Fluid 給數據彈性一雙隱形的翅膀 -- 自定義彈性伸縮

時間  2021-04-21
標籤 node git github web 數據庫 apache json centos api 緩存 欄目 Git 简体版
原文   原文鏈接

頭圖.png

做者 |  車漾 Fluid 社區 Commiter 謝遠東 Fluid 社區 Commiter 來源 | 阿里巴巴雲原生公衆號node

**導讀：**彈性伸縮做爲 Kubernetes 的核心能力之一，但它一直是圍繞這無狀態的應用負載展開。而 Fluid 提供了分佈式緩存的彈性伸縮能力，能夠靈活擴充和收縮數據緩存。 它基於 Runtime 提供了緩存空間、現有緩存比例等性能指標, 結合自身對於 Runtime 資源的擴縮容能力，提供數據緩存按需伸縮能力。git

背景

隨着愈來愈多的大數據和 AI 等數據密集應用開始部署和運行在 Kubernetes 環境下，數據密集型應用計算框架的設計理念和雲原生靈活的應用編排的分歧，致使了數據訪問和計算瓶頸。雲原生數據編排引擎 Fluid 經過數據集的抽象，利用分佈式緩存技術，結合調度器，爲應用提供了數據訪問加速的能力。github

1.png

彈性伸縮做爲 Kubernetes 的核心能力之一，但它一直是圍繞這無狀態的應用負載展開。而 Fluid 提供了分佈式緩存的彈性伸縮能力，能夠靈活擴充和收縮數據緩存。它基於 Runtime 提供了緩存空間、現有緩存比例等性能指標, 結合自身對於 Runtime 資源的擴縮容能力，提供數據緩存按需伸縮能力。web

這個能力對於互聯網場景下大數據應用很是重要，因爲多數的大數據應用都是經過端到端流水線來實現的。而這個流水線包含如下幾個步驟：數據庫

  1. 數據提取：利用 Spark，MapReduce 等大數據技術對於原始數據進行預處理。
  2. 模型訓練：利用第一階段生成特徵數據進行機器學習模型訓練，而且生成相應的模型。
  3. 模型評估：經過測試集或者驗證集對於第二階段生成模型進行評估和測試。
  4. 模型推理：第三階段驗證後的模型最終推送到線上爲業務提供推理服務。

2.png

能夠看到端到端的流水線會包含多種不一樣類型的計算任務，針對每個計算任務，實踐中會有合適的專業系統來處理（TensorFlow，PyTorch，Spark， Presto）；可是這些系統彼此獨立，一般要藉助外部文件系統來實現把數據從一個階段傳遞到下一個階段。可是頻繁的使用文件系統實現數據交換，會帶來大量的 I/O 開銷，常常會成爲整個工做流的瓶頸。apache

而 Fluid 對於這個場景很是適合，用戶能夠建立一個 Dataset 對象，這個對象有能力將數據分散緩存到 Kubernetes 計算節點中，做爲數據交換的介質，這樣避免了數據的遠程寫入和讀取，提高了數據使用的效率。可是這裏的問題是臨時數據緩存的資源預估和預留。因爲在數據生產消費以前，精確的數據量預估是比較難知足，太高的預估會致使資源預留浪費，太低的預估會致使數據寫入失敗可能性增高。仍是按需擴縮容對於使用者更加友好。咱們但願可以達成相似 page cache 的使用效果，對於最終用戶來講這一層是透明的可是它帶來的緩存加速效果是實實在在的。json

咱們經過自定義 HPA 機制，經過 Fluid 引入了緩存彈性伸縮能力。彈性伸縮的條件是當已有緩存數據量達到必定比例時，就會觸發彈性擴容，擴容緩存空間。例如將觸發條件設置爲緩存空間佔比超過 75%，此時總的緩存空間爲 10G，當數據已經佔滿到 8G 緩存空間的時候，就會觸發擴容機制。centos

