阿哲

外观

微服务容器化迁移

3363字约11分钟

2024-09-29

从运维角度看微服务

单体应用 vs 微服务

特点：

  • 易于部署

  • 易于测试

不足：

  • 代码膨胀，难以维护

  • 构建、部署成本大

  • 新人上手难

微服务特点

服务组件化

每个服务独立开发、部署，有效避免一个服务的修改引起整个系统重新部署。

技术栈灵活

约定通信方式，使得服务本身功能实现对技术要求不再那么敏感。

独立部署

每个微服务独立部署，加快部署速度，方便扩展。

扩展性强

每个微服务可以部署多个，并且有负载均衡能力。

独立数据

每个微服务有独立的基本组件，例如数据库、缓存等。

微服务不足

  • 沟通成本

  • 数据一致性

  • 运维成本：部署、监控

  • 内部架构复杂性

  • 大量服务治理

Java微服务框架

  • Spring Boot：快速开发微服务的框架

  • Spring Cloud：基于SpringBoot实现的一个完整的微服务解决方案

  • Dubbo：阿里巴巴开源的微服务治理框架

在K8s平台部署微服务考虑的问题

常见微服务架构图

对微服务项目架构理解

  • 微服务间如何通信？REST API，RPC，MQ

  • 微服务如何发现彼此？注册中心

  • 组件之间怎么个调用关系？

  • 哪个服务作为整个网站入口？前后端分离

  • 哪些微服务需要对外访问？前端和微服务网关

  • 微服务怎么部署？更新？扩容？

  • 区分有状态应用与无状态应用

为什么用注册中心系统

微服务太多面临的问题：

  • 怎么记录一个微服务多个副本接口地址？

  • 怎么实现一个微服务多个副本负载均衡？

  • 怎么判断一个微服务副本是否可用？

主流注册中心：Eureka，Nacos，Consul

在K8s部署项目流程

在K8S平台部署Spring Cloud微服务项目

容器化微服务项目实施步骤

具体步骤：

第一步：熟悉Spring Cloud微服务项目

第二步：源代码编译构建

第三步：构建项目镜像并推送到镜像仓库

第四步：K8s服务编排

第五步：在K8s中部署Eureka集群（注册中心）和MySQL数据库

第六步：部署微服务网关服务

第七步：部署微服务业务程序

第八步：部署微服务前端

第九步：微服务对外发布

第十步：微服务升级与扩容

第一步：熟悉Spring Cloud微服务项目

https://gitee.com/lucky_liuzhe/simple-microservice

代码分支说明：

  • dev1 交付代码

  • dev2 增加Dockerfile

  • dev3 增加K8s资源编排

  • dev4 增加APM监控系统

  • master 最终上线

第二步：源代码编译构建

Maven项目对象模型(POM)，可以通过一小段描述信息来管理项目的构建，报告和文档的项目管 理工具软件。

yum install java-1.8.0-openjdk maven -y
修改maven源：https://maven.aliyun.com/mvn/guide
mvn clean package -Dmaven.test.skip=true

第三步：构建项目镜像并推送到镜像仓库

Dockerfile文件更换apk阿里云源

链接：https://blog.csdn.net/qq_33657251/article/details/107526842
sed -i 's/dl-cdn.alpinelinux.org/mirrors.aliyun.com/g' /etc/apk/repositories && \
#使用sed工具将字符串dl-cdn.alpinelinux.org替换为mirrors.aliyun.com

第四步：K8s服务编排

第五步：在K8s中部署Erureka集群和MySQL数据库

1.删除Dockerfile中运行的拷贝时区的命令

find . -name Dockerfile | xargs -i sed -i '/RUN/d' {}
find . -name Dockerfile | xargs -i sed -i '/ln/d' {}

