PaaS容器集群优化之路-阿里云开发者社区

PaaS容器集群优化之路

2017-10-11 2813

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 本文讲的是PaaS容器集群优化之路【编者的话】本文探讨了在一个复杂的PaaS系统中，如何系统化、科学化的进行全系统的性能优化工作。

本文讲的是PaaS容器集群优化之路【编者的话】本文探讨了在一个复杂的PaaS系统中，如何系统化、科学化的进行全系统的性能优化工作。

【深圳站｜3天烧脑式Kubernetes训练营】培训内容包括：Kubernetes概述、架构、日志和监控，部署、自动驾驶、服务发现、网络方案等核心机制分析，进阶篇——Kubernetes调度工作原理、资源管理及源码分析等。

1. 性能优化面对的挑战

以下是整个PaaS平台的架构

其中主要包括这些子系统：

微服务治理框架：为应用提供自动注册、发现、治理、隔离、调用分析等一系列分布式/微服务治理能力，屏蔽分布式系统的复杂度。
应用调度与资源管理框架：打通从应用建模、编排部署到资源调度、弹性伸缩、监控自愈的生命周期管理自动化。
应用开发流水线框架：打通从编写代码提交到自动编译打包、持续集成、自动部署上线的一系列CI/CD全流程自动化。
云中间件服务：应用云化所需的数据库、大数据、通信和应用中间件服务；通过服务集成管控可集成传统非云化的中间件能力。

面对一个如此复杂的系统，性能优化工作是一个非常艰巨的挑战，这里有这么一些痛点：

源代码及开发组件多，100+ git repo，整体构建超过1天
运行架构复杂，全套安装完需要30+VM，200+进程
软件栈深，网络平面复杂
集群规模大，5k — 10k节点环境搭建非常困难
系统操作会经过分布式的多个组件，无法通过单一组件诊断发现系统瓶颈
无法追踪上千个处于不同层次的API的时延和吞吐
大部分开发人员专注于功能开发，无法意识到自己的代码可能造成性能问题

2. 优化分析

那么，对于这么一个大的、复杂的系统，从方法论的角度来讲，应该怎么去优化呢？基本思路就是做拆分，把一个大的问题分解为多个互相不耦合的维度，进行各个击破。从大的维度来讲，一个PaaS容器集群，可以分为3个大的子系统。

控制子系统：控制指令的下发和运行(k8s)，例如创建pod
业务流量子系统：容器网络(flannel)、负载均衡(ELB/kube-proxy)
监控子系统：监控告警数据的采集(kafka, Hadoop)

这个看起来仅仅是一个架构上的划分，那么如何和具体的业务场景对应起来呢？我们可以考虑如下一个场景，在PaaS平台上大批量的部署应用。看看在部署应用的过程中，会对各个子系统产生什么压力。

应用软件包大小：400M
应用模板大小：10M
1000个节点，每个节点一个POD，一个实例
10种类型的软件包，依赖长度为3，10GB 网络
调度及资源管理 3VM

这是一个典型的部署应用的一些规格，那么对于这样的一个输入，我们可以按照架构把压力分解到每个子系统上，这样得出的子系统需要支撑的指标是：

控制子系统： Kubernetes调度速度 > 50 pods/s，仓库支持300并发下载，>40M/s
数据子系统：overlay容器网络TCP收发性能损耗 <5%
监控子系统：在上面这个场景中不涉及，但可以从别的场景大致告警处理能力100条/秒

这里的业务场景：架构分析：子系统指标，这三者是m:1:n的，也就是说在不同场景下对不同的组件的性能要求不同，最后每个组件需要取自己指标的最大值。

指标决定了后续怎么进行实验测试，而测试是要花较大时间成本的，所以在指标的选取上要求少求精，尽量力图用2-3个指标衡量子系统。

3. 优化测试 & 工具

上面讲的还是偏纸上的推演和分析，接下来进入实战阶段

对于服务器后端的程序来讲，推荐使用 Promtheus 这个工具来做指标的定义和采集。Promtheus的基本工作原理是：后端程序引入Promtheus的SDK，自定义所有需要的测量的指标，然后开启一个http的页面，定期刷新数据。Promtheus服务器会定期抓取这个页面上的数据，并存在内部的时间序列数据库内。这种抓而非推的方式减少了对被测试程序的压力，避免了被测程序要频繁往外发送大量数据，导致自身性能反而变差而导致测量不准确。Promtheus支持这几种数据类型：

