vivo雲原生容器探索和落地實踐

　　2018年起，vivo以容器作為基礎底座，打造了一站式雲原生機器學習平臺。向上支撐了演算法中臺，為演算法工程師提供資料管理、模型訓練、模型管理、模型部署等能力，為廣告、推薦和搜尋等業務賦能，成功為演算法實現了降本、提效，讓雲原生和容器價值初露鋒芒。基於機器學習平臺的試點成果，經過演算法場景的試點實踐和價值分析，對內部戰略做了升級。確定基於雲原生理念去構建優秀的容器生態，實現規模化的降本提效目標。

　　本文會詳細介紹vivo在容器叢集高可用建設中的具體實踐，包括在容器叢集高可用建設、容器叢集自動化運維、容器平臺架構升級、容器平臺能力增強、容器生態打通等層面的打磨和建設。目前，vivo容器產品能力矩陣逐漸趨於完善，並將圍繞全面容器化、擁抱雲原生和在離線混部三個方向繼續發力。

　　雲原生和容器，是當下比較火熱的話題，其中 Kubernetes更是成為容器編排領域的事實標準。

　　國內外各企業在內部落地雲原生和容器的過程中，基於自己的業務場景和發展階段，會遇到各種問題和挑戰，本文是vivo在雲原生容器領域的探索和落地實踐，希望能對讀者有一些借鑑和幫助。

　　 一、容器技術和雲原生理念

　　首先是容器技術和雲原生理唸的介紹。

　　1.1 容器技術簡介　　

　　容器技術不是一個新技術，從1979年unix系統的chroot誕生到現在，歷經40多年的發展，共經過了四個階段，分別是：技術萌芽期、技術迸發期、商用探索期和商用擴充期。

　　每個階段，解決了不同的技術問題，分別是：環境隔離、軟體分發和編排、商用服務形態、規模化和場景擴充。

　　相比於虛擬機器，容器技術少了一層虛擬作業系統的損耗，因此它比虛擬機器具有更好的效能表現。另外容器在系統資源、啟動時間、叢集規模、高可用策略等方面，也有非常明顯的優勢。

　　2020年CNCF中國雲原生調查報告顯示，接受調查的中國企業，有68%已經在生產環境使用容器技術。

　　從行業發展看，不管是雲廠商還是各大科技公司，都在基於容器技術構建自己的新一代基礎架構，推動企業數字創新。容器技術已經得到廣泛的認可和普及。

　　1.2 雲原生理念介紹　　

　　容器技術催生了雲原生思潮，雲原生生態推動了容器技術的發展。那麼雲原生的準確定義和含義是什麼呢？

　　雲原生其實沒有標準定義，如果非要給他一個定義，行業有兩種觀點：

　　一個定義來自Pivotal 這家公司，它是雲原生應用的提出者，是雲原生的先驅者、探路者。Pivotal最新的官網對雲原生的介紹有四個要點，分別是：DevOps、持續交付、微服務和容器。

　　另外一個定義來自CNCF，CNCF建立於2015年，它是一個開源組織，其存在的目的，是支援開源社群開發關鍵的雲原生元件，包括 Kubernetes、Prometheus監控等。

