🥇कुबर्नेट्स #2 मध्ये कॅनरी तैनाती: अर्गो रोलआउट्स

Kubernetes वर कॅनरी डिप्लॉयमेंट चालवण्यासाठी आम्ही k8s-नेटिव्ह Argo Rollouts deployment Controller आणि GitlabCI चा वापर करू

https://unsplash.com/photos/V41PulGL1z0

या मालिकेतील लेख

कुबर्नेट्स #1 मध्ये कॅनरी तैनाती: गिटलॅब सीआय
(हा लेख)
Istio वापरून कॅनरी उपयोजन
जेनकिन्स-एक्स इस्टिओ फ्लॅगर वापरून कॅनरी उपयोजन

कॅनरी उपयोजन

आम्हाला आशा आहे की तुम्ही वाचाल पहिला भाग, जेथे कॅनरी उपयोजन काय आहेत हे आम्ही थोडक्यात स्पष्ट केले. आम्ही मानक Kubernetes संसाधने वापरून ते कसे अंमलात आणायचे ते देखील दाखवले.

अर्गो रोलआउट्स

Argo Rollouts एक Kubernetes नेटिव्ह डिप्लॉयमेंट कंट्रोलर आहे. हे कुबर्नेट्ससाठी CRD (कस्टम रिसोर्स डेफिनिशन) प्रदान करते. त्याबद्दल धन्यवाद, आम्ही एक नवीन अस्तित्व वापरू शकतो: Rollout, जे विविध कॉन्फिगरेशन पर्यायांसह निळ्या-हिरव्या आणि कॅनरी उपयोजनांचे व्यवस्थापन करते.

सानुकूल संसाधनाद्वारे वापरलेला Argo रोलआउट कंट्रोलर Rollout, Kubernetes साठी निळा-हिरवा आणि कॅनरी यासारख्या अतिरिक्त उपयोजन धोरणांना अनुमती देते. संसाधन Rollout कार्यक्षमता समतुल्य प्रदान करते Deployment, फक्त अतिरिक्त उपयोजन धोरणांसह.
संसाधन Deployments उपयोजनासाठी दोन धोरणे आहेत: RollingUpdate и Recreate. जरी ही रणनीती बर्‍याच प्रकरणांसाठी योग्य असली तरी, सर्व्हरवर मोठ्या प्रमाणात तैनात करण्यासाठी, अतिरिक्त धोरणे वापरली जातात, जसे की निळा-हिरवा किंवा कॅनरी, जे उपयोजन नियंत्रकामध्ये उपलब्ध नाहीत. कुबर्नेट्समध्ये या धोरणांचा वापर करण्यासाठी, वापरकर्त्यांना त्यांच्या उपयोजनांच्या शीर्षस्थानी स्क्रिप्ट लिहिणे आवश्यक होते. Argo Rollouts Controller या धोरणांना सोप्या, घोषणात्मक, कॉन्फिगर करण्यायोग्य पॅरामीटर्स म्हणून उघड करतो.
https://argoproj.github.io/argo-rollouts

Argo CI देखील आहे, जो Rollouts सह वापरण्यासाठी सोयीस्कर वेब इंटरफेस प्रदान करतो, आम्ही पुढील लेखात त्यावर एक नजर टाकू.

अर्गो रोलआउट्स स्थापित करत आहे

सर्व्हर बाजूला

kubectl create namespace argo-rolloutskubectl apply -n argo-rollouts -f https://raw.githubusercontent.com/argoproj/argo-rollouts/stable/manifests/install.yaml

आमच्या इन्फ्रास्ट्रक्चर टर्निपमध्ये (खाली पहा) आम्ही आधीच i/k8s/argo-rollouts/install.yaml म्हणून install.yaml जोडले आहे. अशा प्रकारे GitlabCI ते क्लस्टरमध्ये स्थापित करेल.

क्लायंट साइड (kubectl प्लगइन)

https://argoproj.github.io/argo-rollouts/features/kubectl-plugin

उदाहरण अर्ज

अनुप्रयोग कोड आणि पायाभूत सुविधांसाठी स्वतंत्र भांडार असणे चांगले आहे.

