vivo大规模 Kubernetes 集群自动化运维实践

作者 ｜ vivo 互联网服务器团队-Zhang Rong

一、背景

随着vivo业务迁移到k8s的增长，我们需要将k8s部署到多个数据中心。如何高效、可靠的在数据中心管理多个大规模的k8s集群是我们面临的关键挑战。kubernetes的节点需要对os、docker、etcd、k8s、cni和网络插件的安装和配置，维护这些依赖关系繁琐又容易出错。 以前集群的部署和扩缩容主要通过ansible编排任务，黑屏化操作、配置集群的inventory和vars执行ansible playbook。集群运维的主要困难点如下：

需要人工黑屏化集群运维操作，存在操作失误和集群配置差异。 部署脚本工具没有具体的版本控制，不利于集群的升级和配置变更。 部署脚本上线需要花费大量的时间验证，没有具体的测试用例和CI验证。 ansible任务没有拆分为模块化安装，应该化整为零。具体到k8s、etcd、addons的等角色的模块化管理，可以单独执行ansible任务。 主要是通过二进制部署，需要自己维护一套集群管理体系。部署流程繁琐，效率较低。 组件的参数管理比较混乱，通过命令行指定参数。k8s的组件最多有100以上的参数配置。每个大版本的迭代都在变化。

本文将分享我们开发的Kubernetes-Operator，采用K8s的声明式API设计，可以让集群管理员和Kubernetes-Operator的CR资源进行交互，以简化、降低任务风险性。只需要一个集群管理员就可以维护成千上万个k8s节点。

二、集群部署实践

2.1 集群部署介绍

主要基于ansible定义的OS、docker、etcd、k8s和addons等集群部署任务。 主要流程如下：

Bootstrap OS Preinstall step Install Docker Install etcd Install Kubernetes Master Install Kubernetes node Configure network plugin Install Addons Postinstall setup

上面看到是集群一键部署关键流程。当在多个数据中心部署完k8s集群后，比如集群组件的安全漏洞、新功能的上线、组件的升级等对线上集群进行变更时，需要小心谨慎的去处理。我们做到了化整为零，对单个模块去处理。避免全量的去执行ansible脚本，增加维护的难度。针对如docker、etcd、k8s、network-plugin和addons的模块化管理和运维，需提供单独的ansible脚本入口，更加精细的运维操作，覆盖到集群大部分的生命周期管理。同时kubernetes-operator的api设计的时候可以方便选择对应操作yml去执行操作。 集群部署优化操作如下： （1）k8s的组件参数管理通过 ConmponentConfig[1]提供的API去标识配置文件。

【可维护性】当组件参数超过50个以上时配置变得难以管理。 【可升级性】对于升级，版本化配置的参数更容易管理。因为社区一个大版本的参数没有变化。 【可编程性】可以对组件（JSON/YAML）对象的模板进行修补。如果你启用动态kubelet配置选项，修改参数会自动生效，不需要重启服务。 【可配置性】许多类型的配置不能表示为key-value形式。

（2）计划切换到kubeadm部署

使用kubeadm对k8s集群的生命周期管理，减少自身维护集群的成本。 使用kubeadm的证书管理，如证书上传到secret里减少证书在主机拷贝的时间消耗和重新生成证书功能等。 使用kubeadm的kubeconfig生成admin kubeconfig文件。 kubeadm其它功能如image管理、配置中心upload-config、自动给控制节点打标签和污点等。 安装coredns和kube-proxy addons。

