頭圖.png

《Kubernetes 穩定性保障手冊》系列文章：

綜述

穩定性保障是個複雜的話題，需要有效、可迭代、可持續保障集群的穩定性，系統性的方法或許可以解決該問題。

為了形成系統性的方法，可以梳理出穩定性保障複雜性的源頭，制定數據模型來對其進行描述，然後在數據模型的基礎上對集群的穩定性保障進行數字化和可視化，以數據模型為內核來持續迭代對穩定性保障的理解、實踐以及經驗的固化。

穩定性複雜性源頭

穩定性保障的複雜性源頭，一般會有如下維度：

系統組件數量和交互關係：隨著時間持續變化
系統組件和交互的動態行為特徵：不易推導和觀察
系統資源類型和數量：隨著時間持續變化
系統資源的動態行為特徵：不易推導和觀察
集群的穩定性保障動作：不易規範和安全執行

總結下來，即：

如何有效、全面洞察集群
如何通過預案安全執行穩定性保障動作

數據模型

可以通過 4 張圖和 3 張表對洞察和預案進行數據模型的抽象：

4 張圖

架構關係圖：描述集群組件及其交互關係
架構運行圖：描述集群組件及交互的動態特徵
資源構成圖：描述集群資源的構成
資源運行圖：描述集群資源的動態使用特徵

3 張表

事件列表：描述集群產生的需要關注的事件
操作列表：描述集群中可以執行的管理操作
預案列表：描述集群中事件和操作的關聯關係

如下：

洞察

集群的功能由集群架構提供，功能組件基於集群資源運行，故對於集群穩定性的洞察，核心在於把握集群架構和集群資源的特徵。

1. 架構關係圖

集群架構通常可以通過圖來表徵，其中節點表徵組件，邊表徵交互關係，通過圖結構可以直觀把握集群的架構，形如下圖：

可通過形如下的數據結構描述：

{
    "nodes": [
        {
            "_id": "0ce0e913f6e5516846c654dbd81db6ecab1f684e",
            "name": "kube-apiserver",
            "description": "XXX VPC 內",
            "type": "managed component",
            "dependencies": {}
        },
        {
            "_id": "f0740d8bb67520857061a9b71d4a9e4fc50bfe3d",
            "name": "etcd",
            "description": "XXX VPC 內",
            "type": "managed component | storage",
            "dependencies": {}
        },
        {
            "_id": "05952a825e91cb50a81cbaf23c6941d5c3bb2c89",
            "name": "eni-operator",
            "description": "XXX VPC 內，管理 ENI",
            "type": "component",
            "dependencies": {
                "serviceaccount": "enioperator",
                "clusterrole": "enioperator",
                "clusterrolebinding": "enioperator",
                "configmaps": ["eniconfig"],
                "secrets": ["enioperator"]
            }
        },
        {
            "_id": "42699513a7561e89a5f99881d7b05653a1625c51",
            "name": "Network Service",
            "description": "提供 VPC/VSwitch 等雲網絡資源的管理服務",
            "type": "cloud service"
        }
    ],
    "edges": [
        {
            "_id": "38bce9ca8a0cec6d8586d96298bd63b0523fc946",
            "source": "eni-operator", "target": "kube-apiserver",
            "description": "管理 ENI 請求"
        },
        {
            "_id": "93f3c21247165f0be3a969fc80f72bc1a402e9f5",
            "source": "eni-operator", "target": "Network Service",
            "description": "訪問阿里雲 ECS OpenAPI，管理 VPC/VSwitch 等網絡資源"
        }
    ]
}

2. 架構運行圖

集群運行過程中，組件及交互關係可以通過外部觀測數據推測內部狀態，如 log/metrics/trace。與集群架構圖結合，可以在靜態架構的基礎上疊加動態的洞察數據，更直觀把握集群的健康狀態，如下圖：