2.修改源代码中eureka配置文件：

# cat eureka-service/src/main/resources/application-fat.yml
eureka:
  server:
    renewal-percent-threshold: 0.9
    enable-self-preservation: false
    eviction-interval-timer-in-ms: 40000
  instance:
    hostname: 127.0.0.1
    prefer-ip-address: false     #使用ip去通信，默认是使用主机名
  client:
    register-with-eureka: true
    serviceUrl:
      defaultZone: http://eureka-0.eureka.ms:${server.port}/eureka/,http://eureka-1.eureka.ms:${server.port}/eureka/,http://eureka-2.eureka.ms:${server.port}/eureka/
    fetch-registry: true

prefer-ip-address: false 由于使用statefulset部署默认使用主机名通信，其他微服务使用deployment部署无法使用主机名通信，dns无法解析，所以修改为使用IP去通信。

Eureka集群节点Pod DNS名称：

http://eureka-0.eureka.ms.svc.cluster.local

http://eureka-1.eureka.ms.svc.cluster.local

http://eureka-2.eureka.ms.svc.cluster.local

3.修改docker_build.sh 文件

修改镜像仓库地址，要推送的镜像仓库项目名

#vi docker_build.sh 
#!/bin/bash

docker_registry=192.168.0.14
kubectl create secret docker-registry registry-pull-secret --docker-server=$docker_registry --docker-username=admin --docker-password=Harbor12345 --docker-email=admin@ctnrs.com -n ms

service_list="eureka-service gateway-service order-service product-service stock-service portal-service"
service_list=${1:-${service_list}}
work_dir=$(dirname $PWD)
current_dir=$PWD

cd $work_dir
mvn clean package -Dmaven.test.skip=true

for service in $service_list; do
   cd $work_dir/$service
   if ls |grep biz &>/dev/null; then
      cd ${service}-biz
   fi
   service=${service%-*}
   image_name=$docker_registry/ms/${service}:$(date +%F-%H-%M-%S)
   docker build -t ${image_name} .
   docker push ${image_name}
   sed -i -r "s#(image: )(.*)#\1$image_name#" ${current_dir}/${service}.yaml
   kubectl apply -f ${current_dir}/${service}.yaml
done

4.创建命名空间并部署eureka服务并启动（记得部署之前要部署ingress控制器）

#创建命名空间
kubectl create ns ms
#启动部署(修改各个微服务yaml文件中的requests，请求资源设置小一点0.2)
./docker_build.sh eureka-service

5.部署MySQL

#部署MySQL
kubectl apply -f mysql.yaml

#导入sql文件
将源代码里db目录下sql文件拷贝到mysql容器并导入：
kubectl cp order.sql mysql-68d6f45844-kc6v4:/ -n ms
kubectl cp product.sql mysql-68d6f45844-kc6v4:/ -n ms
kubectl cp stock.sql mysql-68d6f45844-kc6v4:/ -n ms
kubectl exec -it mysql-68d6f45844-kc6v4 -n ms -- bash
#mysql -u root -p$MYSQL_ROOT_PASSWORD
mysql> create database tb_product;
mysql> use tb_product;
mysql> source /product.sql;

mysql> create database tb_order;
mysql> use tb_order;
mysql> source /order.sql;

mysql> create database tb_stock;
mysql> use tb_stock;
mysql> source /stock.sql;

MySQL Service DNS名称：mysql.ms.svc.cluster.local

第六步至第九步：在K8s中部署微服务

  • 部署业务程序（product、stock、order）

  • 部署网关（gateway）

  • 部署前端（portal）

修改product、stock、order连接数据库地址

#vi product-service/product-service-biz/src/main/resources/application-fat.yml 
url: jdbc:mysql://mysql:3306/tb_product?characterEncoding=utf-8
#其余两个微服务同上操作

启动部署

#修改各个微服务yaml文件中的requests，请求资源设置小一点0.2（java太吃内存）
cd k8s/
./docker_build.sh product-service
./docker_build.sh order-service
./docker_build.sh stock-service
./docker_build.sh gateway-service
./docker_build.sh portal-service

