24.运维:如何构建高可靠的etcd集群运维体系?

24.运维:如何构建高可靠的etcd集群运维体系?

本文笔记来自:「极客时间ETCD实战课」,原文链接:https://time.geekbang.org/column/article/354292?cid=100069901

在使用etcd过程中,我们经常会面临着一系列问题与选择,比如:

  • etcd是使用虚拟机还是容器部署,各有什么优缺点?
  • 如何及时发现etcd集群隐患项(比如数据不一致)?
  • 如何及时监控及告警etcd的潜在隐患(比如db大小即将达到配额)?
  • 如何优雅的定时、甚至跨城备份etcd数据?
  • 如何模拟磁盘IO等异常来复现Bug、故障?

今天聊聊如何解决以上问题。接下来将通过从etcd集群部署、集群组建、监控体系、巡检、备份及还原、高可用、混沌工程等维度,带你了解如何构建一个高可靠的etcd集群运维体系。

整体解决方案

那要如何构建高可靠的etcd集群运维体系呢?

通过下面这个思维脑图给你总结了etcd运维体系建设核心要点,它由etcd集群部署、成员管理、监控及告警体系、备份及还原、巡检、高可用及自愈、混沌工程等维度组成。

img

集群部署

要想使用etcd集群,我们面对的第一个问题是如何选择合适的方案去部署etcd集群。

首先是计算资源的选择,它本质上就是计算资源的交付演进史,分别如下:

  • 物理机;
  • 虚拟机;
  • 裸容器(如Docker实例);
  • Kubernetes容器编排。

物理机资源交付慢、成本高、扩缩容流程费时一般情况下大部分业务团队不再考虑物理机,除非是超大规模的上万个节点的Kubernetes集群,对CPU、内存、网络资源有着极高诉求。

虚拟机是目前各个云厂商售卖的主流实例,无论是基于KVM还是Xen实现,都具有良好的稳定性、隔离性,支持故障热迁移,可弹性伸缩,被etcd、数据库等存储业务大量使用。

在基于物理机和虚拟机的部署方案中,可以使用ansible、puppet等自动运维工具,构建标准、自动化的etcd集群搭建、扩缩容流程。基于ansible部署etcd集群可以拆分成以下若干个任务:

  • 下载及安装etcd二进制到指定目录;
  • 将etcd加入systemd等服务管理;
  • 为etcd增加配置文件,合理设置相关参数;
  • 为etcd集群各个节点生成相关证书,构建一个安全的集群;
  • 组建集群版(静态配置、动态配置,发现集群其他节点);
  • 开启etcd服务,启动etcd集群。

详细可以参考digitalocean 这篇博客文章,它介绍了如何使用ansible去部署一个安全的etcd集群,并给出了对应的yaml任务文件。

容器化部署则具有极速的交付效率、更灵活的资源控制、更低的虚拟化开销等一系列优点。自从Docker诞生后,容器化部署就风靡全球。有的业务直接使用裸Docker容器来跑etcd集群。然而裸Docker容器不具备调度、故障自愈、弹性扩容等特性,存在较大局限性。

随后为了解决以上问题,诞生了以Kubernetes、Swarm为首的容器编排平台,Kubernetes成为了容器编排之战中的王者,大量业务使用Kubernetes来部署etcd、ZooKeeper等有状态服务。在开源社区中,也诞生了若干个etcd的Kubernetes容器化解决方案,分别如下:

  • etcd-operator;
  • bitnami etcd/statefulset;
  • etcd-cluster-operator;
  • openshit/cluster-etcd-operator;
  • kubeadm。

etcd-operator 目前已处于Archived状态,无人维护,基本废弃。同时它是基于裸Pod实现的,要做好各种备份。在部分异常情况下存在集群宕机、数据丢失风险,我仅建议你使用它的数据备份etcd-backup-operator。

bitnami etcd 提供了一个helm包一键部署etcd集群,支持各个云厂商,支持使用PV、PVC持久化存储数据,底层基于StatefulSet实现,较稳定。目前不少开源项目使用的是它。