（3）ansible使用规范

使用ansible自带模块处理部署逻辑。 避免使用hostvars。 避免使用delegate_to。 启用–limit 模式。 等等。

2.2 CI 矩阵测试

部署出来的集群，需要进行大量的场景测试和模拟。保证线上环境变更的可靠性和稳定性。 CI矩阵部分测试案例如下。 （1）语法测试：

ansible-lint shellcheck yamllint syntax-check pep8

（2）集群部署测试：

部署集群 扩缩容控制节点、计算节点、etcd 升级集群 etcd、docker、k8s和addons参数变更等

（3）性能和功能测试：

检查kube-apiserver是否正常工作 检查节点之间网络是否正常 检查计算节点是否正常 k8s e2e测试 k8s conformance 测试 其他测试

这里利用了GitLab、gitlab-runner[2]、ansible和kubevirt[3]等开源软件构建了CI流程。 详细的部署步骤如下：

在k8s集群部署gitlab-runner，并对接GitLab仓库。 在k8s集群部署Containerized-Data-Importer (CDI)[4]组件，用于创建pvc的存储虚拟机的映像文件。 在k8s集群部署kubevirt，用于创建虚拟机。 在代码仓库编写gitlab-ci.yaml[5], 规划集群测试矩阵。

如上图所示，当开发人员在GitLab提交PR时会触发一系列操作。这里主要展示了创建虚拟机和集群部署。其实在我们的集群还部署了语法检查和性能测试gitlab-runner，通过这些gitlab-runner创建CI的job去执行CI流程。 具体CI流程如下：

开发人员提交PR。 触发CI自动进行ansible语法检查。 执行ansible脚本去创建namespace，pvc和kubevirt的虚拟机模板，最终虚拟机在k8s上运行。这里主要用到ansible的k8s模块[6]去管理这些资源的创建和销毁。 调用ansible脚本去部署k8s集群。 集群部署完进行功能验证和性能测试等。 销毁kubevirt、pvc等资源。即删除虚拟机，释放资源。

如上图所示，当开发人员提交多个PR时，会在k8s集群中创建多个job，每个job都会执行上述的CI测试，互相不会产生影响。这种主要使用kubevirt的能力，实现了k8s on k8s的架构。 kubevirt主要能力如下：

提供标准的K8s API，通过ansible的k8s模块就可以管理这些资源的生命周期。 复用了k8s的调度能力，对资源进行了管控。 复用了k8s的网络能力，以namespace隔离，每个集群网络互相不影响。

三、Kubernetes-Operator 实践

3.1 Operator 介绍

Operator是一种用于特定应用的控制器，可以扩展 K8s API的功能，来代表k8s的用户创建、配置和管理复杂应用的实例。基于k8s的资源和控制器概念构建，又涵盖了特定领域或应用本身的知识。用于实现其所管理的应用生命周期的自动化。 总结 Operator功能如下：

kubernetes controller 部署或者管理一个应用，如数据库、etcd等 用户自定义的应用生命周期管理

部署 升级 扩缩容 备份 自我修复 等等

3.2 Kubernetes-Operator CR 介绍

kubernetes-operator的使用很多自定义的CR资源和控制器，这里简单的介绍功能和作用。 【ClusterDeployment】: 管理员配置的唯一的CR，其中MachineSet、Machine和Cluster它的子资源或者关联资源。ClusterDeployment是所有的配置参数入口，定义了如etcd、k8s、lb、集群版本、网路和addons等所有配置。 【MachineSet】：集群角色的集合包括控制节点、计算节点和etcd的配置和执行状态。 【Machine】：每台机器的具体信息，包括所属的角色、节点本身信息和执行的状态。 【Cluster】：和ClusterDeployment对应，它的status定义为subresource，减少 clusterDeployment的触发压力。主要用于存储ansible执行器执行脚本的状态。 【ansible执行器】：主要包括k8s自身的job、configMap、Secret和自研的job控制器。其中job主要用来执行ansible的脚本，因为k8s的job的状态有成功和失败，这样job 控制器很好观察到ansible执行的成功或者失败，同时也可以通过job对应pod日志去查看ansible的执行详细流程。configmap主要用于存储ansible执行时依赖的inventory和变量，挂在到job上。secret主要存储登陆主机的密钥，也是挂载到job上。 【扩展控制器】：主要用于扩展集群管理的功能的附加控制器，在部署kubernetes-operator我们做了定制，可以选择自己需要的扩展控制器。比如addons控制器主要负责addon插件的安装和管理。clusterinstall主要生成ansible执行器。remoteMachineSet用于多集群管理，同步元数据集群和业务集群的machine状态。还有其它的如对接公有云、dns、lb等控制器。

