技术

agentic chat 图数据库的一些考量 LLM一些探索 Agent实践 LLM预训练 向量数据库的一些考量 fastapi+sqlalchemy进行项目开发 LLM微调实践 Python协程实现 Agent Functon Calling LLamaIndex入门 Multi-Agent探索 Python虚拟机 LLM工作流编排 Python实践 下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论 大佬沉思 LLM外挂知识库 LLMOps 多模态LLM Python一些比较有意思的库 Transformers源码学习 LangChain源码学习 通用分布式计算引擎Ray Python并发 go依赖注入 go collection gc的基本原理 golang性能分析及优化 数据湖 高性能计算与存储 Linux2.1.13网络源代码学习 《大数据经典论文解读》 三驾马车学习 Spark 内存管理及调优 Yarn学习 从Spark部署模式开始讲源码分析 容器狂占内存资源怎么办？ 多角度理解一致性 golang io使用及优化模式 Flink学习 c++学习 学习ebpf go设计哲学 ceph学习 学习mesh kvm虚拟化 学习MQ go编译器以及defer实现 学习go 为什么要有堆栈 汇编语言 计算机组成原理 运行时和库 Prometheus client mysql 事务 mysql 事务的隔离级别 mysql 索引 坏味道 学习分布式 学习网络 学习Linux go堆内存分配 golang 系统调用与阻塞处理 Goroutine 调度过程 重新认识cpu mosn有的没的 负载均衡泛谈 单元测试的新解读 《Redis核心技术与实现》笔记 《Prometheus监控实战》笔记 Prometheus 告警学习 calico源码分析 对容器云平台的理解 Prometheus 源码分析 并发的成本 基础设施优化 hashicorp raft源码学习 docker 架构 mosn细节 与微服务框架整合 Java动态代理 编程范式 并发通信模型 《网络是怎样连接的》笔记 go channel codereview gc分析 jvm 线程实现 go打包机制 go interface及反射 如何学习Kubernetes 《编译原理之美》笔记——后端部分 《编译原理之美》笔记——前端部分 Pilot MCP协议分析 go gc 内存管理玩法汇总 软件机制 istio流量管理 Pilot源码分析 golang io 学习Spring mosn源码浅析 MOSN简介 《datacenter as a computer》笔记 学习JVM Tomcat源码分析 Linux可观测性 学习存储 学计算 Gotty源码分析 kubernetes operator kaggle泰坦尼克问题实践 kubernetes扩缩容 神经网络模型优化 直觉上理解深度学习 如何学习机器学习 TIDB源码分析 什么是云原生 Alibaba Java诊断工具Arthas TIDB存储——TIKV 《Apache Kafka源码分析》——简介 netty中的线程池 guava cache 源码分析 Springboot 启动过程分析 Spring 创建Bean的年代变迁 Linux内存管理 自定义CNI IPAM 共识算法 spring redis 源码分析 kafka实践 spring kafka 源码分析 Linux进程调度 让kafka支持优先级队列 Codis源码分析 Redis源码分析 C语言学习 《趣谈Linux操作系统》笔记 docker和k8s安全访问机制 jvm crash分析 Prometheus 学习 Kubernetes监控 Kubernetes 控制器模型 容器日志采集 容器狂占资源怎么办？ Kubernetes资源调度——scheduler 时序性数据库介绍及对比 influxdb入门 maven的基本概念 《Apache Kafka源码分析》——server Kubernetes类型系统 源码分析体会 《数据结构与算法之美》——算法新解 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 ansible学习 Kubernetes源码分析——从kubectl开始 jib源码分析之Step实现 线程排队 jib源码分析之细节 跨主机容器通信 jib源码分析及应用 为容器选择一个合适的entrypoint kubernetes yaml配置 《持续交付36讲》笔记 mybatis学习 程序猿应该知道的 无锁数据结构和算法 CNI——容器网络是如何打通的 为什么很多业务程序猿觉得数据结构和算法没用？ 