第十步：微服务升级与扩容

微服务升级：对要升级的微服务进行上述步骤打包镜像:版本，替代运行的镜像

微服务扩容：对Pod扩容副本数

kubectl scale deployment product --replicas=2 -n ms

生产环境踩坑经验分享

Q：限制了容器资源，还经常被杀死？

A：在JAVA1.9版本之前，是不能自动发现docker设置的 内存限制，随着应用负载起伏就会造成内存使用过大， 超过limits限制，从而触发K8s杀掉该容器。

解决办法：

  • 手动指定JVM堆内存大小

  • 配置JVM自动识别（1.9版本+才支持）-

XX:+UnlockExperimentalVMOptions -

XX:+UseCGroupMemoryLimitForHeap

Q：滚动更新期间造成流量丢失

A：滚动更新触发，Pod在删除过程中，有些节点kube-proxy还没来得及同步iptables规则， 从而部分流量请求到Terminating的Pod上，导致请求出错。

解决办法：配置preStop回调，在容器终止前优雅暂停5秒，给kube-proxy多预留一点时间。

Q：滚动更新之健康检查重要性

A：滚动更新是默认发布策略，当配置健康检查时，滚动更新会根据Probe状 态来决定是否继续更新以及是否允许接入流量，这样在整个滚动更新过程中可 保证始终会有可用的Pod存在，达到平滑升级。

APM监控微服务项目

微服务监控需求

随着微服务架构的流行，服务按照不同的维度进行拆分，一次请求往往需要 涉及到多个服务。这些服务可能不同编程语言开发，不同团队开发，可能部 署很多副本。因此，就需要一些可以帮助理解系统行为、用于分析性能问题 的工具，以便发生故障的时候，能够快速定位和解决问题。“APM系统” 就 在这样的问题背景下产生了。

APM系统 从整体维度到局部维度展示各项指标，将跨应用的所有调用链性能 信息集中展现，可方便度量整体和局部性能，并且方便找到故障产生的源头， 生产上可极大缩短故障排除时间

APM监控系统是什么

APM（ApplicationPerformance Management）是一种应用性能监控工具，通过汇聚业务系统各处理 环节的实时数据，分析业务系统各事务处理的交易路径和处理时间，实现对应用的全链路性能监测。

相比接触的Prometheus、Zabbix这类监控系统，APM系统主要监控对应用程序内部，例如：

  • 请求链路追踪：通过分析服务调用关系，绘制运行时拓扑信息，可视化展示

  • 调用情况衡量：各个调用环节的性能分析，例如吞吐量、响应时间、错误次数

  • 运行情况反馈：告警，通过调用链结合业务日志快速定位错误信息

APM监控系统选择依据

APM类监控系统有：Skywalking、Pinpoint、Zipkin

关于选型，可以从以下方面考虑：

探针的性能消耗

APM组件服务的影响应该做到足够小，数据分析要快，性能占用小。

代码的侵入性

即也作为业务组件，应当尽可能少入侵或者无入侵其他业务系统，对于使用 方透明，减少开发人员的负担。

监控维度

分析的维度尽可能多。

可扩展性

一个优秀的调用跟踪系统必须支持分布式部署，具备良好的可扩展性。能够 支持的组件越多当然越好。

Skywalking介绍

Skywalking 是一个分布式应用程序性能监控系统，针对微服务体系结构而设计。

功能：

  • 多种监控手段。可以通过语言探针和 service mesh 获得监控是数据。

  • 多个语言自动探针。包括 Java，.NET Core 和 Node.JS。

  • 轻量高效。无需大数据平台，和大量的服务器资源。

  • 模块化。UI、存储、集群管理都有多种机制可选。

  • 支持告警。

  • 优秀的可视化解决方案。

Skywalking架构

Skywalking部署

1、部署ES数据库

docker run --name elasticsearch -p 9200:9200 -e "discovery.type=single-node" -d elasticsearch:7.7.0