下面咱們經過一個例子幫助您體驗 Fluid 的自動擴縮容能力。api

前提條件

推薦使用 Kubernetes 1.18 以上，由於在 1.18 以前，HPA 是沒法自定義擴縮容策略的，都是經過硬編碼實現的。而在 1.18 後，用戶能夠自定義擴縮容策略的，好比能夠定義一次擴容後的冷卻時間。緩存

具體步驟

1. 安裝 jq 工具方便解析 json。

在本例子中咱們使用操做系統是 centos，能夠經過 yum 安裝 jq。

yum install -y jq

2. 下載、安裝 Fluid 最新版。

git clone https://github.com/fluid-cloudnative/fluid.git
cd fluid/charts
kubectl create ns fluid-system
helm install fluid fluid

3. 部署或配置 Prometheus。

這裏經過 Prometheus 對於 AlluxioRuntime 的緩存引擎暴露的 Metrics 進行收集，若是集羣內無 prometheus：

$ cd fluid
$ kubectl apply -f integration/prometheus/prometheus.yaml

如集羣內有 prometheus，可將如下配置寫到 prometheus 配置文件中：

scrape_configs:
  - job_name: 'alluxio runtime'
    metrics_path: /metrics/prometheus
    kubernetes_sd_configs:
      - role: endpoints
    relabel_configs:
    - source_labels: [__meta_kubernetes_service_label_monitor]
      regex: alluxio_runtime_metrics
      action: keep
    - source_labels: [__meta_kubernetes_endpoint_port_name]
      regex: web
      action: keep
    - source_labels: [__meta_kubernetes_namespace]
      target_label: namespace
      replacement: $1
      action: replace
    - source_labels: [__meta_kubernetes_service_label_release]
      target_label: fluid_runtime
      replacement: $1
      action: replace
    - source_labels: [__meta_kubernetes_endpoint_address_target_name]
      target_label: pod
      replacement: $1
      action: replace

4. 驗證 Prometheus 安裝成功。

$ kubectl get ep -n kube-system  prometheus-svc
NAME             ENDPOINTS        AGE
prometheus-svc   10.76.0.2:9090   6m49s
$ kubectl get svc -n kube-system prometheus-svc
NAME             TYPE       CLUSTER-IP      EXTERNAL-IP   PORT(S)          AGE
prometheus-svc   NodePort   172.16.135.24   <none>        9090:32114/TCP   2m7s

若是但願可視化監控指標，您能夠安裝 Grafana 驗證監控數據，具體操做能夠參考文檔。

3.png

5. 部署 metrics server。

檢查該集羣是否包括 metrics-server，執行kubectl top node有正確輸出能夠顯示內存和 CPU，則該集羣 metrics server 配置正確。

kubectl top node
NAME                       CPU(cores)   CPU%   MEMORY(bytes)   MEMORY%
192.168.1.204   93m          2%     1455Mi          10%
192.168.1.205   125m         3%     1925Mi          13%
192.168.1.206   96m          2%     1689Mi          11%

不然手動執行如下命令：

kubectl create -f integration/metrics-server

6. 部署 custom-metrics-api 組件。

爲了基於自定義指標進行擴展，你須要擁有兩個組件：

  • 第一個組件是從應用程序收集指標並將其存儲到 Prometheus 時間序列數據庫。
  • 第二個組件使用收集的度量指標來擴展 Kubernetes 自定義 metrics API，即 k8s-prometheus-adapter。