串一串一致性协议 当我在说PaaS时，我在说什么 《数据结构与算法之美》——数据结构笔记 PouchContainer技术分享体会 harbor学习 用groovy 来动态化你的代码 精简代码的利器——lombok 学习 《深入剖析kubernetes》笔记 编程语言那些事儿 rxjava3——背压 rxjava2——线程切换 spring cloud 初识 《深入拆解java 虚拟机》笔记 《how tomcat works》笔记 hystrix 学习 rxjava1——概念 Redis 学习 TIDB 学习 如何分发计算 Storm 学习 AQS1——论文学习 Unsafe Spark Stream 学习 linux vfs轮廓 《自己动手写docker》笔记 java8 实践 中本聪比特币白皮书 细读 区块链泛谈 比特币 大杂烩 总纲——如何学习分布式系统 hbase 泛谈 forkjoin 泛谈 看不见摸不着的cdn是啥 《jdk8 in action》笔记 程序猿视角看网络 bgp初识 calico学习 AQS——粗略的代码分析 我们能用反射做什么 web 跨域问题 《clean code》笔记 《Elasticsearch权威指南》笔记 mockito简介及源码分析 2017软件开发小结—— 从做功能到做系统 《Apache Kafka源码分析》——clients dns隐藏的一个坑 《mysql技术内幕》笔记 log4j学习 为什么netty比较难懂？ 递归、回溯、动态规划 apollo client源码分析及看待面向对象设计 学习并发 docker运行java项目的常见问题 OpenTSDB 入门 spring事务小结 分布式事务 javascript应用在哪里 《netty in action》读书笔记 netty对http2协议的解析 ssl证书是什么东西 http那些事 苹果APNs推送框架pushy apple 推送那些事儿 编写java框架的几大利器 java内存模型和jvm内存布局 java exception Linux IO学习 netty内存管理 测试环境docker化实践 netty在框架中的使用套路 Nginx简单使用 《Linux内核设计的艺术》小结 Go并发机制及语言层工具 Linux网络源代码学习——数据包的发送与接收 《docker源码分析》小结 docker namespace和cgroup zookeeper三重奏 数据库的一些知识 Spark 泛谈 链式处理的那些套路 netty回顾 Thrift基本原理与实践（二） Thrift基本原理与实践（一） 回调 异步执行抽象——Executor与Future Docker0.1.0源码分析 java gc Jedis源码分析 深度学习泛谈 Linux网络命令操作 JTA与TCC 换个角度看待设计模式 Scala初识 向Hadoop学习NIO的使用 以新的角度看数据结构 并发控制相关的硬件与内核支持 systemd 简介 quartz 源码分析 基于docker搭建测试环境(二) spring aop 实现原理简述 自己动手写spring（八） 支持AOP 自己动手写spring（七） 类结构设计调整 分析log日志 自己动手写spring（六） 支持FactoryBean 自己动手写spring（九） 总结 自己动手写spring（五） bean的生命周期管理 自己动手写spring（四） 整合xml与注解方式 自己动手写spring（三） 支持注解方式 自己动手写spring（二） 创建一个bean工厂 自己动手写spring（一） 使用digester varnish 简单使用 关于docker image的那点事儿 基于docker搭建测试环境 分布式配置系统 JVM执行 git maven/ant/gradle/make使用 再看tcp kv系统 java nio的多线程扩展 《Concurrency Models》笔记 回头看Spring IOC IntelliJ IDEA使用 Java泛型 vagrant 使用 Go常用的一些库 Python初学 Goroutine 调度模型 虚拟网络 《程序员的自我修养》小结 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件 Go基础 JVM类加载 硬币和扑克牌问题 LRU实现 virtualbox 使用 ThreadLocal小结 docker快速入门