अर्जासाठी भांडार

Kim Wuestkamp/k8s-deployment-example-app

हा एक अतिशय सोपा पायथन + फ्लास्क API आहे जो JSON म्हणून प्रतिसाद देतो. आम्ही GitlabCI वापरून पॅकेज तयार करू आणि निकाल Gitlab रजिस्ट्रीकडे ढकलू. रेजिस्ट्रीमध्ये आमच्याकडे दोन भिन्न रिलीझ आवृत्त्या आहेत:

wuestkamp/k8s-deployment-example-app:v1
wuestkamp/k8s-deployment-example-app:v2

त्यांच्यातील फरक फक्त JSON फाइल परत केला आहे. आम्ही कोणत्या आवृत्तीशी संवाद साधत आहोत ते शक्य तितक्या सहजतेने दृश्यमान करण्यासाठी आम्ही हा अनुप्रयोग वापरतो.

पायाभूत सुविधांचे भांडार

या रेपॉजिटरीमध्ये आम्ही कुबर्नेट्सच्या तैनातीसाठी GitlabCI चा वापर करू, .gitlab-ci.yml असे दिसते:

image: traherom/kustomize-dockerbefore_script:
   - printenv
   - kubectl versionstages:
 - deploydeploy test:
   stage: deploy
   before_script:
     - echo $KUBECONFIG
   script:
     - kubectl get all
     - kubectl apply -f i/k8s    only:
     - master

ते स्वतः चालवण्यासाठी तुम्हाला क्लस्टरची आवश्यकता असेल, तुम्ही Gcloud वापरू शकता:

gcloud container clusters create canary --num-nodes 3 --zone europe-west3-b
gcloud compute firewall-rules create incoming-80 --allow tcp:80

आपण काटा करणे आवश्यक आहे https://gitlab.com/wuestkamp/k8s-deployment-example-canary-infrastructure आणि व्हेरिएबल तयार करा KUBECONFIG GitlabCI मध्ये, ज्यामध्ये प्रवेशासाठी कॉन्फिगरेशन असेल kubectl तुमच्या क्लस्टरला.

तो आहे क्लस्टर (Gcloud) साठी क्रेडेन्शियल कसे मिळवायचे याबद्दल तुम्ही वाचू शकता.

पायाभूत सुविधा यामल

इन्फ्रास्ट्रक्चर रिपॉजिटरीमध्ये आमच्याकडे सेवा आहे:

apiVersion: v1
kind: Service
metadata:
 labels:
   id: rollout-canary
 name: app
spec:
 ports:
 - port: 80
   protocol: TCP
   targetPort: 5000
 selector:
   id: app
 type: LoadBalancer

आणि rollout.yaml :

apiVersion: argoproj.io/v1alpha1
kind: Rollout
metadata:
 name: rollout-canary
spec:
 replicas: 10
 revisionHistoryLimit: 2
 selector:
   matchLabels:
     id: rollout-canary
 template:
   metadata:
     labels:
       id: rollout-canary
   spec:
     containers:
     - name: rollouts-demo
       image: registry.gitlab.com/wuestkamp/k8s-deployment-example-app:v1
       imagePullPolicy: Always
 strategy:
   canary:
     steps:
     - setWeight: 10
     # Rollouts can be manually resumed by running `kubectl argo rollouts promote ROLLOUT`
     - pause: {}
     - setWeight: 50
     - pause: { duration: 120 } # two minutes

Rollout डिप्लॉयमेंट प्रमाणेच कार्य करते. जर आम्ही अपडेट धोरण सेट केले नाही (जसे येथे कॅनरी) ते डीफॉल्ट रोलिंग-अपडेट डिप्लॉयमेंटसारखे वागेल.