第一個組件在第三步部署完成，下面部署第二個組件。

若是已經配置了custom-metrics-api，在 adapter 的 configmap 配置中增長與 dataset 相關的配置：

apiVersion: v1
kind: ConfigMap
metadata:
  name: adapter-config
  namespace: monitoring
data:
  config.yaml: |
    rules:
    - seriesQuery: '{__name__=~"Cluster_(CapacityTotal|CapacityUsed)",fluid_runtime!="",instance!="",job="alluxio runtime",namespace!="",pod!=""}'
      seriesFilters:
      - is: ^Cluster_(CapacityTotal|CapacityUsed)$
      resources:
        overrides:
          namespace:
            resource: namespace
          pod:
            resource: pods
          fluid_runtime:
            resource: datasets
      name:
        matches: "^(.*)"
        as: "capacity_used_rate"
      metricsQuery: ceil(Cluster_CapacityUsed{<<.LabelMatchers>>}*100/(Cluster_CapacityTotal{<<.LabelMatchers>>}))

不然手動執行如下命令：

kubectl create -f integration/custom-metrics-api/namespace.yaml
kubectl create -f integration/custom-metrics-api

注意：由於 custom-metrics-api 對接集羣中的 Prometheous 的訪問地址，請替換 prometheous url 爲你真正使用的 Prometheous 地址。

檢查自定義指標：

$ kubectl get --raw "/apis/custom.metrics.k8s.io/v1beta1" | jq
{
  "kind": "APIResourceList",
  "apiVersion": "v1",
  "groupVersion": "custom.metrics.k8s.io/v1beta1",
  "resources": [
    {
      "name": "pods/capacity_used_rate",
      "singularName": "",
      "namespaced": true,
      "kind": "MetricValueList",
      "verbs": [
        "get"
      ]
    },
    {
      "name": "datasets.data.fluid.io/capacity_used_rate",
      "singularName": "",
      "namespaced": true,
      "kind": "MetricValueList",
      "verbs": [
        "get"
      ]
    },
    {
      "name": "namespaces/capacity_used_rate",
      "singularName": "",
      "namespaced": false,
      "kind": "MetricValueList",
      "verbs": [
        "get"
      ]
    }
  ]
}

7. 提交測試使用的 Dataset。

$ cat<<EOF >dataset.yaml
apiVersion: data.fluid.io/v1alpha1
kind: Dataset
metadata:
  name: spark
spec:
  mounts:
    - mountPoint: https://mirrors.bit.edu.cn/apache/spark/
      name: spark
---
apiVersion: data.fluid.io/v1alpha1
kind: AlluxioRuntime
metadata:
  name: spark
spec:
  replicas: 1
  tieredstore:
    levels:
      - mediumtype: MEM
        path: /dev/shm
        quota: 1Gi
        high: "0.99"
        low: "0.7"
  properties:
    alluxio.user.streaming.data.timeout: 300sec
EOF
$ kubectl create -f dataset.yaml
dataset.data.fluid.io/spark created
alluxioruntime.data.fluid.io/spark created

8. 查看這個 Dataset 是否處於可用狀態。

能夠看到該數據集的數據總量爲 2.71GiB， 目前 Fluid 提供的緩存節點數爲 1，能夠提供的最大緩存能力爲 1GiB。此時數據量是沒法知足全量數據緩存的需求。

$ kubectl get dataset
NAME    UFS TOTAL SIZE   CACHED   CACHE CAPACITY   CACHED PERCENTAGE   PHASE   AGE
spark   2.71GiB          0.00B    1.00GiB          0.0%                Bound   7m38s

9. 當該 Dataset 處於可用狀態後，查看是否已經能夠從 custom-metrics-api 得到監控指標。

kubectl get --raw "/apis/custom.metrics.k8s.io/v1beta1/namespaces/default/datasets.data.fluid.io/*/capacity_used_rate" | jq
{
  "kind": "MetricValueList",
  "apiVersion": "custom.metrics.k8s.io/v1beta1",
  "metadata": {
    "selfLink": "/apis/custom.metrics.k8s.io/v1beta1/namespaces/default/datasets.data.fluid.io/%2A/capacity_used_rate"
  },
  "items": [
    {
      "describedObject": {
        "kind": "Dataset",
        "namespace": "default",
        "name": "spark",
        "apiVersion": "data.fluid.io/v1alpha1"
      },
      "metricName": "capacity_used_rate",
      "timestamp": "2021-04-04T07:24:52Z",
      "value": "0"
    }
  ]
}

