使用操作系統是centos，可以通過yum安裝jq

yum install -y jq

2.下載、安裝Fluid最新版

git clone https://github.com/fluid-cloudnative/fluid.git
cd fluid/charts
kubectl create ns fluid-system
helm install fluid fluid

3.部署或配置 Prometheus

這裡通過Prometheus對於AlluxioRuntime的緩存引擎暴露的 Metrics 進行收集，如果集群內無 prometheus:

$ cd fluid
$ kubectl apply -f integration/prometheus/prometheus.yaml

如集群內有 prometheus,可將以下配置寫到 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: replace

4.驗證 Prometheus 安裝成功

$ 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

如果希望可視化監控指標，您可以安裝Grafana驗證監控數據，具體操作可以參考文檔

image.png

5.部署 metrics server

檢查該集群是否包括metrics-server, 執行kubectl top node有正確輸出可以顯示內存和CPU，則該集群metrics server配置正確

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%

否則手動執行以下命令

kubectl create -f integration/metrics-server

6.部署 custom-metrics-api 組件

為了基於自定義指標進行擴展，你需要擁有兩個組件。第一個組件是從應用程序收集指標並將其存儲到Prometheus時間序列數據庫。第二個組件使用收集的度量指標來擴展Kubernetes自定義metrics API，即 k8s-prometheus-adapter。第一個組件在第三步部署完成，下面部署第二個組件：

如果已經配置了custom-metrics-api，在adapter的configmap配置中增加與dataset相關的配置

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>>}))

否則手動執行以下命令

kubectl create -f integration/custom-metrics-api/namespace.yaml
kubectl create -f integration/custom-metrics-api

注意：因為custom-metrics-api對接集群中的Prometheous的訪問地址，請替換prometheous url為你真正使用的Prometheous地址。

檢查自定義指標

$ 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.提交測試使用的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 created

8.查看這個Dataset是否處於可用狀態, 可以看到該數據集的數據總量為2.71GiB， 目前Fluid提供的緩存節點數為1，可以提供的最大緩存能力為1GiB。此時數據量是無法滿足全量數據緩存的需求。

$ kubectl get dataset
NAME    UFS TOTAL SIZE   CACHED   CACHE CAPACITY   CACHED PERCENTAGE   PHASE   AGE
spark   2.71GiB          0.00B    1.00GiB          0.0%                Bound   7m38s

9.當該Dataset處於可用狀態後，查看是否已經可以從custom-metrics-api獲得監控指標

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.創建 HPA任務

$ 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，我們解讀一下從樣例配置，這裡主要有兩部分一個是擴縮容的規則，另一個是擴縮容的靈敏度：

  • 規則：觸發擴容行為的條件為Dataset對象的緩存數據量佔總緩存能力的90%; 擴容對象為AlluxioRuntime, 最小副本數為1，最大副本數為4; 而Dataset和AlluxioRuntime的對象需要在同一個namespace
  • 策略： 可以K8s 1.18以上的版本，可以分別針對擴容和縮容場景設置穩定時間和一次擴縮容步長比例。比如在本例子, 一次擴容週期為10分鐘(periodSeconds),擴容時新增2個副本數，當然這也不可以超過 maxReplicas 的限制；而完成一次擴容後, 冷卻時間(stabilizationWindowSeconds)為20分鐘; 而縮容策略可以選擇直接關閉。

11.查看HPA配置， 當前緩存空間的數據佔比為0。遠遠低於觸發擴容的條件

$ 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 / 80
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.創建數據預熱任務

$ 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   Unfinished

13.此時可以發現緩存的數據量接近了Fluid可以提供的緩存能力（1GiB）同時觸發了彈性伸縮的條件


$  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

從HPA的監控，可以看到Alluxio Runtime的擴容已經開始, 可以發現擴容的步長為2

$ kubectl get hpa
NAME    REFERENCE              TARGETS   MINPODS   MAXPODS   REPLICAS   AGE
spark   AlluxioRuntime/spark   100/80    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 / 80
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 target

14.在等待一段時間之後發現數據集的緩存空間由1GiB提升到了3GiB，數據緩存已經接近完成

$ 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

同時觀察HPA的狀態，可以發現此時Dataset對應的runtime的replicas數量為3， 已經使用的緩存空間比例capacity_used_rate為85%，已經不會觸發緩存擴容。

$ kubectl get hpa
NAME    REFERENCE              TARGETS   MINPODS   MAXPODS   REPLICAS   AGE
spark   AlluxioRuntime/spark   85/90     1         4         3          11m

16.清理環境

kubectl delete hpa spark
kubectl delete dataset spark

總結

Fluid提供了結合Prometheous，Kubernetes HPA和Custom Metrics能力，根據佔用緩存空間的比例觸發自動彈性伸縮的能力，實現緩存能力的按需使用。這樣能夠幫助用戶更加靈活的使用通過分佈式緩存提升數據訪問加速能力，後續我們會提供定時擴縮的能力，為擴縮容提供更強的確定性。

Fluid的代碼倉庫：https://github.com/fluid-cloudnative/fluid.git ， 歡迎大家關注、貢獻代碼和star。

Leave a Reply

Your email address will not be published. Required fields are marked *