架构

bert rerank微调 大模型推理tips RAG向量检索与微调 dddfirework源码分析 RAG与知识图谱 大模型推理服务框架vLLM 大模型推理服务框架 模型服务化（未完成） 大模型Post-Training 大模型训练 大模型推理 从Attention到Transformer k8s设备管理 ddd从理念到代码 如何应用LLM 小鼠如何驾驭大象（LLM）？ 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 kubevela源码分析 容器和CPU那些事儿 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 AutoML和AutoDL 特征平台 实时训练 分布式链路追踪 K8S YAML 资源清单管理方案 tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 推荐系统embedding原理及实践 机器学习中的python调用c 机器学习训练框架概述 tensornet源码分析 大模型训练和推理 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 从混部到统一调度 从RNN到Attention pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 多活 volcano特性源码分析 推理服务 kubebuilder 学习 mpi 学习pytorch client-go学习 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tensorflow学习 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 学习rpc BFF openkruise学习 可观察性和监控系统 基于Kubernetes选主及应用 《许式伟的架构课》笔记 Admission Controller 与 Admission Webhook 发布平台系统设计 k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的？ 《软件设计之美》笔记 mecha 架构学习 Kubernetes events学习及应用 CRI——kubelet与容器引擎之间的接口 资源调度泛谈 业务系统设计原则 grpc学习 元编程 以应用为中心 istio学习 下一代微服务Service Mesh 《实现领域驱动设计》笔记 概率论 serverless 泛谈 《架构整洁之道》笔记 处理复杂性 那些年追过的并发 服务器端编程 网络通信协议 架构大杂烩 如何学习架构 《反应式设计模式》笔记 项目的演化特点 反应式架构摸索 函数式编程的设计模式 服务化 ddd反模式——CRUD的败笔 研发效能平台 重新看面向对象设计 业务系统设计的一些体会 函数式编程 《左耳听风》笔记 业务程序猿眼中的微服务管理 DDD实践——CQRS 项目隔离——案例研究 《编程的本质》笔记 系统故障排查汇总及教训 平台支持类系统的几个点 代码腾挪的艺术 abtest 系统设计汇总 《从0开始学架构》笔记 初级权限系统设计 领域驱动理念 现有上传协议分析 移动网络下的文件上传要注意的几个问题 推送系统的几个基本问题 做配置中心要想好的几个基本问题 不同层面的异步 分层那些事儿 性能问题分析 用户认证问题 资源的分配与回收——池 消息/任务队列

标签

Container 23

Concurrency 14

Life 41

Tool 8

Algorithm 8

JVM 10

Go 21

Kubernetes 65

k8s设备管理 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 kubevela源码分析 容器和CPU那些事儿 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 K8S YAML 资源清单管理方案 从混部到统一调度 volcano特性源码分析 kubebuilder 学习 client-go学习 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 openkruise学习 基于Kubernetes选主及应用 Admission Controller 与 Admission Webhook k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的？ Kubernetes events学习及应用 CRI——kubelet与容器引擎之间的接口 资源调度泛谈 如何学习Kubernetes 以应用为中心 kubernetes operator kubernetes扩缩容 serverless 泛谈 什么是云原生 自定义CNI IPAM docker和k8s安全访问机制 Kubernetes监控 Kubernetes 控制器模型 Kubernetes资源调度——scheduler Kubernetes类型系统 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 Kubernetes源码分析——从kubectl开始 kubernetes yaml配置 CNI——容器网络是如何打通的 当我在说PaaS时，我在说什么 《深入剖析kubernetes》笔记 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件

Other 5

Network 15

Python 7

Java 20

Spring 17

Netty 10

Storage 24

Distribute 9

MQ 8

WEB 5

Linux 11

Scala 1

Code 9

MachineLearning 74

agentic chat bert rerank微调 大模型推理tips LLM一些探索 Agent实践 LLM预训练 RAG向量检索与微调 LLM微调实践 RAG与知识图谱 大模型推理服务框架vLLM Agent Functon Calling LLamaIndex入门 Multi-Agent探索 LLM工作流编排 大模型推理服务框架 模型服务化（未完成） 大模型Post-Training 大模型训练 大模型推理 从Attention到Transformer 下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论 大佬沉思 LLM外挂知识库 LLMOps 多模态LLM Transformers源码学习 LangChain源码学习 如何应用LLM 小鼠如何驾驭大象（LLM）？ AutoML和AutoDL 特征平台 实时训练 tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 推荐系统embedding原理及实践 机器学习中的python调用c 机器学习训练框架概述 tensornet源码分析 大模型训练和推理 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 从RNN到Attention pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 推理服务 mpi 学习pytorch 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tensorflow学习 kaggle泰坦尼克问题实践 神经网络模型优化 概率论 直觉上理解深度学习 如何学习机器学习 深度学习泛谈