कॅनरी डिप्लॉयमेंटसाठी आम्ही यामलमध्ये दोन पायऱ्या परिभाषित करतो:

कॅनरीकडे 10% रहदारी (मॅन्युअल ओके साठी प्रतीक्षा करा)
कॅनरीकडे 50% रहदारी (2 मिनिटे थांबा नंतर 100% पर्यंत सुरू ठेवा)

प्रारंभिक तैनाती करत आहे

प्रारंभिक उपयोजनानंतर, आमची संसाधने यासारखी दिसतील:

आणि आम्हाला केवळ अनुप्रयोगाच्या पहिल्या आवृत्तीवरून प्रतिसाद मिळतो:

कॅनरी उपयोजन करत आहे

पायरी 1: 10% रहदारी

कॅनरी डिप्लॉयमेंट सुरू करण्यासाठी, आम्हाला फक्त इमेज व्हर्जन बदलणे आवश्यक आहे जसे आम्ही सामान्यतः उपयोजनांसह करतो:

apiVersion: argoproj.io/v1alpha1
kind: Rollout
metadata:
 name: rollout-canary
spec:
...
 template:
   metadata:
     labels:
       id: rollout-canary
   spec:
     containers:
     - name: rollouts-demo
       image: registry.gitlab.com/wuestkamp/k8s-deployment-example-app:v2
...

आणि आम्ही बदलांना धक्का देतो, म्हणून गिटलॅब सीआय तैनात करते आणि आम्ही बदल पाहतो:

आता आम्ही सेवेमध्ये प्रवेश केल्यास:

छान! आम्ही आमच्या कॅनरी तैनातीच्या मध्यभागी आहोत. आम्ही धावून प्रगती पाहू शकतो:

kubectl argo rollouts get rollout rollout-canary

पायरी 2: 50% रहदारी:

आता पुढच्या पायरीवर जाऊ या: ५०% रहदारी पुनर्निर्देशित करणे. आम्ही ही पायरी व्यक्तिचलितपणे चालवण्यासाठी कॉन्फिगर केली आहे:

kubectl argo rollouts promote rollout-canary # continue to step 2

आणि आमच्या अनुप्रयोगाने नवीन आवृत्त्यांमधून 50% प्रतिसाद परत केले:

आणि रोलआउट पुनरावलोकन:

अप्रतिम.

पायरी 3: 100% रहदारी:

आम्ही ते सेट केले जेणेकरून 2 मिनिटांनंतर 50% चरण आपोआप संपेल आणि 100% चरण सुरू होईल:

आणि अनुप्रयोग आउटपुट:

आणि रोलआउट पुनरावलोकन:

कॅनरी तैनाती पूर्ण झाली आहे.

Argo Rollouts सह अधिक उदाहरणे

येथे आणखी उदाहरणे आहेत, जसे की पर्यावरण पूर्वावलोकन कसे सेट करायचे आणि कॅनरीवर आधारित तुलना:

https://github.com/argoproj/argo-rollouts/tree/master/examples

Argo Rollouts आणि Argo CI बद्दल व्हिडिओ

मी खरोखरच या व्हिडिओची शिफारस करतो, हे दर्शविते की Argo Rollouts आणि Argo CI एकत्र कसे कार्य करतात:

परिणाम

मला CRDs वापरण्याची कल्पना खरोखर आवडते जी अतिरिक्त प्रकारच्या उपयोजन किंवा प्रतिकृती, रीडायरेक्ट रहदारी इत्यादींच्या निर्मितीचे व्यवस्थापन करतात. त्यांच्यासोबत काम सुरळीत चालते. पुढे मी Argo CI सह एकत्रीकरणाची चाचणी घेऊ इच्छितो.

तथापि, अर्गो सीआय आणि फ्लक्स सीआयचे एक मोठे विलीनीकरण येत असल्याचे दिसते, म्हणून मी नवीन प्रकाशन येईपर्यंत प्रतीक्षा करू शकतो: अर्गो फ्लक्स.

तुम्हाला Argo Rollouts किंवा Argo CI चा काही अनुभव आहे का?

आमच्या ब्लॉगवरील इतर लेख देखील वाचा:

स्त्रोत: www.habr.com

कुबर्नेट्स #2 मध्ये कॅनरी तैनाती: अर्गो रोलआउट्स