专栏名称: OSC开源社区

OSChina 开源中国官方微信账号

PaaS 容器集群优化之路

OSC开源社区 · 公众号 · 程序员 · 2017-05-13 08:29

正文

摘要: 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。

性能优化面对的挑战

以下是整个PaaS平台的架构

在这里输入图片标题

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

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

- 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。

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

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。

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。

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。

PaaS 容器集群优化之路

正文

请到「今天看啥」查看全文