Practice 16

RPC 6

Compute 11

Architecture 20

DDD 6

Reactive 5

Basic 13

Product 3

Monitor 7

CPP 2

Mesh 12


喜马拉雅容器化实践

2021年08月02日

简介

喜马的容器化历程伴随着 公司的发展，并带有很深刻的喜马的烙印

  1. 以java 项目为主
  2. java 项目主要分为 web 项目和rpc 项目（基于公司自研的、类似dubbo的框架）
  3. 发布平台、rpc微服务框架、网关自研

在这个过程中，我们坚持了一些原则

  1. 开发不用写Dockerfile，即开发不需要懂容器相关知识
  2. 测试环境下，开发的电脑可以直接访问容器，即ip 可以互通。在任何环境，容器集群的物理机上的容器可以和其它物理机ip互通。
  3. k8s 分为test、uat、product 三个环境，项目配置分为 跟环境有关的部分和无关的部分，发布系统及项目信息db部署在测试环境，发布系统可以 跨环境访问 test、uat、product 的三个k8s 集群。
  4. 项目启动失败后，保留现场，不要一直重启

如何让开发发布代码到容器环境

2016年底，我在jenkins 机器上安装了docker，制作一个基于docker的项目模板。开发克隆docker 项目模板，更改源码地址、cpu、内存等配置，由jenkins 触发shell 脚本：maven编译项目得到war/jar 包；根据war/jar 拼装Dockerfile；docker build 制作docker 镜像并push 到镜像仓库；调用marathon 发布指令。

当时大概用了5天时间搭建了组件，跑通了所有步骤，我们的容器化事业就是从这个最low 的版本开始发展起来的，后来逐步做了以下演进

  1. 从marathon 逐步迁移到kubernetes，在过渡时期，我们自己实现了一个docker 发布系统，对外提供发布接口，屏蔽marathon 和 Kubernetes 的差异。
  2. 实现了一个命令行工具barge。开发在项目文件中附加一个barge.yaml 文件，里面设定了项目名等基本配置
    1. 开发只需barge deploy 便可以发布项目，barge exec -m $projectName 便可以进入容器内调试代码
    2. 使用google jib 框架基于代码直接制作docker 镜像，免去了开发电脑上装docker的要求，此外也将代码编译、镜像制作过程分散到了每个开发的电脑上，绕过了jenkins 单机负载的瓶颈。
    3. 镜像仓库 harbor的单词 含义的是海港（对应容器的集装箱），大船是没办法直接开到海港的，到港口后要靠接驳船弄进去，接驳船英文是barge，所以给项目起名叫barge， 形容给harbor 送镜像。至今仍很得意这个命名。
  3. 与公司的发布系统对接（类似阿里云效），屏蔽物理机与容器环境的使用差异

一个容器要不要多进程

容器世界盛行的理念是：one process per container。 但容器在最开始落地时，为了降低推广成本，减少使用差异过大（相比物理机）给开发带来的不适应，需要在容器内运行ssh，实质上要求在容器内运行多进程，这需要一个多进程管理工具（entrypoint不能是业务进程），最终在 runit/systemd/supervisor 中选择了runit。

此外，web 服务每次发布时ip 会变化，需要让nginx 感知到web 服务ip的变化。我们在每个容器内启动了一个nile 进程，负责将项目信息注册到zookeeper 上。使用微博一位小伙伴 开源的upsync 插件，并改写了部分源码使其支持了zookeeper（upsync 只支持etcd和consul），进而使得nginx 的upstream 可以感知到项目实例ip的变化。后来在另一个场景中，nginx 改用了其它插件，我们将实例信息写入到 consul 上即可。

随着Kubernetes 的铺开，我们使用gotty + kubectl exec 逐步推广了在 浏览器上通过web console 访问容器。专门的网关系统也投入使用，http访问由nginx ==> web服务变成了nginx ==> 网关 ==> web服务，网关提供了web 接口同步web实例数据。 ssh 及nile 进程 逐步退出历史舞台。目前，我们的entrypoint 仍是runit， 并对其做了微调，当业务进程 进程启动失败时，不会重启（如果entrypoint是业务进程时则会频繁重启），以保留现场方便开发排查问题。

健康检查的三心二意

Kubernetes 有一个readiness probe，用来检测项目的健康状态，上下游组件可以根据项目的 健康状态采取 相关措施。在readiness probe 的设置上，经过多次改变