2、部署Skywalking OAP

软件包下载地址：https://archive.apache.org/dist/skywalking/8.3.0/
yum install java-11-openjdk –y
tar zxvf apache-skywalking-apm-es7-8.3.0.tar.gz
cd apache-skywalking-apm-bin-es7/

指定数据源：

#vi config/application.yml
storage: 
    selector: ${SW_STORAGE:elasticsearch7} #这里使用elasticsearch7
    ...
    elasticsearch7: 
        nameSpace: ${SW_NAMESPACE:""} 
        clusterNodes: ${SW_STORAGE_ES_CLUSTER_NODES:192.168.0.10:9200} # 指定ES地址

启动OAP和UI：

./bin/startup.sh

访问UI：http://IP:8080

微服务接入Skywalking监控

内置Agent包路径：apache-skywalking-apm-bin-es7/agent/

启动Java程序以探针方式集成Agent：

java -jar -javaagent:/skywalking/skywalking-agent.jar=agent.service_name=<项目名称 >,agent.instance_name=<实例名称>,collector.backend_service=:11800 xxx.jar

#使用dev4分支部署
#注意修改的部分：
1.修改每个微服务下的Dockerfile中连接Skywalking服务器地址以及application-fat.yml
中连接MySQL服务器的地址
2.修改docker_build.sh脚本中连接harbor服务器的地址以及推送到镜像仓库的项目名

Skywalking UI使用

  • 第一栏：不同内容主题的监控面板，应用/数据库/容器等

  • 第二栏：操作，包括编辑/导出当前数据/倒入展示数据/不同服务端点筛选展示

  • 第三栏：不同纬度展示，服务/实例/端点

全局：

  • Service Load：CPM 每分钟回调次数

  • Slow Services：慢响应服务，单位ms

  • Un-Health Services：不健康的服务，1为满分

  • Slow Endpoints：慢端点，单位ms

  • Global Response Latency：百分比响应延时，不同百分 比的延时时间，单位ms

  • Global Heatmap：服务响应时间热力分布图，根据时间 段内不同响应时间的数量显示颜色深度

  • 底部栏：展示数据的时间区间，点击可以调整

Service：

  • Service Apdex（数字）:当前服务的评分

  • Service Apdex（折线图）：当前服务评分趋势图

  • Service Avg Response Times：服务平均响应时间，单 位ms

  • Service Response Time Percentile：服务响应时间百分 比，单位ms

  • Successful Rate（数字）：请求成功率

  • Successful Rate（折线图）：请求成功率趋势图

  • Servce Load（数字）：每分钟请求数

  • Servce Load（折线图）：每分钟请求数趋势图

  • Servce Instances Load：服务实例的每分钟请求数

  • Slow Service Instance：慢服务实例，单位ms

  • Service Instance Successful Rate：服务实例成功率

Instance：

  • Service Instance Load：当前实例的每分钟请求数

  • Service Instance Successful Rate：当前实例的请求成功率

  • Service Instance Latency：当前实例的响应延时

  • JVM CPU：jvm占用CPU的百分比

  • JVM Memory：JVM堆内存，单位MB

  • JVM GC Time：JVM垃圾回收时间，包含YGC和OGC

  • JVM GC Count：JVM垃圾回收次数，包含YGC和OGC

  • JVM Thread Count：JVM线程统计CLR XX：.NET服务的 指标，类似JVM虚拟机

Instance：

  • Endpoint Load in Current Service：每个端点的每分钟请求数

  • Slow Endpoints in Current Service：每个端点的最慢请求时间， 单位ms

  • Successful Rate in Current Service：每个端点的请求成功率

  • Endpoint Load：端点请求数趋势图

  • Endpoint Avg Response Time：端点平均响应时间趋势图

  • Endpoint Response Time Percentile：端口响应时间的百分位数

  • Endpoint Successful Rate：端点请求成功率

Copyright © 2024 阿哲 www.azhe.xin