计数（对应收集器初始化方法NewCounter、NewCounterFunc、NewCounterVec，单一数值，数值一直递增，适合请求数量统计等）
测量（对应收集器初始化方法NewGauge、NewGaugeFunc、NewGaugeVec，单一数值，数值增减变动，适合CPU、Mem等的统计）
直方图测量（对应收集器初始化方法NewHistogram、NewHistogramVec，比较适合时长等的统计）
概要测量（对应收集器初始化方法NewSummary、NewSummaryVec，比较适合请求时延等的统计）

我们可以看看在Kubernetes项目里面是怎么用的：

var (
// TODO(a-robinson): Add unit tests for the handling of these metrics once
// the upstream library supports it.
requestCounter = prometheus.NewCounterVec(
    prometheus.CounterOpts{
        Name: "apiserver_request_count",
        Help: "Counter of apiserver requests broken out for each verb, API resource, client, and HTTP response contentType and code.",
    },
    []string{"verb", "resource", "client", "contentType", "code"},
)
requestLatencies = prometheus.NewHistogramVec(
    prometheus.HistogramOpts{
        Name: "apiserver_request_latencies",
        Help: "Response latency distribution in microseconds for each verb, resource and client.",
        // Use buckets ranging from 125 ms to 8 seconds.
        Buckets: prometheus.ExponentialBuckets(125000, 2.0, 7),
    },
    []string{"verb", "resource"},
)
requestLatenciesSummary = prometheus.NewSummaryVec(
    prometheus.SummaryOpts{
        Name: "apiserver_request_latencies_summary",
        Help: "Response latency summary in microseconds for each verb and resource.",
        // Make the sliding window of 1h.
        MaxAge: time.Hour,
    },
    []string{"verb", "resource"},
)
)

在这里，一个http请求被分为 verb, resource, client, contentType, code 这五个维度，那么后面在PromDash上就能图形化的画出这些请求的数量。从而分析哪种类型的请求是最多，对系统造成最大压力的，如图

除了Promtheus，还可以引入其他的测量手段，对系统进行分析。

在Kubernetes调度过程中，各个状态Pod的数量，看哪一步是最卡的
go pprof分析，哪些函数是最耗CPU的

4. 优化开发

发现了瓶颈之后，下一步就是解决瓶颈，和具体业务逻辑有关，本文在这里就不做过多的阐释。需要对相关代码非常熟悉，在不改变功能的情况下增强性能，基本思路为并发/缓存/去除无用步骤等。

5. 优化成果

这是我们在Kubernetes项目上控制面优化的成果：

这里仅仅显示了控制子系统的指标，其他子系统还没有支持那么大的集群，尤其在网络方面，不同用户的网络架构差别很大。所以数据仅供参考。

6. 优化的优化

在上面的优化过程当中，基本上工程师要做几百次优化的测试和开发。这里会产生一个循环：

测试寻找瓶颈点
修改代码突破这个瓶颈点
重新测试验证这段代码是否有效，是否需要改优化思路

这就是一个完整的优化的迭代过程，在这个过程当中，大部分时间被浪费在构建代码、搭建环境、输出报告上。开发人员真正思考和写代码的时间比较短。为了解决这个问题，就需要做很多自动化的工作。在Kubernetes优化的过程中，有这么几项方法可以节省时间：

kubemark模拟器：社区项目，使用容器模拟虚拟机，在测试中模拟比达到1：20，也就是一台虚拟机可以模拟20台虚拟机对apiserver产生的压力。在测试过程当中，我们使用了500台虚拟机，模拟了10000节点的控制面行为。
CI集成：提交PR后自动拉性能优化分支并开始快速构建
CD集成：使用I层的快照机制，快速搭建集群并执行测试案例输出测试报告

以上都是在实践过程中总结的一些点，对于不同的项目工程应该有很多点可以做进一步的优化，提升迭代效率。

在搭建完这套系统后，我们发现这个系统可以从源头上预防降低系统性能的代码合入主线。如果一项特性代码造成了性能下降，在CI的过程当中，功能开发者就能收到性能报告，这样开发者就能自助式的去查找自己代码的性能问题所在，减少性能工程师的介入。

原文发布时间为：2017-05-06

本文作者：难易

本文来自云栖社区合作伙伴Dockerone.io，了解相关信息可以关注Dockerone.io。

原文标题：PaaS容器集群优化之路

PaaS容器集群优化之路

1. 性能优化面对的挑战

2. 优化分析

3. 优化测试 & 工具

4. 优化开发

5. 优化成果

6. 优化的优化

容器服务

热门文章

最新文章

相关课程

相关电子书