可以通过如下helm命令,快速在Kubernete集群中部署一个etcd集群。

1
2
3
helm repo add bitnami https://charts.bitnami.com/bitnami
helm install my-release bitnami/etcd

etcd-cluster-operator 和openshit/ cluster-etcd-operator 比较小众,目前star不多,但是有相应的开发者维护,你可参考下它们的实现思路,与etcd-operator基于Pod、bitnami etcd基于Statefulset实现不一样的是,它们是基于ReplicaSet和Static Pod实现的。

最后介绍的是 kubeadm,它是Kubernetes集群中的etcd高可用部署方案的提供者,kubeadm是基于Static Pod部署etcd集群的。Static Pod相比普通Pod有其特殊性,它是直接由节点上的kubelet进程来管理,无需通过kube-apiserver。

创建Static Pod方式有两种,分别是配置文件和HTTP。kubeadm使用的是配置文件,也就是在kubelet监听的静态Pod目录下(一般是/etc/kubernetes/manifests)放置相应的etcd Pod YAML文件即可,如下图所示。

img

注意在这种部署方式中,部署etcd的节点需要部署docker、kubelet、kubeadm组件,依赖较重。

集群组建

聊完etcd集群部署的几种模式和基本原理后,我们接下来看看在实际部署过程中最棘手的部分,那就是集群组建。因为集群组建涉及到etcd成员管理的原理和节点发现机制。

要特别注意,当变更集群成员节点时,节点的initial-cluster-state参数的取值可以是new或existing。

  • new,一般用于初始化启动一个新集群的场景。当设置成new时,它会根据initial-cluster-token、initial-cluster等参数信息计算集群ID、成员ID信息。
  • existing,表示etcd节点加入一个已存在的集群,它会根据peerURLs信息从Peer节点获取已存在的集群ID信息,更新自己本地配置、并将本身节点信息发布到集群中。

那么当要组建一个三节点的etcd集群的时候,有哪些方法呢?

在etcd中,无论是Leader选举还是日志同步,都涉及到与其他节点通信。因此组建集群的第一步得知道集群总成员数、各个成员节点的IP地址等信息。

这个过程就是发现(Discovery)。目前etcd主要通过两种方式来获取以上信息,分别是 static configurationdynamic service discovery

static configuration 是指集群总成员节点数、成员节点的IP地址都是已知、固定的,根据我们上面介绍的initial-cluster-state原理,有如下两个方法可基于静态配置组建一个集群。

  • 方法1,三个节点的initial-cluster-state都配置为new,静态启动,initial-cluster参数包含三个节点信息即可,详情你可参考 社区文档
  • 方法2,第一个节点initial-cluster-state设置为new,独立成集群,随后第二和第三个节点都为existing,通过扩容的方式,不断加入到第一个节点所组成的集群中。

如果成员节点信息是未知的,你可以通过 dynamic service discovery 机制解决。

etcd社区还提供了通过公共服务来发现成员节点信息,组建集群的方案。它的核心是集群内的各个成员节点向公共服务注册成员地址等信息,各个节点通过公共服务来发现彼此,可以参考 官方详细文档。

监控及告警体系

当我们把集群部署起来后,在业务开始使用之前,部署监控是必不可少的一个环节,它是保障业务稳定性,提前发现风险、隐患点的重要核心手段。那么要如何快速监控你的etcd集群呢?

