K8s 虚拟节点大规模应用实践作业帮 Serverless (k8s虚拟化平台)

背景介绍

作业帮的服务端技术体系正向着云原生化发展，提升资源利用率是云原生技术栈的核心目标之一，资源利用率的提升意味着以更少的计算节点承载更多的应用实例，极大地降低资源开销。而 Serverless 具有弹性伸缩、强隔离性、按量计费、运维自动化等特点，带来了降低交付时间、降低风险、降低基础设施成本、降低人力成本等核心优势。

Serverless 化一直是作业帮基础架构探索的核心方向。Serverless 化长期来看有两种方案，一种是函数计算，一种是 KubernetesServerless 虚拟节点。

Kubernete Sserverless 虚拟节点对已经运行在 Kubernetes 上服务无实际使用差异，用户体验较好，业务服务使用无感知，可以由基础架构进行调度迁移。比如，阿里云 ECI 就是一种典型 Kubernetes 虚拟节点方案。

但我们的业务场景需要更精细化的资源管理策略，需要我们更紧密结合资源管理述求的调度策略。所以我们在云厂商能力之上研发了自己的方案：

同时在线业务有着明显的波峰和波谷，在高峰期弹性调度到 Serverless 虚拟节点将带来巨大的成本收益。随着而来的要求也越高，尽可能保证在线业务在性能、稳定性上和物理服务器效果一致，业务观测感知上一致。也就是让上层业务服务感知不到 Serverless 虚拟节点和物理服务器之间的差异。

虚拟节点并不是真实的节点，而是一种调度能力，支持将标准 kubernetes 集群中的 pod 调度到集群服务器节点之外的资源中。部署在虚拟节点上的 pod 具备裸金属服务器一致的安全隔离性、网络隔离性、网络连通性，又具有无需预留资源，按量计费的特性。

作业帮的大部分服务都已经完成容器化，在线业务有着典型的高峰期，且高峰期持续时间较短（4 个小时/每天），全部使用裸金属服务器，高峰期服务器平均负载接近 60%，而低峰期负载只有 10%左右。此场景就非常适合 Serverless 的弹性伸缩落地，可以做一个简单的计算：假设全部使用自有服务器每小时的成本为 C，平均每天高峰期的时间为 4 小时，使用 Serverless 的单位时间成本为 1.5C，那么：

理论上高峰期波峰部分使用 Serverless 可降低的成本为：(24C - 18.6C) / 24C = 22.5%，可见，将在线服务高峰期弹性调度到 Serverless 可以节省大量的资源成本。

问题和解决方案

虽然 Kubernetes Serverless 虚拟节点拥有诸多优点，但也仍然存在一些问题。

调度层面主要解决两个问题：一是扩容时创建 POD 基于何种调度策略调度到虚拟节点，二是缩容时应优先缩虚拟节点上的 POD。这两种能力在我们当前使用的 Kubernetes 版本中能力是不足的。

扩容/缩容调度策略

扩容调度策略应该由基础架构和运维来统一把控，与业务关联度不大，因为业务方不知道底层资源层还有多少服务器计算资源可以被利用。我们理想情况下，是希望当本集群池内，物理服务器资源达到利用率瓶颈后，扩容到 serverless 虚拟节点上。这样就可以既没有容量风险也可以获得成本优势。

业界使用虚拟节点的演进过程：

但我们的业务场景需要更精细化的资源管理策略，需要我们更紧密结合资源管理述求的调度策略，所以我们在云厂商的能力之上研发了我们自己的方案：

扩容：基于在线服务的波峰波谷，进行预测推荐调度，预测高峰该服务能在集群物理机上运行的副本数阈值，通过自研调度器将超过阈值的 POD 调度到虚拟节点上。该阈值数据即集群物理机上运行副本的最优解。既能满足物理机集群的利用率也能满足性能要求。阈值太低则物理机资源浪费，阈值太高则物理机部署密度太高，资源利用率过高，影响业务。

缩容：缩容时优先缩 serverless 虚拟节点上的 pod 很好理解，因为常备的资源池是包年包月的单价更低，虚拟节点上的资源是按量计费的单价较高，优先缩虚拟节点上的 pod 来达到成本最优；我们通过自研调度器对虚拟节点上的 pod 注入自定义的注解，修改 kube-controller-manager 的缩容逻辑，将带有虚拟节点自定义注解的 pod 置于缩容队列的顶部，来完成优先缩容虚拟节点上的 POD。

管控面 devops 平台除了支持自动计算调度到虚拟节点的阈值，还支持手动设置以便于业务进行更精细的调控。调度到虚拟节点的能力可以结合 hpa、cron-hpa 同时使用，来满足业务更灵活的需求。管控面还支持故障场景下一键封锁虚拟节点，以及应对更极端情况（如机房整体故障）的多云调度能力。

我们的观测服务都是自建，比如（日志检索、监控报警、分布式追踪）。因为是虚拟节点，POD 里跑的监控组件、日志采集是由云厂商内置的。我们需要保证业务感知层面上，pod 在 Serverless 虚拟节点和物理服务器上运行一致，所有就有一个转化到我们自有观测服务的过程。

监控：在监控方面，云厂商虚拟节点完全兼容 kubelet 监控接口，可以无缝接入 Prometheus。完成 Pod 实时 CPU/内存/磁盘/网络流量等监控，做到了和普通节点上的 POD 一致。

日志：在日志采集方面，通过 CRD 配置日志采集，将日志发送到统一的 Kafka。我们自研了日志消费服务，记录各云厂商和自有节点上的消费情况。

分布式追踪：在分布式追踪方面，由于无法部署 daemonset 形式的 jeager agent，我们 jeager client 端做了改造，通过环境变量识别 pod 运行的环境，如果是在虚拟节点上则跳过 jeager agent，直接将分布式追踪的数据推送到 jeager colletror。

serverless 虚拟节点底层性能差异：由于底层计算资源规格的不同以及虚拟化层带来的开销，性能可能和裸金属服务器有所差异，这就需要对时延非常敏感的业务，在上虚拟节点之前进行充分的测试和评估。

云服务器库存风险：高峰期大量扩容，如果云厂商某个规格的的资源池水位低，可能会扩不出来指定规格的资源。这里我们是开启自动升配，也就是申请 2c2G，理论上应该匹配 2c2G 的 ECI，如果没有库存，会匹配到 2c4G 的 ECI。以此类推。

问题定位排查：因为虚拟节点本质上使用的是云厂商资源池，不在我们自身的管控范围内，当业务出现异常时虽然可以自动摘流，但无法登陆到机器排查问题，比如像查看系统日志、取回 core dump 文件等操作就比较困难。在我们的建议下，云服务（阿里云 ECI）已经支持将 core dump 自动上传到 oss 了。