　　它把雲原生分為3種核心技術和2個核心理念：

　　3種核心技術：分別是容器、微服務、服務網格。

　　2個核心理念：分別指不可變基礎設施和宣告式API。

　　但是，不管是那一種定義，容器都是其基礎，是雲原生落地的核心技術手段。

　　1.3 雲原生價值分析　　

　　任何技術和理念，都必須有實際的業務價值。從效率、成本、質量三個維度，來分析雲原生和容器的技術價值，可總結如下：

　　效率：可實現持續交付部署快、映象封裝可移植、彈性計算秒擴容。

　　成本：可實現按需分配不浪費、統一排程高填充、混合部署少碎片。

　　質量：可實現執行狀態可觀測、故障發生可自愈、叢集管理可運維。

　　 二、vivo 容器技術探索與實踐

　　新技術的引入帶來新的價值，也必然會引入新的問題，接下來介紹vivo在容器技術上的探索和實踐。

　　2.1 試點探索　　

　　在vivo的演算法場景中，機器學習平臺負責演算法模型迭代，是網際網路演算法業務中核心的一環，早期的平臺基於傳統的架構，在效率、成本、效能和體驗上均有一定的不足，無法滿足演算法業務快速增長的訴求。基於此，我們首先在演算法場景進行容器的試點探索。從2018年開始，我們以容器作為基礎底座，打造了vivo的一站式雲原生機器學習平臺，向上支撐了公司的演算法中臺，為演算法工程師提供資料管理、模型訓練、模型管理、模型部署等能力，為廣告、推薦和搜尋等業務賦能。

　　vivo的雲原生機器學習平臺具備如下5大優勢：

　　場景全：業務端到端，覆蓋推薦、廣告、搜尋多場景。

　　體驗好：排隊時間短，使用者體驗優，任務P99排隊時長小於45分鐘。

　　成本低：排程能力好，資源利用率高，CPU利用率均值大於45%。

　　效率高：網路規模大，訓練跑得快，訓練速度8.3億樣本每小時。

　　結果優：演算法迭代穩定，訓練成功率高，訓練成功率大於95%。

　　vivo雲原生機器學習平臺，成功為演算法實現了降本、提效，讓雲原生和容器價值初露鋒芒。

　　2.2 價值挖掘　　

　　基於前面機器學習平臺的試點成果，我們深入分析和挖掘容器和雲原生的價值，結合vivo的情況，我們發現容器和雲原生是企業大規模降本和提效的優秀方案。

　　1）在降本方面

　　當前我們內部伺服器資源的利用率較低，以CPU利用率為例，當前vivo伺服器整體利用率均值在25%左右，相比行業最高水平的40%～50%，還有不少的提升空間。

　　容器在資源隔離、統一排程和在離線混部等方面的優勢，均是提升資源ROI的有效技術手段。

　　2）在提效方面

　　當前我們在中介軟體版本升級、機器遷移、測試環境管理、突發流量應對和全球化部署的環境一致性等方面均有業務痛點。

　　容器的快速交付、彈性自運維、微服務、服務網格等雲原生技術和架構，則是提效的有力措施。

　　2.3 戰略升級　　

　　經過演算法場景的試點實踐和價值分析，我們對內部戰略做了升級， 確定基於雲原生理念去構建行業優秀的容器生態，實現規模化的降本提效目標。

　　為了更好匹配戰略落地，擁抱雲原生，我們還對內部技術架構重新規劃和升級，新增引入統一流量接入平臺、容器運維管理平臺、統一名字服務、容器監控等平臺和能力，支撐容器生態在公司內部的全面建設和推廣。

　　2.4 面臨挑戰

　　2.4.1 叢集挑戰　　

　　要提供大規模的生產可用的容器服務，容器叢集的可用性首先會面臨諸多挑戰。下面介紹vivo容器化，在生產叢集建設過程中遇到的4個比較大的挑戰。

　　叢集規模快速增長：vivo叢集伺服器規模上萬個宿主機節點，管理的叢集數十個，單叢集規模2千+，例項數10萬+，對叢集效能和機器管理挑戰極大。

　　叢集運維、運營和標準化：由於早期叢集管理不規範，黑屏化操作和人為誤操作等問題層出不窮，叢集運維人員每天因為各種救火忙得焦頭爛額。

　　叢集容器監控架構和可觀測性：隨著叢集規模快速增長，容器的監控元件面臨極大壓力，對容器監控的採集、儲存和展示，提出更高的要求。

　　線上K8s版本升級迭代：面對Kubernetes版本的快速迭代，需要實現給飛行的飛機換引擎。

　　針對挑戰，我們的應對方案分別是：高可用、可觀測、標準化和自動化。其中容器監控和k8s版本無損升級的挑戰，vivo公眾號有詳細技術方案的介紹，本文側重介紹叢集高可用和運維自動化兩部分。