正如之前在14和15里和你介绍延时、内存时所提及的,etcd提供了丰富的metrics来展示整个集群的核心指标、健康度。metrics按模块可划分为磁盘、网络、MVCC事务、gRPC RPC、etcdserver。

磁盘相关的metrics及含义如下图所示。

img

网络相关的metrics及含义如下图所示。

img

mvcc相关的较多,我在下图中列举了部分其含义,如下所示。

img

etcdserver相关的如下,集群是否有leader、堆积的proposal数等都在此模块。

img

更多metrics,可以通过如下方法查看。

1
2
curl 127.0.0.1:2379/metrics

了解常见的metrics后,我们只需要配置Prometheus服务,采集etcd集群的2379端口的metrics路径。

采集的方案一般有两种, 静态配置 和动态配置。

静态配置是指添加待监控的etcd target到Prometheus配置文件,如下所示。

1
2
3
4
5
6
7
8
global:
scrape_interval: 10s
scrape_configs:
- job_name: test-etcd
static_configs:
- targets:
['10.240.0.32:2379','10.240.0.33:2379','10.240.0.34:2379']

静态配置的缺点是每次新增集群、成员变更都需要人工修改配置,而动态配置就可解决这个痛点。

动态配置是通过Prometheus-Operator的提供ServiceMonitor机制实现的,当想采集一个etcd实例时,若etcd服务部署在同一个Kubernetes集群,只需要通过Kubernetes的API创建一个如下的ServiceMonitor资源即可。若etcd集群与Promehteus-Operator不在同一个集群,你需要去创建、更新对应的集群Endpoint。

那Prometheus是如何知道该采集哪些服务的metrics信息呢?

答案ServiceMonitor资源通过Namespace、Labels描述了待采集实例对应的Service Endpoint。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
apiVersion: monitoring.coreos.com/v1
kind: ServiceMonitor
metadata:
name: prometheus-prometheus-oper-kube-etcd
namespace: monitoring
spec:
endpoints:
- bearerTokenFile: /var/run/secrets/kubernetes.io/serviceaccount/token
port: http-metrics
scheme: https
tlsConfig:
caFile: /etc/prometheus/secrets/etcd-certs/ca.crt
certFile: /etc/prometheus/secrets/etcd-certs/client.crt
insecureSkipVerify: true
keyFile: /etc/prometheus/secrets/etcd-certs/client.key
jobLabel: jobLabel
namespaceSelector:
matchNames:
- kube-system
selector:
matchLabels:
app: prometheus-operator-kube-etcd
release: prometheus

采集了metrics监控数据后,下一步就是要基于metrics监控数据告警了。可以通过Prometheus和 Alertmanager 组件实现,那你应该为哪些核心指标告警呢?

当然是影响集群可用性的最核心的metric。比如是否有Leader、Leader切换次数、WAL和事务操作延时。etcd社区提供了一个 丰富的告警规则,你可以参考下。

最后,为了方便查看etcd集群运行状况和提升定位问题的效率,可以基于采集的metrics配置个 grafana可视化面板。下面列出了集群是否有Leader、总的key数、总的watcher数、出流量、WAL持久化延时的可视化面板。

img

imgimg

img

img

备份及还原

监控及告警就绪后,就可以提供给业务在生产环境使用了吗?

当然不行,数据是业务的安全红线,所以还需要做好最核心的数据备份工作。

如何做呢?

主要有以下方法,首先是通过etcdctl snapshot命令行人工备份。在发起重要变更的时候,你可以通过如下命令进行备份,并查看快照状态。

1
2
3
4
ETCDCTL_API=3 etcdctl --endpoints $ENDPOINT
snapshot save snapshotdb
ETCDCTL_API=3 etcdctl --write-out=table snapshot status snapshotdb

其次是通过定时任务进行定时备份,建议至少每隔1个小时备份一次。

然后是通过 etcd-backup-operator 进行自动化的备份,类似ServiceMonitor,你可以通过创建一个备份任务CRD实现。CRD如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
apiVersion: "etcd.database.coreos.com/v1beta2"
kind: "EtcdBackup"
metadata:
name: example-etcd-cluster-periodic-backup
spec:
etcdEndpoints: [<etcd-cluster-endpoints>]
storageType: S3
backupPolicy:
# 0 > enable periodic backup
backupIntervalInSecond: 125
maxBackups: 4
s3:
# The format of "path" must be: "<s3-bucket-name>/<path-to-backup-file>"
# e.g: "mybucket/etcd.backup"
path: <full-s3-path>
awsSecret: <aws-secret>