其中的數字表徵洞察數據，可以是「異常數量」「請求流量」等。除了通過數字進行洞察，還可以使用「顏色表徵健康狀態」「線條粗細表徵流量大小」等。

可通過形如下的數據結構描述：

{
    "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. 資源構成圖

資源管理是個複雜的話題，通過分析集群中資源的構成關係，也可以嘗試通過圖結構來表徵集群的資源構成，節點表徵資源，邊表徵資源的從屬或綁定關係。

可通過形如下的數據結構描述：

{
    "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. 資源運行圖

資源使用過程中，也可以對資源及資源間的關係通過外部觀測數據推測內部狀態，如 log/metrics/event。與資源構成圖結合，可以在靜態資源的基礎上疊加動態的洞察數據，直觀把握集群資源的使用狀態。

可通過形如下的數據結構描述：

{
    "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"
                    }
                }
            ]
        }
    ]
}

預案

集群出現異常是不可避免的，需要在出現異常時安全、有效處理。

異常可以通過事件來表徵，安全、有效的操作是經過評審、演練過的操作，將異常與操作結合，由異常觸發操作，形成經過評審、演練的預案，可以安全有效處理集群異常。

1. 事件列表

集群運行過程中會產生需要關注的事件，事件自身的格式可基於社區 CloudEvents標準來使用：_https://github.com/cloudevents/spec/blob/v1.0.1/spec.md_。

可通過形如下的數據結構描述：

{
    "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

為了降低誤操作的可能性，同時避免異常發生時執行未經審核、驗證的操作，需要定義集群中可以進行的操作列表。

可通過形如下的數據結構描述：

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

3. 預案列表

在事件列表和操作列表基礎上，可以將事件和操作關聯起來，以事件驅動的方式處理異常，即預案。

可通過形如下的數據結構描述：

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

全局可視化穩定性保障

基於上述4 張圖和3 張表的數據模型，形成對集群穩定性保障的洞察+預案的內核，可以衍生出一種全局可視化的穩定性保障服務。

這樣的服務具有如下關鍵點：

全局視角
數字化
可視化

這種服務基於兩種原理實現：

人們對圖像的處理效率遠高於文字
全局視角可以提供「端到端理解系統」「精準定位問題」「安全處理問題」的能力

以日常生活中的交通圖為例：

通過交通圖，可以快速瞭解到一個區域的道路分佈和關鍵節點，約定俗成的紅黃綠顏色可以直觀表達道路的擁堵狀況。在更豐富的交通圖上，還會觀察到諸如修路、封路等重要事件。

這樣，基於可視化的方式，就可以迅速理解一個區域的交通和地理情況。

底層的數據模型是基礎，應用可視化的手段，使得數據的價值更易被髮揮。

一種實現

1）部署形態

Region 化部署
面向 Region 內單集群或多集群提供服務

2）使用體感

根據穩定性保障的最佳實踐，將穩定性保障分為如下幾個欄目：

運行鏈路圖：
- 該欄目是日常穩定性保障高頻使用的區域，通過可視化的能力，直觀感知異常的發生、異常範圍和影響程度、白屏化+可視化方式處理異常
部署架構圖
- 該欄目用於理解集群的部署架構，感知和處理部署維度的問題
- 容量管理 (包括節點管理、容量規劃等) 在此欄目進行
業務流程圖
- 該欄目沉澱業務的功能流程圖，一方面協助業務控制功能複雜度，一方面協助業務理解業務功能現狀，共同助力業務迭代
- 業務相關的數據分析可放在該欄目
數據分析：該欄目服務兩方面的數據需求
- 業務需求
  - 查看類：集群規模等 SLI 信息、集群穩定性等 SLO 信息
  - 查詢類：根據特徵查詢統計信息 (如根據 label 查詢資源申請等)
- 穩定性保障需求
  - 查看類：集群水位等 SLI 信息，集群穩定性保障效果等 SLO 信息
  - 查詢類：根據特徵查詢統計信息 (如根據 label 查詢關聯的所有資源信息、資源洩露信息等)
可觀測性管理
- 該欄目用管理可觀測性相關事宜，包括：
  - 觀測數據生成
  - 觀測數據採集
  - 觀測數據處理
  - 觀測數據消費
可控性管理
- 該欄目用於管理與控制相關的操作，包括：
  - 發佈管理
  - 災備管理
  - 預案管理
  - 資源管理
  - 混沌工程
  - 安全管理
  - 定期體檢

