云原生实践总结

👉 作为一名SRE，在运维云原生过程中的实践总结、沉淀，以便自己回顾和他人查阅，希望能帮助你在云原生领域的平稳落地。

企业落地云原生的目的

一句话概括：在保证稳定性的前提下，降本增效

目标拆解：

• 保障稳定性

  • 建设高可用性：基础组件（Master三大件/Etcd等）高可用、多机房、多集群、Pod 高可用
  • 持续进行风险治理：耦合度、故障发现、容量、容灾、变更及可运维性、安全性
  • 建设可观测性：Metrics、Logging、Tracing、Events、Chaos、Dashboard、Inspection
  • 故障演练：Apiserver 高可用故障演练、Etcd 高可用故障演练、双机房切换故障演练
  • 预案建设：Etcd 备份恢复、Velero 备份恢复、Master 节点紧急扩容、Etcd 节点紧急扩容、多集群故障迁移
  • 性能/容量评估：物理机性能压测、Master 组件性能压测、Etcd 性能压测、应用性能压测

• 节约成本

  • 推进无状态应用容器化
  • 推进无状态应用接入弹性伸缩
  • K8s 调度能力增强：预选、优选、重调度（使资源分配均匀、提高装箱率、提高资源使用率）
  • 持续进行应用容量治理：横向缩容（降副本数）、纵向缩容（降规格 CPU/MEM）
  • 建立资源画像：调度和容量治理依赖资源画像

• 提高效率（平台能力建设）

  • 自动化运维平台（面向开发）：容器生命周期管理、Ingress 生命周期管理、HPA 生命周期管理、扩缩容&升降配、容器资源预留、Java Dump & GCLog、屏蔽/恢复告警
  • 发布系统（面向开发）：Java/Nodejs/静态资源模版、自定义镜像、自定义模版、滚动发布、灰度发布、启动日志查看
  • 堡垒机（面向开发）：Web 终端、文件管理、日志审计
  • SRE 平台（面向运维）：集群安装、集群扩缩容、集群升级、插件安装、Ingress 节点扩缩容、Web Kubectl、集群自动化巡检、多集群迁移

  总结为下图，拿走不谢😏

  

实践中使用到的 CNCF LANDSCAPE 项目

按用途和熟悉度分类：

	深度使用	轻度使用或测试环境试用	准备使用
调度与编排	Kubernetes、KEDA		Karmada、Volcano
协调与服务发现	etcd、CoreDNS
应用程序定义与镜像构建		Helm、KubeVirt、Operator Framework
持续集成与交付	Argo		OpenKruise
Service Mesh		Istio
云原生网络	Calico	Cilium
云原生存储		Rook、Longhorn
可观测性	Prometheus、VictoriaMetrics、Fluentd、Grafana、Chaosblade		OpenTelemetry
容器运行时	Docker	containerd
镜像仓库	JFrog Artifactory	Harbor	Dragonfly

实践中遇到的问题&故障

🤔 问题 ：

• 如何提高资源可见性？容器内 top free 命令看到的是宿主机资源使用情况
• 应用从 KVM 迁移到 容器 后，资源利用率为何发生变化？有增高的，有降低的
• 流量洪峰时，个别应用为啥容器比虚拟RT长？
• 新增 Ingress 后导致 RedirectUri 不一致？
• 自动注入service变量导致 Nodejs 负载变高？
• grpc 应用负载均衡问题，使用 service 和 Ingress 无效？
• 接入容器后，域名访问异常？

🤔 故障：

• Calico 异常重启？
• kubelet pleg ？
• Node 被清空？
• 什么？相同型号物理机 容器性能不如虚拟机？

文章更新预告

根据本期文章总结，后续会先更新以下文章，文章预告：

保障稳定性：

• 高可用性
  • 🚩 多集群管理方案
  • 🚩 K8s 多机房高可用方案
  • 🚩 建设 Pod 高可用性（优先级、Qos、打散、hpa、无损发布、pdb）
    • 🚩 既要稳也要省，容器资源该怎么分配（Qos 设置篇）？
    • 🚩 巧用 shell-operator 为核心应用自动注入 pdb
    • （已发表）👉 容器化后无损上下线解决方案
  • 🚩 Prometheus 高可用设计
• 🚩 风险治理篇琐碎整理（临时存储限制、告警与 AppID 负责人如何关联、审计日志重要性、Node 资源预留）
• 可观测性
  • 🚩 kube-prometheus 使用实践
  • 🚩 使用 Fluentd 收集 K8s 日志
  • 🚩 K8s 组件改监控哪些核心指标？
  • 🚩 自定义 K8s Dashboard 分享
  • 🚩 K8s 自动化巡检设计思路
• 故障演练
  • 🚩 Apiserver 高可用故障演练
  • 🚩 Etcd 高可用故障演练
• 预案建设
  • 🚩 Etcd 物理备份 + Velero 逻辑备份 & 恢复详解
  • 🚩 多集群迁移设计思路
• 性能/容量评估
  • （已发表）👉 Linux 性能基准测试工具及测试方法
  • 🚩 Master 组件性能压测
  • 🚩 Etcd 性能压测
  • 🚩 物理机 MaxPod 到底设多少合适？

节约成本：

• （已发表）👉 云原生落地最佳实践
• （已发表）👉 弹性伸缩落地实践
• 🚩 Keda-hpa-exporter 开发设计（附 Github 源码）

提高效率

• 🚩 GitOps - ArgoCD 方案调研
• 🚩 Argo Rollout 使用分享
• 🚩 Argo Workflow 使用分享
• 🚩 Jumpserver 二开实现容器 Web 终端、文件管理、日志审计（附 Github 源码）

CNCF LANDSCAPE项目使用介绍

• 🚩 Etcd 概述及使用实践
• 🚩 Coredns 概述及使用实践
• 🚩 Calico 概述及使用实践
• 🚩 Helm 概述及使用实践
• 🚩 KubeVirt 概述及使用实践
• 🚩 Docker 概述及使用实践

问题故障汇总

• 🚩 容器化后常见 FAQ
• 🚩 Calico 异常重启根因分析

参考链接：

CLOUD NATIVE LANDSCAPE https://cncf.landscape2.io/?group=projects-and-products

我是 Clay，下期见 👋

---

• 欢迎订阅我的公众号「SRE运维进阶之路」或关注我的 Github https://github.com/clay-wangzhi/wiki 查看最新文章

• 欢迎加我微信sre-k8s-ai，与我讨论云原生、稳定性相关内容