　　2.4.2 平臺挑戰　　

　　除了叢集穩定性的挑戰，平臺也將面臨各種挑戰，由於容器平臺和周邊生態能力不完善，對業務存在較高的適配和遷移成本。總結起來我們遇到的挑戰主要有4點：

　　容器IP的變化：k8s早期把業務都設計成無狀態的，其原生實現是每次釋出容器的IP都會變化，這對部分依賴固定IP的傳統業務不太友好，業務改造成本較高。

　　周邊生態的適配和相容：包括髮布系統、中介軟體微服務平臺、內部開發框架和流量接入層等

　　使用者使用習慣：vivo有比較成熟的釋出平臺，使用者習慣按機房釋出，習慣資源分配和釋出分開操作。

　　價值輸出：運維研發效率的提升不好量化，容器成本優勢短期不好衡量。

　　上面這些挑戰，推動我們要進行容器周邊生態打通，同時透過增強容器平臺產品能力，來適配各種業務場景，降低使用者的遷移成本。

　　2.5 優秀實踐

　　2.5.1 容器叢集高可用建設

　　接下來，介紹vivo在容器叢集高可用建設中的優秀實踐，我們是從故障預防、故障發現和故障恢復，3個維度來構建容器叢集可用性保障體系的。　　

　　1、在故障預防上，我們分別從流程工具、容災能力和基礎架構3個方面來進行建設：

　　流程工具：主要包含故障預案和故障演練，以及透過建設運維管理平臺，來實現運維標準化、白屏化和自動化。

　　容災能力：主要是構建業務跨故障域容災能力，保障叢集故障時，服務和業務流量能跨叢集排程和快速一鍵遷移等。

　　基礎架構：主要是透過遮蔽使用者對底層叢集的感知，一個機房多套叢集，一個業務同時部署在多個叢集上，避免單叢集故障對業務造成影響。

　　2、在故障發現上，我們主要是透過，自建的監控大盤、日常叢集巡檢、核心元件監控、叢集外撥測等措施，對故障及時發現和處理，降低對業務影響。

　　3、在故障恢復上，主要是基於前面的故障預案，快速恢復，及時止損，並做好故障的覆盤，不斷改進我們的故障預防和發現機制，沉澱寶貴經驗。

　　另外，叢集的可觀測性是可用性保障的一個重要依據，我們透過建設自己的SLO皮膚，對叢集狀態實時地進行監控，只有對運營狀況瞭如指掌，才能做到穩如泰山，沉著應對一切變化。

　　2.5.2 容器叢集自動化運維

　　除了容器叢集自身穩定性建設，在運維自動化方面，我們建設了容器多叢集管理平臺，實現叢集配置標準化，核心運維場景白屏化，來提升運維效率。　　

　　我們的容器叢集管理平臺，是以雲原生的方式來管理雲原生，簡單來說，就是基於k8s的operator機制，實現k8s on k8s。

　　當前，我們的平臺已經能夠實現多叢集的統一納管，叢集部署也是自動化、標準化的，還實現了底層IAAS層打通，叢集節點能全流程化、視覺化的一鍵擴縮容，而叢集巡檢功能，可以幫助我們及時發現叢集的問題和隱患。

　　透過平臺進行日常運維和操作，不僅能提升效率，也具備審計能力，有操作和變更日誌可追溯，便於問題定位。

　　2.5.3 容器平臺架構升級

　　為適應業務容器化在內部的快速普及和推廣，我們升級了vivo的容器平臺架構。　　

　　新的架構分為4層，容器+k8s則作為基礎的統一底座，向下對接公司IAAS層的基礎設施，向上提供容器產品和平臺能力，並透過開放API供上層呼叫和定製自己的上層邏輯。