系統正常運行期間：

通過「數據分析」欄目，確認集群在「可觀測性」「可控性」方面的覆蓋面和精確性
在「可觀測性管理」欄目，進行可觀測維度的管理，包括數據源/監控/告警補齊、治理等
在「可控性管理」欄目:
- 根據觀測數據發現的問題，進行預案配置、issue 管理等
- 根據混沌工程或演練發現的問題，進行預案配置等
在「運行鏈路圖」「部署架構圖」中，通過可視化方式，將已經配置的監控、告警、預案與組件或鏈路結合

系統異常及恢復期間，在「運行鏈路圖」中：

通過集群運行鏈路圖或告警，感知異常的發生
自動或手動觸發問題跟蹤
通過集群運行鏈路圖中組件及交互的顏色，感知異常的組件、異常的鏈路和嚴重程度
點擊集群運行鏈路圖中組件的異常數字，獲取關聯的異常詳情，或跳轉到日誌、tracing 系統等進行手動查詢
根據異常詳情或平臺提示，確定待執行的預案和關聯的組件
在集群運行鏈路圖中執行預案 (阻斷問題或恢復服務)
通過集群運行鏈路圖中組件及交互的顏色，確認預案執行效果
自動或手動結束問題跟蹤

問題跟蹤過程中記錄的主要內容有：

issue
異常發生的時刻
異常處理期間執行的動作
運行鏈路圖 snapshot
異常恢復的時刻

數據模型及競爭力分析

數據模型是穩定性保障最佳實踐進行迭代、分享和應用的媒介，通用的洞察和預案可以形成標準化的服務，個性化的洞察和預案可通過固定的結構來描述，然後使用通用的控制器來落地。

以數據模型形成洞察+預案的穩定性保障服務，技術核心為：

洞察模型
- 關鍵問題：
  - 如何洞察集群穩定性？
  - 如何洞察業務迭代效率？
數據模型
- 關鍵問題：
  - 如何定義有效、可擴展的數據描述?

在技術核心的基礎上，可以圍繞如下的競爭力進行迭代：

洞察
- 全局化
- 數字化
- 可視化
效率
- 最短操作路徑
- 最小使用成本
先進性
- 流程化最佳實踐

小結

通過 Spec 規範 7 種數據模型，我們可以基於結構化的描述來表徵洞察+預案。以此為核心，不斷迭代對穩定性保障的實踐和理解，加速業務迭代。再擴展一步，也有可能基於該模型在發展方向反哺業務。

如果大家感興趣，歡迎在留言區進行交流。

Kubernetes 穩定性保障手冊：洞察+預案

綜述

穩定性複雜性源頭

數據模型

4 張圖

3 張表

洞察

1. 架構關係圖

2. 架構運行圖

3. 資源構成圖

4. 資源運行圖

預案

1. 事件列表

2. 操作列表

3. 預案列表

全局可視化穩定性保障

一種實現

1）部署形態

2）使用體感

數據模型及競爭力分析

小結

Leave a Reply Cancel reply

綜述​

穩定性複雜性源頭

數據模型

4 張圖

3 張表

洞察

1. 架構關係圖

2. 架構運行圖

3. 資源構成圖

4. 資源運行圖

預案

1. 事件列表

2. 操作列表

3. 預案列表

全局可視化穩定性保障

一種實現

1）部署形態

2）使用體感

數據模型及競爭力分析

小結

Leave a Reply Cancel reply

綜述