10. 建立 HPA 任務。

$ cat<<EOF > hpa.yaml
apiVersion: autoscaling/v2beta2
kind: HorizontalPodAutoscaler
metadata:
  name: spark
spec:
  scaleTargetRef:
    apiVersion: data.fluid.io/v1alpha1
    kind: AlluxioRuntime
    name: spark
  minReplicas: 1
  maxReplicas: 4
  metrics:
  - type: Object
    object:
      metric:
        name: capacity_used_rate
      describedObject:
        apiVersion: data.fluid.io/v1alpha1
        kind: Dataset
        name: spark
      target:
        type: Value
        value: "90"
  behavior:
    scaleUp:
      policies:
      - type: Pods
        value: 2
        periodSeconds: 600
    scaleDown:
      selectPolicy: Disabled
EOF

首先，咱們解讀一下從樣例配置，這裏主要有兩部分一個是擴縮容的規則，另外一個是擴縮容的靈敏度：

  • 規則：觸發擴容行爲的條件爲 Dataset 對象的緩存數據量佔總緩存能力的 90%；擴容對象爲AlluxioRuntime，最小副本數爲 1，最大副本數爲 4；而 Dataset 和 AlluxioRuntime 的對象須要在同一個 namespace。
  • 策略：能夠 K8s 1.18 以上的版本，能夠分別針對擴容和縮容場景設置穩定時間和一次擴縮容步長比例。好比在本例子, 一次擴容週期爲 10 分鐘（periodSeconds），擴容時新增 2 個副本數，固然這也不能夠超過 maxReplicas 的限制；而完成一次擴容後，冷卻時間（stabilizationWindowSeconds）爲 20 分鐘；而縮容策略能夠選擇直接關閉。

11. 查看 HPA 配置， 當前緩存空間的數據佔比爲 0。遠遠低於觸發擴容的條件。

$ kubectl get hpa
NAME    REFERENCE              TARGETS   MINPODS   MAXPODS   REPLICAS   AGE
spark   AlluxioRuntime/spark   0/90      1         4         1          33s
$ kubectl describe hpa
Name:                                                    spark
Namespace:                                               default
Labels:                                                  <none>
Annotations:                                             <none>
CreationTimestamp:                                       Wed, 07 Apr 2021 17:36:39 +0800
Reference:                                               AlluxioRuntime/spark
Metrics:                                                 ( current / target )
  "capacity_used_rate" on Dataset/spark (target value):  0 / 90
Min replicas:                                            1
Max replicas:                                            4
Behavior:
  Scale Up:
    Stabilization Window: 0 seconds
    Select Policy: Max
    Policies:
      - Type: Pods  Value: 2  Period: 600 seconds
  Scale Down:
    Select Policy: Disabled
    Policies:
      - Type: Percent  Value: 100  Period: 15 seconds
AlluxioRuntime pods:   1 current / 1 desired
Conditions:
  Type            Status  Reason               Message
  ----            ------  ------               -------
  AbleToScale     True    ScaleDownStabilized  recent recommendations were higher than current one, applying the highest recent recommendation
  ScalingActive   True    ValidMetricFound     the HPA was able to successfully calculate a replica count from Dataset metric capacity_used_rate
  ScalingLimited  False   DesiredWithinRange   the desired count is within the acceptable range
Events:           <none>

12. 建立數據預熱任務。

$ cat<<EOF > dataload.yaml
apiVersion: data.fluid.io/v1alpha1
kind: DataLoad
metadata:
  name: spark
spec:
  dataset:
    name: spark
    namespace: default
EOF
$ kubectl create -f dataload.yaml
$ kubectl get dataload
NAME    DATASET   PHASE       AGE   DURATION
spark   spark     Executing   15s   Unfinished

