Kubernetes 稳定性保障手册：洞察+预案

作者 | 悟鹏
来源 | 阿里巴巴云原生公众号

《Kubernetes 稳定性保障手册》系列文章：
​

• Kubernetes 稳定性保障手册 -- 极简版
• Kubernetes 稳定性保障手册 -- 日志专题
• Kubernetes 稳定性保障手册 -- 可观测性专题
• Kubernetes 稳定性保障手册 -- 洞察+预案（本文）

综述​

​
稳定性保障是个复杂的话题，需要有效、可迭代、可持续保障集群的稳定性，系统性的方法或许可以解决该问题。
​
为了形成系统性的方法，可以梳理出稳定性保障复杂性的源头，制定数据模型来对其进行描述，然后在数据模型的基础上对集群的稳定性保障进行数字化和可视化，以数据模型为内核来持续迭代对稳定性保障的理解、实践以及经验的固化。
​

稳定性复杂性源头

​
稳定性保障的复杂性源头，一般会有如下维度：
​

• 系统组件数量和交互关系：随着时间持续变化
• 系统组件和交互的动态行为特征：不易推导和观察
• 系统资源类型和数量：随着时间持续变化
• 系统资源的动态行为特征：不易推导和观察
• 集群的稳定性保障动作：不易规范和安全执行

总结下来，即：
​

• 如何有效、全面洞察集群
• 如何通过预案安全执行稳定性保障动作

数据模型

​
可以通过 4 张图和 3 张表对洞察和预案进行数据模型的抽象：
​

4 张图

​

• 架构关系图：描述集群组件及其交互关系
• 架构运行图：描述集群组件及交互的动态特征
• 资源构成图：描述集群资源的构成
• 资源运行图：描述集群资源的动态使用特征

3 张表

​

• 事件列表：描述集群产生的需要关注的事件
• 操作列表：描述集群中可以执行的管理操作
• 预案列表：描述集群中事件和操作的关联关系

如下：
​

洞察

​
集群的功能由集群架构提供，功能组件基于集群资源运行，故对于集群稳定性的洞察，核心在于把握集群架构和集群资源的特征。
​

1. 架构关系图

​
集群架构通常可以通过图来表征，其中节点表征组件，边表征交互关系，通过图结构可以直观把握集群的架构，形如下图：
​

可通过形如下的数据结构描述：

{
    "nodes": [
        {
            "_id": "0ce0e913f6e5516846c654dbd81db6ecab1f684e",
            "name": "kube-apiserver",
            "description": "XXX VPC 内",
            "type": "managed component",
            "dependencies": {}
        },
        {
            "_id": "f0740d8bb67520857061a9b71d4a9e4fc50bfe3d",
            "name": "etcd",
            "description": "XXX VPC 内",
            "type": "managed component | storage",
            "dependencies": {}
        },
        {
            "_id": "05952a825e91cb50a81cbaf23c6941d5c3bb2c89",
            "name": "eni-operator",
            "description": "XXX VPC 内，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 等云网络资源的管理服务",
            "type": "cloud service"
        }
    ],
    "edges": [
        {
            "_id": "38bce9ca8a0cec6d8586d96298bd63b0523fc946",
            "source": "eni-operator", "target": "kube-apiserver",
            "description": "管理 ENI 请求"
        },
        {
            "_id": "93f3c21247165f0be3a969fc80f72bc1a402e9f5",
            "source": "eni-operator", "target": "Network Service",
            "description": "访问阿里云 ECS OpenAPI，管理 VPC/VSwitch 等网络资源"
        }
    ]
}

​

2. 架构运行图

​
集群运行过程中，组件及交互关系可以通过外部观测数据推测内部状态，如 log/metrics/trace。与集群架构图结合，可以在静态架构的基础上叠加动态的洞察数据，更直观把握集群的健康状态，如下图：
​

其中的数字表征洞察数据，可以是「异常数量」「请求流量」等。除了通过数字进行洞察，还可以使用「颜色表征健康状态」「线条粗细表征流量大小」等。

可通过形如下的数据结构描述：

{
    "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. 资源构成图

资源管理是个复杂的话题，通过分析集群中资源的构成关系，也可以尝试通过图结构来表征集群的资源构成，节点表征资源，边表征资源的从属或绑定关系。
​
可通过形如下的数据结构描述：

{
    "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. 资源运行图

​
资源使用过程中，也可以对资源及资源间的关系通过外部观测数据推测内部状态，如 log/metrics/event。与资源构成图结合，可以在静态资源的基础上叠加动态的洞察数据，直观把握集群资源的使用状态。
​
可通过形如下的数据结构描述：

{
    "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"
                    }
                }
            ]
        }
    ]
}

预案

​
集群出现异常是不可避免的，需要在出现异常时安全、有效处理。
​
异常可以通过事件来表征，安全、有效的操作是经过评审、演练过的操作，将异常与操作结合，由异常触发操作，形成经过评审、演练的预案，可以安全有效处理集群异常。
​

1. 事件列表

​
集群运行过程中会产生需要关注的事件，事件自身的格式可基于社区 CloudEvents标准来使用：https://github.com/cloudevents/spec/blob/v1.0.1/spec.md。
​
可通过形如下的数据结构描述：