3.3 Kubernetes-Operator 架构

vivo的应用分布在数据中心的多个k8s集群上，提供了具有集中式多云管理、统一调度、高可用性、故障恢复等关键特性。主要搭建了一个元数据集群的pass平台去管理多个业务k8s集群。在众多关键组件中，其中kubernetes-operator就部署在元数据集群中，同时单独运行了machine控制器去管理物理资源。 下面举例部分场景如下： 场景一： 当大量应用迁移到kubernets上，管理员评估需要扩容集群。首先需要审批物理资源并通过pass平台生成对应machine的CR资源，此时的物理机处于备机池里，machine CR的状态为空闲状态。当管理员创建ClusterDeploment时所属的MachineSet会去关联空闲状态的machine，拿到空闲的machine资源，我们就可以观测到当前需要操作机器的IP地址生成对应的inventory和变量，并创建configmap并挂载给job。执行扩容的ansible脚本，如果job成功执行完会去更新machine的状态为deployed。同时跨集群同步node的控制器会检查当前的扩容的node是否为ready，如果为ready，会更新当前的machine为Ready状态，才完成整个扩容流程。 场景二： 当其中一个业务集群出现故障，无法提供服务，触发故障恢复流程，走统一资源调度。同时业务的策略是分配在多个业务集群，同时配置了一个备用集群，并没有在备用集群上分配实例，备用集群并不实际存在。 有如下2种情况：

其它的业务集群可以承载故障集群的业务，kubernetes-operator不需要执行任何操作。 如果其他业务集群不能承载故障集群的业务。容器平台开始预估资源，调用kubernetes-operator创建集群，即创建clusterDeployment从备机池里选择物理机器，观测到当前需要操作机器的IP地址生成对应的inventory和变量，创建configmap并挂载给job。执行集群安装的ansible脚本, 集群正常部署完成后开始业务的迁移。

3.4 Kubernetes-Operator 执行流程

集群管理员或者容器平台触发创建ClusterDeployment的CR，去定义当前集群的操作。 ClusterDeployment控制器感知到变化进入控制器。 开始创建machineSet和关联machine 资源。 ClusterInstall 控制器感知ClusterDeployment和Machineset的变化，开始统计machine资源，创建configmap和job，参数指定操作的ansible yml入口，执行扩缩容、升级和安装等操作。 调度器感知到job创建的pod资源，进行调度。 调度器调用k8s客户端更新pod的binding资源。 kubelet感知到pod的调度结果，创建pod开始执行ansible playbook。 job controller感知job的执行状态，更新ClusterDeployment状态。一般策略下job controller会去清理configmap和job资源。 NodeHealthy感知k8s的node是否为ready，并同步machine的状态。 addons 控制器感知集群是否ready，如果为ready去执行相关的addons插件的安装和升级。

四、总结

vivo大规模的K8s集群运维实践中，从底层的集群部署工具的优化，到大量的CI矩阵测试保证了我们线上集群运维的安全和稳定性。采用了K8s托管K8s的方式来自动化管理集群（K8s as a service），当operator检测当前的集群状态，判断是否与目标一致，出现不一致时，operator会发起具体的操作流程，驱动整个集群达到目标状态。 当前vivo的应用主要分布在自建的数据中心的多个K8s集群中，随着应用的不断的增长和复杂的业务场景，需要提供跨自建机房和云的多个K8s集群去运行原云生的应用程序。就需要Kubernetes-Operator提供对接公有云基础设施、apiserver的负载均衡、网络、dns和Cloud Provider 等。需要后续不断完善，降低K8s集群的运维难度。