最后可以通过给etcd集群增加Learner节点,实现跨地域热备。因Learner节点属于非投票成员的节点,因此它并不会影响你集群的性能。它的基本工作原理是当Leader收到写请求时,它会通过Raft模块将日志同步给Learner节点。你需要注意的是,在etcd 3.4中目前只支持1个Learner节点,并且只允许串行读。

巡检

完成集群部署、了解成员管理、构建好监控及告警体系并添加好定时备份策略后,这时终于可以放心给业务使用了。然而在后续业务使用过程中,你可能会遇到各类问题,而这些问题很可能是metrics监控无法发现的,比如如下:

  • etcd集群因重启进程、节点等出现数据不一致;
  • 业务写入大 key-value 导致 etcd 性能骤降;
  • 业务异常写入大量key数,稳定性存在隐患;
  • 业务少数 key 出现写入 QPS 异常,导致 etcd 集群出现限速等错误;
  • 重启、升级 etcd 后,需要人工从多维度检查集群健康度;
  • 变更 etcd 集群过程中,操作失误可能会导致 etcd 集群出现分裂;

……

因此为了实现高效治理etcd集群,我们可将这些潜在隐患总结成一个个自动化检查项,比如:

  • 如何高效监控 etcd 数据不一致性?
  • 如何及时发现大 key-value?
  • 如何及时通过监控发现 key 数异常增长?
  • 如何及时监控异常写入 QPS?
  • 如何从多维度的对集群进行自动化的健康检测,更安心变更?
  • ……

如何将这些 etcd 的最佳实践策略反哺到现网大规模 etcd 集群的治理中去呢?

答案就是巡检

参考ServiceMonitor和EtcdBackup机制,同样可以通过CRD的方式描述此巡检任务,然后通过相应的Operator实现此巡检任务。比如下面就是一个数据一致性巡检的YAML文件,其对应的Operator组件会定时、并发检查其关联的etcd集群各个节点的key差异数。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
apiVersion: etcd.cloud.tencent.com/v1beta1
kind: EtcdMonitor
metadata:
creationTimestamp: "2020-06-15T12:19:30Z"
generation: 1
labels:
clusterName: gz-qcloud-etcd-03
region: gz
source: etcd-life-cycle-operator
name: gz-qcloud-etcd-03-etcd-node-key-diff
namespace: gz
spec:
clusterId: gz-qcloud-etcd-03
metricName: etcd-node-key-diff
metricProviderName: cruiser
name: gz-qcloud-etcd-03
productName: tke
region: gz
status:
records:
- endTime: "2021-02-25T11:22:26Z"
message: collectEtcdNodeKeyDiff,etcd cluster gz-qcloud-etcd-03,total key num is
122143,nodeKeyDiff is 0
startTime: "2021-02-25T12:39:28Z"
updatedAt: "2021-02-25T12:39:28Z"

高可用及自愈

通过以上机制,我们已经基本建设好一个高可用的etcd集群运维体系了。最后提供几个集群高可用及自愈的小建议:

  • 若etcd集群性能已满足业务诉求,可容忍一定的延时上升,建议将etcd集群做高可用部署,比如对3个节点来说,把每个节点部署在独立的可用区,可容忍任意一个可用区故障。
  • 逐步尝试使用Kubernetes容器化部署etcd集群。当节点出现故障时,能通过Kubernetes的自愈机制,实现故障自愈。
  • 设置合理的db quota值,配置合理的压缩策略,避免集群db quota满从而导致集群不可用的情况发生。

混沌工程

在使用etcd的过程中,你可能会遇到磁盘、网络、进程异常重启等异常导致的故障。如何快速复现相关故障进行问题定位呢?