{
    "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

​
为了降低误操作的可能性，同时避免异常发生时执行未经审核、验证的操作，需要定义集群中可以进行的操作列表。
​
可通过形如下的数据结构描述：

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

3. 预案列表

​
在事件列表和操作列表基础上，可以将事件和操作关联起来，以事件驱动的方式处理异常，即预案。
​
可通过形如下的数据结构描述：

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

全局可视化稳定性保障

​
基于上述4 张图和3 张表的数据模型，形成对集群稳定性保障的洞察+预案的内核，可以衍生出一种全局可视化的稳定性保障服务。
​
这样的服务具有如下关键点：
​

• 全局视角
• 数字化
• 可视化

这种服务基于两种原理实现：
​

• 人们对图像的处理效率远高于文字
• 全局视角可以提供「端到端理解系统」「精准定位问题」「安全处理问题」的能力

以日常生活中的交通图为例：
​

通过交通图，可以快速了解到一个区域的道路分布和关键节点，约定俗成的红黄绿颜色可以直观表达道路的拥堵状况。在更丰富的交通图上，还会观察到诸如修路、封路等重要事件。
​
这样，基于可视化的方式，就可以迅速理解一个区域的交通和地理情况。
​
底层的数据模型是基础，应用可视化的手段，使得数据的价值更易被发挥。
​

一种实现

​

1）部署形态

​

• Region 化部署
• 面向 Region 内单集群或多集群提供服务

2）使用体感

​
根据稳定性保障的最佳实践，将稳定性保障分为如下几个栏目：

• 运行链路图：
  • 该栏目是日常稳定性保障高频使用的区域，通过可视化的能力，直观感知异常的发生、异常范围和影响程度、白屏化+可视化方式处理异常
• 部署架构图
  • 该栏目用于理解集群的部署架构，感知和处理部署维度的问题
  • 容量管理 (包括节点管理、容量规划等) 在此栏目进行
• 业务流程图
  • 该栏目沉淀业务的功能流程图，一方面协助业务控制功能复杂度，一方面协助业务理解业务功能现状，共同助力业务迭代
  • 业务相关的数据分析可放在该栏目
• 数据分析：该栏目服务两方面的数据需求
  • 业务需求
    • 查看类：集群规模等 SLI 信息、集群稳定性等 SLO 信息
    • 查询类：根据特征查询统计信息 (如根据 label 查询资源申请等)
  • 稳定性保障需求
    • 查看类：集群水位等 SLI 信息，集群稳定性保障效果等 SLO 信息
    • 查询类：根据特征查询统计信息 (如根据 label 查询关联的所有资源信息、资源泄露信息等)
• 可观测性管理
  • 该栏目用管理可观测性相关事宜，包括：
    • 观测数据生成
    • 观测数据采集
    • 观测数据处理
    • 观测数据消费
• 可控性管理
  • 该栏目用于管理与控制相关的操作，包括：
    • 发布管理
    • 灾备管理
    • 预案管理
    • 资源管理
    • 混沌工程
    • 安全管理
    • 定期体检

系统正常运行期间：
​

• 通过「数据分析」栏目，确认集群在「可观测性」「可控性」方面的覆盖面和精确性
• 在「可观测性管理」栏目，进行可观测维度的管理，包括 数据源/监控/告警补齐、治理等
• 在「可控性管理」栏目:
  • 根据观测数据发现的问题，进行预案配置、issue 管理等
  • 根据混沌工程或演练发现的问题，进行预案配置等
• 在「运行链路图」「部署架构图」中，通过可视化方式，将已经配置的监控、告警、预案与组件或链路结合

系统异常及恢复期间，在「运行链路图」中：
​

• 通过集群运行链路图或告警，感知异常的发生
• 自动或手动触发问题跟踪
• 通过集群运行链路图中组件及交互的颜色，感知异常的组件、异常的链路和严重程度
• 点击集群运行链路图中组件的异常数字，获取关联的异常详情，或跳转到日志、tracing 系统等进行手动查询
• 根据异常详情或平台提示，确定待执行的预案和关联的组件
• 在集群运行链路图中执行预案 (阻断问题或恢复服务)
• 通过集群运行链路图中组件及交互的颜色，确认预案执行效果
• 自动或手动结束问题跟踪

问题跟踪过程中记录的主要内容有：
​

• issue
• 异常发生的时刻
• 异常处理期间执行的动作
• 运行链路图 snapshot
• 异常恢复的时刻

数据模型及竞争力分析

​
数据模型是稳定性保障最佳实践进行迭代、分享和应用的媒介，通用的洞察和预案可以形成标准化的服务，个性化的洞察和预案可通过固定的结构来描述，然后使用通用的控制器来落地。
​
以数据模型形成洞察+预案的稳定性保障服务，技术核心为：
​

• 洞察模型
  • 关键问题：
    • 如何洞察集群稳定性？
    • 如何洞察业务迭代效率？
• 数据模型
  • 关键问题：
    • 如何定义有效、可扩展的数据描述?

在技术核心的基础上，可以围绕如下的竞争力进行迭代：
​

• 洞察
  • 全局化
  • 数字化
  • 可视化
• 效率
  • 最短操作路径
  • 最小使用成本
• 先进性
  • 流程化最佳实践

小结

​
通过 Spec 规范 7 种数据模型，我们可以基于结构化的描述来表征洞察+预案。以此为核心，不断迭代对稳定性保障的实践和理解，加速业务迭代。再扩展一步，也有可能基于该模型在发展方向反哺业务。
​
如果大家感兴趣，欢迎在留言区进行交流。