13. 此時能夠發現緩存的數據量接近了 Fluid 能夠提供的緩存能力（1GiB）同時觸發了彈性伸縮的條件。

$  kubectl  get dataset
NAME    UFS TOTAL SIZE   CACHED       CACHE CAPACITY   CACHED PERCENTAGE   PHASE   AGE
spark   2.71GiB          1020.92MiB   1.00GiB          36.8%               Bound   5m15s

從 HPA 的監控，能夠看到 Alluxio Runtime 的擴容已經開始, 能夠發現擴容的步長爲 2。

$ kubectl get hpa
NAME    REFERENCE              TARGETS   MINPODS   MAXPODS   REPLICAS   AGE
spark   AlluxioRuntime/spark   100/90    1         4         2          4m20s
$ kubectl describe hpa
Name:                                                    spark
Namespace:                                               default
Labels:                                                  <none>
Annotations:                                             <none>
CreationTimestamp:                                       Wed, 07 Apr 2021 17:56:31 +0800
Reference:                                               AlluxioRuntime/spark
Metrics:                                                 ( current / target )
  "capacity_used_rate" on Dataset/spark (target value):  100 / 90
Min replicas:                                            1
Max replicas:                                            4
Behavior:
  Scale Up:
    Stabilization Window: 0 seconds
    Select Policy: Max
    Policies:
      - Type: Pods  Value: 2  Period: 600 seconds
  Scale Down:
    Select Policy: Disabled
    Policies:
      - Type: Percent  Value: 100  Period: 15 seconds
AlluxioRuntime pods:   2 current / 3 desired
Conditions:
  Type            Status  Reason              Message
  ----            ------  ------              -------
  AbleToScale     True    SucceededRescale    the HPA controller was able to update the target scale to 3
  ScalingActive   True    ValidMetricFound    the HPA was able to successfully calculate a replica count from Dataset metric capacity_used_rate
  ScalingLimited  False   DesiredWithinRange  the desired count is within the acceptable range
Events:
  Type     Reason                        Age                    From                       Message
  ----     ------                        ----                   ----                       -------
  Normal   SuccessfulRescale             21s                    horizontal-pod-autoscaler  New size: 2; reason: Dataset metric capacity_used_rate above target
  Normal   SuccessfulRescale             6s                     horizontal-pod-autoscaler  New size: 3; reason: Dataset metric capacity_used_rate above target

14. 在等待一段時間以後發現數據集的緩存空間由 1GiB 提高到了 3GiB，數據緩存已經接近完成。

$ kubectl  get dataset
NAME    UFS TOTAL SIZE   CACHED    CACHE CAPACITY   CACHED PERCENTAGE   PHASE   AGE
spark   2.71GiB          2.59GiB   3.00GiB          95.6%               Bound   12m

同時觀察 HPA 的狀態，能夠發現此時 Dataset 對應的 runtime 的 replicas 數量爲 3， 已經使用的緩存空間比例 capacity_used_rate 爲 85%，已經不會觸發緩存擴容。

$ kubectl get hpa
NAME    REFERENCE              TARGETS   MINPODS   MAXPODS   REPLICAS   AGE
spark   AlluxioRuntime/spark   85/90     1         4         3          11m

15. 清理環境。

kubectl delete hpa spark
kubectl delete dataset spark

總結

Fluid 提供告終合 Prometheous，Kubernetes HPA 和 Custom Metrics 能力，根據佔用緩存空間的比例觸發自動彈性伸縮的能力，實現緩存能力的按需使用。這樣可以幫助用戶更加靈活的使用經過分佈式緩存提高數據訪問加速能力，後續咱們會提供定時擴縮的能力，爲擴縮容提供更強的肯定性。

Fluid 的代碼倉庫：https://github.com/fluid-cloudnative/fluid.git， 歡迎你們關注、貢獻代碼和 star。

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程