　　API之上是容器支援的各種服務型別，包括線上服務、中介軟體服務、大資料計算、演算法訓練、實時計算等，最上面是為vivo網際網路各個業務進行賦能。

　　基於這套容器平臺架構，業務能實現資源隔離部署、快速交付和按需使用，同時也具備更好的彈性伸縮能力。對平臺，我們可以統一資源的排程，實現資源的分時複用、在離線混部等，來提升資源的利用率。

　　2.5.4 容器平臺能力增強

　　vivo內部容器化場景比較多樣化，為了讓業務能夠安心、低成本的接入和使用容器的能力，在推廣過程中，我們基於開源+自研做了容器的適配和原生能力的增強。　　

　　下面對6個產品能力增強進行簡單的分享：

　　雲原生工作負載增強：基於開源的openkruise，對原生deployment、statefulset等workload進行了增強，實現諸如原地升級、釋出暫停、流式和配置優先順序等擴充套件能力。

　　服務無損釋出增強：基於內部框架和平臺自主研發，實現HTTP、RPC等協議框架的流量無損釋出。

　　容器映象安全：基於開源的Harbor定製開發，實現容器映象安全掃描和卡控能力。

　　容器映象加速：基於開源dragonfly2定製擴充套件，讓大規模叢集映象的分發效能提升80%以上。

　　IP固定能力增強：基於有狀態服務和CNI進行自研，支撐黑白名單、有狀態服務場景訴求，降低業務接入改造成本。

　　多叢集管理能力增強：基於開源Karmada進行功能最佳化和擴充套件，提升業務容災能力，支撐單叢集橫向擴充套件能力。

　　當然，在充分享受開源紅利的同時，我們也持續地參與開源協同，回饋社群。在使用和自研的過程中，我們也把自己生產實踐過程中發現的問題和積累的經驗提交到社群，例如Dragonfly2、Karmada等。

　　2.5.5 容器CICD一體化

　　除了平臺能力的增強，容器平臺作為一個PaaS平臺，需要和周邊的生態打通，才能讓業務更好的遷移和使用，其中最重要的就是釋出系統的打通，也就是CICD平臺。

　　幾乎每個科技公司都會有自己的CICD，它是一個DevOps自動化的工具，可進行業務構建和編排部署的流水線。　　

　　vivo的CICD平臺底層架構是基於JenKins+Spinnaker實現的，整個容器構建和部署流程如下：

　　首先，使用者在CICD平臺上建立好釋出過程的流水線配置並儲存。

　　其次，CI環節可實現和內部GitLab對接，拉取程式碼，基於jenkins進行程式碼編譯和映象構建，構建好的映象經過安全掃描後，推送到開發環境的映象倉庫。

　　最後，在CD環節，CICD平臺會呼叫容器平臺提供的API，進行開發、測試、預發和生產環境的部署操作。

　　2.5.6 統一流量接入

　　接下來，介紹容器生態裡，最重要的業務流量接入層的打通。　　

　　早期，vivo內部是基於Nginx，來實現的南北流量和東西流量的轉發。在虛擬機器和物理機場景能比較好的支撐，隨著容器在內部全面的推廣，傳統的Nginx架構已不能適配。

　　主要體現在，容器場景業務例項數量，相比原來虛擬機器和物理機成倍數增長，容器釋出過程IP的頻發變化和狀態同步，都會對Nginx叢集造成非常大的壓力，在業務請求量非常大的情況下，接入層的配置檔案重新整理和載入，會造成業務的抖動，這是我們不能接受的。

　　基於這個背景，我們基於APISIX構建了雲原生流量接入層，來適應全面容器化的需求。經過一年多的建設，當前我們的統一流量接入平臺已經能夠很好的支撐容器化的接入，同時具備更好的擴充套件能力。