答案就是混沌工程。一般常见的异常我们可以分为如下几类:

  • 磁盘IO相关的。比如模拟磁盘IO延时上升、IO操作报错。之前遇到的一个底层磁盘硬件异常导致IO延时飙升,最终触发了etcd死锁的Bug,我们就是通过模拟磁盘IO延时上升后来验证的。
  • 网络相关的。比如模拟网络分区、网络丢包、网络延时、包重复等。
  • 进程相关的。比如模拟进程异常被杀、重启等。之前遇到的一个非常难定位和复现的数据不一致Bug,我们就是通过注入进程异常重启等故障,最后成功复现。
  • 压力测试相关的。比如模拟CPU高负载、内存使用率等。

开源社区在混沌工程领域诞生了若干个优秀的混沌工程项目,如chaos-mesh、chaos-blade、litmus。这里重点介绍下 chaos-mesh,它是基于Kubernetes实现的云原生混沌工程平台,下图是其架构图(引用自社区)。

img

为了实现以上异常场景的故障注入,chaos-mesh定义了若干种资源类型,分别如下:

  • IOChaos,用于模拟文件系统相关的IO延时和读写错误等。
  • NetworkChaos,用于模拟网络延时、丢包等。
  • PodChaos,用于模拟业务Pod异常,比如Pod被杀、Pod内的容器重启等。
  • StressChaos,用于模拟CPU和内存压力测试。

当你希望给etcd Pod注入一个磁盘IO延时的故障时,只需要创建此YAML文件就好。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
apiVersion: chaos-mesh.org/v1alpha1
kind: IoChaos
metadata:
name: io-delay-example
spec:
action: latency
mode: one
selector:
labelSelectors:
app: etcd
volumePath: /var/run/etcd
path: '/var/run/etcd/**/*'
delay: '100ms'
percent: 50
duration: '400s'
scheduler:
cron: '@every 10m'

小结

首先通过从集群部署、集群组建、监控及告警体系、备份、巡检、高可用、混沌工程几个维度,深入介绍了如何构建一个高可靠的etcd集群运维体系。

在集群部署上,当你的业务集群规模非常大、对稳定性有着极高的要求时,推荐使用大规格、高性能的物理机、虚拟机独占部署,并且使用ansible等自动化运维工具,进行标准化的操作etcd,避免人工一个个修改操作。

对容器化部署来说,Kubernetes场景推荐你使用kubeadm,其他场景可考虑分批、逐步使用bitnami提供的etcd helm包,它是基于statefulset、PV、PVC实现的,各大云厂商都广泛支持,建议在生产环境前,多验证各个极端情况下的行为是否符合你的预期。

在集群组建上,各个节点需要一定机制去发现集群中的其他成员节点,主要可分为 static configurationdynamic service discovery

static configuration是指集群中各个成员节点信息是已知的,dynamic service discovery是指可以通过服务发现组件去注册自身节点信息、发现集群中其他成员节点信息。另外我和你介绍了重要参数initial-cluster-state的含义,它也是影响集群组建的一个核心因素。

在监控及告警体系上,介绍了etcd网络、磁盘、etcdserver、gRPC核心的metrics。通过修改Prometheues配置文件,添加etcd target,就可以方便的采集etcd的监控数据。然后介绍了ServiceMonitor机制,可通过它实现动态新增、删除、修改待监控的etcd实例,灵活的、高效的采集etcd Metrcis。

备份及还原上,重点介绍了etcd snapshot命令,etcd-backup-operator的备份任务CRD机制,推荐使用后者。

最后是巡检、混沌工程,它能帮助我们高效治理etcd集群,及时发现潜在隐患,低成本、快速的复现Bug和故障等。

简单介绍下:etcd一站式治理平台kstone.

Kstone 是一个针对 etcd 的全方位运维解决方案,提供集群管理(关联已有集群、创建新集群等)、监控、备份、巡检、数据迁移、数据可视化、智能诊断等一系列特性。 Kstone 将帮助你高效管理etcd集群,显著降低运维成本、及时发现潜在隐患、提升k8s etcd存储的稳定性和用户体验。 https://github.com/tkestack/kstone,。

img


24.运维:如何构建高可靠的etcd集群运维体系?
https://blog.longpi1.com/2022/10/16/24-运维:如何构建高可靠的etcd集群运维体系?/