  1. 每一个web项目会提供一个/healthcheck 接口，/healthcheck 通过即表示项目启动成功
  2. 后来发现，对于rpc 服务，/healthcheck 有时不能表示项目启动成功，需要检测rpc 服务启动时监听的端口 是否开启
  3. readiness probe配置（http 和 tcp方式任选）加大了业务开发的配置负担，经常出现配置不准确或中途改变导致readiness probe 探测失败，进而发出报警，业务开发不胜其烦，我们也非常困扰
  4. 于是将 readiness probe 配置为 exec 方式，由nile 根据项目情况 自动执行http 和tcp 探测，但仍然依赖 项目配置信息（比如rpc 服务端口）的准确性
  5. 基于“rpc 服务场景下，/healthcheck 接口成功 但rpc 服务启动失败 的场景非常的少”的判断，我们将readiness probe 改回了http /healthcheck 方式。

liveness 起初是/healthcheck

  1. 有一次运维改动机房网络，导致liveness probe 探测失败（kubelet 无法访问本机所在 容器ip），kubelet 认为liveness probe 不通过 ==> livenessProbe涉及到 RestartPolicy，大量项目重启 ==> 因为项目之间存在依赖关系，依赖服务失败，项目本身启动失败 ==> 频繁重启
  2. 后来我们不再配置 liveness probe ，仅配置readiness probe
    1. 对于物理机坏等场景，k8s 可以正常恢复
    2. 如果容器内存不足 导致实例挂掉，k8s 无法自动重启，这个可以通过内存报警来预防

与发布平台对接

image

喜马拉雅在发布平台的实践中，为了保障线上服务的稳定，沉淀了一套自己的经验和规则。其中一条硬性规定就是：服务端发布任何项目，最开始只能先发布一个实例，观察效果，确认无误后，再发布剩余实例。 在实际使用时，验证时间可能会非常长，有时持续一周。这时，Kubernetes deployment 自带的滚动发布机制便有些弱。

因此，在容器发布系统的设计上，我们让一个项目对应两个deployment。新代码的发布 就是旧deployment replicas 逐步缩小，新deployment replicas 逐步扩大的过程。 业界有两种方案

  1. 每次发布新实例，都创建一个deployment，扩大新deployment 数量，缩小旧deployment 数量。
  2. 每次发布新实例，都创建一个deployment 作为灰度deployment。灰度验证成功，则更新旧的deployment。 我们最开始使用的是第一种方案，缺点就是发布工作分散在两个deployment 上，所有实例的销毁与创建速度无法控制。此外因为deployment 名字不确定，导致hpa 配置比较麻烦。

阿里的openkruise 实现了一个crd 名为 cloneset，可以实现上述类似的功能，后续计划逐步替换掉两个deployment方案 以精简发布系统代码。 全新设计一个crd 也是一个很不错的方案 阿里云 ACK + OpenKruise 助力掌门教育实现下一代容器发布系统 Triton

此外，容器发布系统对下屏蔽Kubernetes ，对上提供项目发布、回滚、扩缩容等接口，在接口定义上也多次反复。kubernetes client-java库 也较为臃肿，为此对发布代码也进行了多次优化。

针对开发日常的各种问题，比如项目ip是多少，项目为什么启动失败等，我们专门开发了一个后台，起了一个很唬的名字：容器云平台。试图将我们日常碰到的客服问题通过技术问题来解决，通过一个平台来归拢，哪怕不能实现开发完全自助式的操作，也可以尽量减少容器开发的排查时间。比如我们开发了一个wrench 检查组件，用来扫描java 项目的classpath、日志等，分析项目是否有jar 冲突、类冲突、tomcat 日志报错、业务日志报错等，开发在web页面 上触发wrench 执行即可。

云原生下的灰度体系建设阿里对灰度发布的系统性描述。 云原生 CI/CD 框架 Tekton 初体验

与已有中间件对接

喜马有自己自研的网关及rpc 框架，最初很少考虑容器的使用场景（比如每次发布ip 会变化）。此外，服务实例需要先调用 网关和rpc 框架提供的上线接口，才可以对外提供服务。服务销毁时，也必须先调用下线接口，待服务实例将已有流量处理完毕后再销毁。