　　2.6 實踐成果

　　2.6.1 產品能力矩陣完善　　

　　經過多年的打磨和建設，vivo容器產品能力矩陣趨於完善，整個產品能力矩陣，分為4層：

　　基礎服務層：包含3類服務，映象管理、叢集運維和叢集監控。

　　能力層：包含6個核心能力，分別是叢集排程、CAAS-API、容器配置、容器業務監控告警、容器日誌和平臺擴充套件能力。

　　平臺層：包含2大平臺能力，分別是CI和CD。

　　業務層：當前覆蓋了vivo網際網路所有業務場景。

　　2.6.2 業務接入成果凸顯

　　接下來，會具體介紹下vivo容器推廣情況。　　

　　目前容器在vivo內部主要覆蓋4大場景，分別是：網際網路線上業務、演算法線上、大資料計算和AI演算法訓練等。接下來，會從接入規模和價值來簡單介紹。

　　網際網路線上服務：內部各個業務線均有大量服務執行在容器上，例如vivo商城、賬號、瀏覽器、快應用、天氣等，已經接入服務600+。

　　演算法線上服務：當前接入500+服務，3000+伺服器，涉及推廣搜的各個業務線。

　　大資料計算服務：包含離線計算如Spark，實時計算如Flink、Olap等場景，當前接入叢集20+。

　　AI演算法訓練：主要是提供GPU、CPU異構計算，業務場景如Tensorflow、mpi等場景，算力十幾萬核，以及若干GPU卡。

　　業務容器化後，給業務在降本提效上帶來的效果非常明顯，包括但不限於擴縮容效率、彈性伸縮能力、業務自愈能力、資源成本等方面。

　　2.7 實踐總結　　

　　基於我們的探索和實踐，可總結為技術價值、推廣策略、平臺建設和雲原生突破4個維度的思考。

　　找價值：關注新技術，但不執著於技術本身，必須結合業務痛點和價值。

　　定策略：自下而上小範圍試點探索，產生實際的業務價值，影響自上而下的戰略調整。

　　建平臺：當已經有比較完善的平臺和能力時，要找到容器的切入點，進行融合共建，切忌推到重來；對於需要從0到1建設的新能力，需要果斷的孵化創新。

　　求突破：在業務容器化過程中，為了快速容器化，我們做了許多的相容和適配。為了更好的降本提效，未來，我們希望引導使用者，實現從使用雲原生，到用好雲原生的突破。

　　總的來說，技術服務於業務，企業應基於自身現狀，尋找合適的解決方案，併為業務創造價值。

　　 三、vivo對雲原生的未來展望

　　3.1 vivo基礎架構發展　　

　　從過去看未來發展，回顧過去10年曆程，vivo基礎架構的發展經歷了3個階段：

　　階段一：傳統研發運維階段，從2011到2018年，從早期的do分離研發模式，到基於openstack+kvm的虛擬化方案落地。

　　階段二：應用架構網際網路化階段，從2018到2020年，容器化開始在vivo內部興起。

　　階段三：雲原生基礎架構演進階段，從2021年到現在，雲原生和容器將會在vivo內部有更多場景的應用和推廣，如在離線混部等。

　　3.2 vivo雲原生未來展望　　

　　迴歸事物本源思考，做正確的事，並把事情做正確。不盲從，有定力，基於價值，客觀看待新技術發展，大膽假設、小心驗證、實踐出真知。

　　vivo雲原生的未來，將會朝著3個方向發展，分別是全面容器化、擁抱雲原生和在離線混部。

　　我們的願景是：一次開發到處執行，透過自動運維實現極致效率和成本最優！

　　對開發人員：我們希望大家成為那隻遨遊海上的藍色鯨魚，馱著我們的業務應用，一次構建到處分發，靈活排程和運維。

　　對管理者：我們希望追求效率的同時，能夠實現成本最優。