为此我们提供了一个k8s-sync 组件，监听pod 状态变化，在适当实际调用 实例的上下线接口。后续计划自定义crd 比如WebService/RpcService，由自定义controller 完成实例的上下线 及其它工作。

如何做到web/rpc 服务的无损上下线？

  1. 上线，pod 配置readiness probe 对项目的healthcheck 进行健康检查。健康检查通过后，pod 进入ready 状态， k8s-sync 监听到pod ready事件，调用web/rpc 上线接口。readiness 由k8s 确保执行，可保证健康检查不成功不会上线。风险是如果k8s-sync 挂了 则健康检查通过的 pod 无法上线。解决办法
    1. k8s-sync 容器部署，或者systemctl 管理，挂了之后可以立即重启
    2. k8s-sync 通过Prometheus 抓取数据，配置了报警，挂了之后可以迅速通知到容器开发。
  2. 下线，k8s 先执行pod preStop逻辑，preStop 先调用web/rpc 下线接口，执行xdcs 提供的零流量检查接口， 检查通过，则preStop 执行完毕，销毁。 若项目未接入xdcs，则等待preStop 等待10s后，执行完毕。 销毁 ==> preStop 由k8s 负责确保执行， 正常发布/删除/节点移除/节点驱逐 都可以确保被执行，以确保服务无损。如果物理机节点直接挂了，则无法保证无损，因为一系列机制都来不及执行。

k8s-sync 同时也将 pod 信息同步到mysql 中，方便开发根据项目名、ip 等在后台查询并访问项目容器。随着k8s-sync 功能的丰富，我们对k8s-sync 也进行了多次重构。

解决微服务架构下流量有损问题的实践和探索总结的很全面。中间件的云原生化就是中间件基于k8s的场景进行各种适配。

K8s 有损发布问题探究

微服务与K8s生命周期对齐

体会

从16年到现在，一路走来，容器的各种上下游组件、公司的中间件并不是一开始就有或成熟的，落地过程真的可以用“逢山开路遇水搭桥” 来形容。

  1. 我们花了很大的精力 在容器 与公司已有环境的融合上，比学习容器技术本身花的精力都多。为此我经常跟小伙伴讲，我们的工作是容器化，其实质上容器技术“喜马拉雅化”
    1. 技术上与各种中间件做整合。为此开发了k8s-sync，改造了upsync
    2. 不要求开发docker，写dockerfile。为此开发barge，容器云平台等
  2. 实践的过程仿佛在走夜路，很多方案心里都吃不准，为此看了很多文章，加了很多微信，很感谢一些大牛无私的交流。对于一些方案，走了弯路，兜兜转转又回到了原点。但这个过程逼得我们去想本质，去反思哪些因素是真正重要的，哪些因素其实没那么重要，哪些问题必须严防死守，哪些问题事后处理即可。
  3. 成长经常不是以你计划的方式得到的。
    1. 比如最开始搞Kubernetes 落地的时候，想着成为一个Kubernetes 高手，但最后发现大量的时间在写发布系统、k8s-sync，但再回过头，发现增进了对k8s的理解。
    2. 笔者java 开发出身，容器相关的组件都是go语言实现的，在最开始给了笔者很大的学习负担。但两相交融，有幸对很多事情任何的更深刻，比如亲身接触java的共享内存模型与go的CSP模型，最终促进了对并发模型的理解。
    3. 为了大家多用容器，我们做了很多本不归属于容器开发的工作。尤其是在容器化初期，很多开发项目启动一有问题便认为是docker的问题， 我们经常要帮小伙伴排查到问题原因，以证明不是docker的问题。这是一个很烦人的事情，但又逼着我们把事情做的更好，更有利于追求卓越。 比如wrench 的开发，真的用技术解决了一个看似不是技术的问题。
  4. 一定要共同成长，多沟通，容器改变了基础设施、开发模式、习惯，尽量推动跟上级、同事同步，单靠一个人寸步难行。

最后想想，感慨很多，还是那句：凡是过往，皆为序章。

2年云原生落地实践在运维和开发侧踩过的6个坑 头两个故障排查很有启发。